机器学习和统计学的区别

机器学习

机器学习是对人工智能(AI)的使用,它使框架有能力自然地吸收和改进,而不需要明确地修改。机器学习的核心是推进能够获取信息并利用信息进行自我学习的PC程序。
学习的方式从感知或信息开始,例如,模型、直接洞察力或指导,在信息中寻找设计,并在以后根据我们给出的模型做出更好的选择。重要的一点是允许计算机在没有人类干预或帮助的情况下自然适应,并根据需要改变活动。

统计学

统计学是一种数字调查,它利用评估的模型、描述和大纲,对给定的测试信息或真正的考试进行安排。统计学考虑了收集、审计、剖析和从信息中进行推断的方法。
统计学是一个术语,用来总结,一个考官用来描述一个数据集的周期。如果信息收集依赖于一个更大的人群的例子,那么在这一点上,考官可以从根本上依靠例子的事实结果来创建对人群的理解。统计学包括社交场合和评估信息的方式,之后将数据总结为数字结构。

机器学习 统计学
机器学习是由用户负责的很多步骤或规则,机器不需要其他人就能理解和训练。 统计是一种从信息中寻找模式的数字理念。
机器学习可以做出最准确的预测,然后预知未来的事件或安排当前的材料。 统计学连接变量之间的关系,并找出信息点之间的联系。
输入和输出是标签和特征。 输入和输出是数据点。
机器学习由数学和算法组成。 统计学只由数学和统计信息组成。
机器学习主要用于假设或预测。 统计学主要用于寻找数据点之间的相关性,单变量,多变量,等等。
机器学习涉及数据科学和人工智能领域的概念,如主要的算法和神经网络。 统计学在数据分析和人工智能领域与概率和导数等概念有关。
关键词:决策树,神经网络,逻辑回归,支持向量机等。 关键字:协方差、单变量、估计器等。
类型:监督的、无监督的和强化学习。 类型:回归、分类和预测连续变量。
应用:天气预报、股票市场预测等。 应用:统计描述技术,寻找数据中的模式,数据中的异常值等等。