贝叶斯是统计学概念还是机器学习？

经常被问起统计学(尤其是统计建模)、机器学习和人工智能的区别。从目标、技术和算法上来说，它们确实有重叠的部分。但困惑不仅来自于这些重叠的部分，而是来自于我们读的那些非科学文章中的时髦用语大杂烩。

统计建模

统计建模的基本目标是回答这样一个问题：“哪一个概率模型能够生成我观察到的数据？”所以你可以这样做：

从一个合理的模型库里选一个候选模型
评估它的未知量（参数，又称作匹配模型与数据）
比对符合的模型和替代模型

举例来说，如果你的数据代表了总数，比如这个数字代表了客人感到反胃的数量，或者细胞分裂的数量，那泊松分布或者负二项分布、零膨胀模型中的某个模型就可能是适用的。

一旦选中了某个模型，那预估模型就会被用作一个查询设备：检验假设、建立预估值，还能测量信任度。预估模型就成了我们解释数据的棱镜。我们从来不声称预估模型带来了数据，但我们把它当做一个在随机的过程中合理的近似，人们会基于它去验证推论。

验证推论是统计建模中一个重要的方面。举例来说，如果要在三个可能的医疗设备中，决定哪个对病人最有益，你就会对这样的模型感兴趣：它能捕捉病人使用什么样的途径治疗是明显有效果的。总是这样，那些能很好地捕捉数据生成途径的模型，同时也是在观测数据范围内最好地做出预测的模型，或许它还能预测出新的观测结果。

经典的机器学习

经典的机器学习是数据驱动的，它专注于回归和分类的算法，并被模式识别推动着。构成它基础的随机途径总是次要的和不被直接重视的。当然，很多机器学习的技术可以通过随机的模型和进程架构起来，但数据并不是通过模型生成的。相反，机器学习主要是为了辨识出运行某个特定任务的算法或技术（或者是二者兼有）：顾客最好由k-Means算法分组吗？或者由DBSCAN、决策树、随机森林，还是SVM？

简而言之，对统计学家来说，模型是第一位的；对机器学习专家来说，数据是第一位的。因为机器学习强调的是数据，不是模型，把数据分离成训练和测试组的验证技术是非常重要的。一个解决方案的优劣不在于p值，而在于证明这个解决方案在以前看不到的数据方面预测良好。把一个统计建模和一套数据匹配，或者为一套数据训练决策树，就需要评估未知量。决策树的最佳分支点，是由预估参数数据决定的，而预估参数是从属变量的条件分布决定的。

我的观点是，没有一种技术能够自称会学习。训练才是塑造某物的必经之路。学习，从另一方面来讲，就暗示着获得新的技能，而训练是学习的一部分。通过训练一个深度神经网络，也就是说，通过输入数据设定好它的砝码和偏向，它就学会了分类，这个神经网络就变成了一个分类器。

现代的机器学习

如果一个机器学习系统没有被指定完成一项任务，它就真的是个学习系统，然而它是被指定去学习完成某项任务的。我把这个称为现代的机器学习。就像经典机器学习的变体一样，现代机器学习是一种数据驱动的训练。跟经典机器学习不同的是，现代机器学习不依赖于强悍的算法技术。几乎所有这种形式的机器学习应用，都是以深度神经网络为基础的。

这个领域我们现在倾向于称作深度学习，一个机器学习的专门科目。深度学习被频繁应用于各种弱人工智能应用，在这些领域，机器会去做人类的工作。

数据的角色

现在，通过学习数据的角色，我们就可以分清统计建模、经典机器学习和现代机器学习了。

在统计建模中，数据指引我们到一个随机模型的可挑选范围里，它就相当于是抽象的利益问题的概率表达，比如假说、预测和前瞻。

在经典的机器学习中，数据会驱动着分析技术的挑选范围，使得它们最高效地完成手边任务。数据训练了算法。

在现代的机器学习中，数据驱动着基于神经网络的系统，而为了学习一项任务，这些神经网络系统自主决定数据的规律性。在这个训练神经网络学习数据的过程中，它就学会了这项任务。就像有的人说的那样：”是数据完成了编程。”

英文链接：https://www.linkedin.com/pulse/difference-between-statistical-modeling-machine-i-see-schabenberger