卡梅伦·威尔登（Cameron Willden）在WL的许多不同产品线中为工程师和科学家提供支持 戈尔，专注于制造和新产品开发。
WL Gore的Cameron Willden谈到了数据科学与统计学之间的差异，以及机器学习与AI之间的差异。 他对作者David J. Hand作主题演讲所涵盖的一些学习目标做出了回应，并根据多年的行业经验提出了自己的观点。 你可以看主题演讲和小组讨论随时。
需要一些帮助揭开机器学习和人工智能神秘面纱的帮助吗？ 我们即将发布有关此主题的直播和点播视频。 去看一下！
“是的，我相信，尤其是在数据科学和统计学之间，确实存在一些真正重要的区别。 我认为戴维很好地解释了这些差异。
“作为一名统计学家，我们倾向于更加强调量化估计中的不确定性，而数据科学则倾向于更加强调来自模型的点预测。 因此，我们倾向于使用另一套工具。
“统计学家正在研究假设检验和不同类型的统计间隔（例如自举），其中数据科学家倾向于使用神经网络，支持向量机和基于树的方法。 并不是说他们之间不会时不时地相互交叉，但是肯定会倾向于与他们更在意的事情保持一致。
“说实话，就机器学习和人工智能而言，我承认我没有听过以David解释的方式解释它；那可能是因为他在对人工智能的某些子领域有了更好的了解之后才开始这样做。
“但是我通常认为机器学习和人工智能的方式是，人工智能是最终目标。 我们希望有一台能够胜任地执行任务的机器，即使面对的是我们之前未曾明确遇到过的示例。 为了达到这一目标，我们使用了机器学习工具，这是我们用来学习机器以帮助其提高智能的一组技术和算法。 希望在某个时候，它已经准备好了工作。
“所以这就是我通常考虑这些术语的方式。 但是我会说它们是模糊的术语，您会经常听到人们交替使用AI和机器学习。 我真的看不到在哪里造成重大问题或混乱，因此我们可能不会在不久的将来就这些术语达成共识。 但是也许没关系。”
我可以同意统计学/数据科学的区别作为一种实用的描述：不确定性与点预测的量化（使用不同的工具）。但是，我认为这反映了事务状态不正常。没有任何不确定性的点预测充其量是危险的。这让我想起了肯尼思·博尔丁（Kenneth Boulding）的一句老话：“在不确定性下进行优化几乎总是会导致灾难的发生。”确实，对某些数据科学工具（例如神经网络）的不确定性进行量化尚不完善-我认为这是需要开发的主要领域之一。并且，专注于推理而不必担心预测准确性是增加不相关性的蓝图。重叠部分必须被接受。好的统计学家和好的数据科学家实际上并没有什么不同，他们也不应该这样做。
@dale_lehman ，
我完全同意你的最后两句话。 就像软件包大战（R，SAS，Python，Julia和[in infinitum]）一样，“数据科学家”和“统计学家”之间的差距似乎越来越大，前者将后者视为“古老而又古老”。失去联系”。 （这是我在一次会议上听到的。）我们实际上都是在试图解析数据中的信息，并且由于缺乏更好的用词，这两种“方法”都是有效且必要的。 我们需要共同努力，以实现两全其美，而不是分裂成我们各自的阵营。
