Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden 为 WL Gore 的许多不同产品线的工程师和科学家提供支持，专注于制造和新产品开发。
WL Gore 的 Cameron Willden 谈到了数据科学和统计学之间的差异，以及机器学习和人工智能之间的差异。他回应了作者 David J. Hand 在主题演讲中提到的一些学习目标，并根据多年的行业经验提供了自己的观点。您可以随时观看主题演讲和小组讨论。
需要一些帮助来揭开机器学习和人工智能的神秘面纱吗？我们即将推出有关此主题的直播和点播视频。 快来看看吧！
“是的，我相信数据科学和统计学之间存在一些非常重要的差异。我认为 David 很好地解释了这些差异......
“作为统计学家，我们往往更注重量化估计中的不确定性，而数据科学则更注重模型得出的点预测。正因为如此，我们倾向于使用不同的工具集。
“统计学家正在研究假设检验和不同类型的统计区间（如引导法），而数据科学家则倾向于神经网络、支持向量机和基于树的方法。并不是说他们不会偶尔产生交集，但他们确实更倾向于关注与他们更关心的事情相一致的事情。
“就机器学习和人工智能而言，老实说，我承认我还没有听过像大卫那样的解释；这可能是因为他对人工智能的一些子领域有了更好的理解。
“但我通常认为机器学习和人工智能是最终目标。我们希望拥有一台能够胜任任务的机器，即使它面对的是我们以前从未明确遇到过的例子。为了实现这一目标，我们使用机器学习工具——一套技术和算法，我们用它来训练机器，帮助它发展智能。希望在某个时候，它已经准备好工作了。
“这就是我通常对这些术语的看法。但我想说的是，它们是模糊的术语，你会经常听到人们交替使用人工智能和机器学习。我真的不明白这会导致什么重大问题或混乱，所以我们可能不会在不久的将来对这些术语达成共识。但也许这没关系。”
[视频]
@dale_lehman ,
我完全同意你最后两句话。 有点像软件包之战（R vs SAS vs Python vs Julia vs [无穷无尽]），“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“老旧的”。失去联系”。 （这是我在一次会议上无意中听到的。）我们确实都在尝试解析数据中的信息，并且由于缺乏更好的词，这两种“方法”都是有效且必要的。 我们需要共同努力，实现两全其美，而不是分裂成各自的阵营。
我同意统计学/数据科学的区别作为实际描述：不确定性的量化与点预测（使用附带的不同工具）。然而，我认为这反映了一种功能失调的状态。没有任何不确定性衡量的点预测充其量是危险的。这让我想起肯尼思·博尔丁的一句老话：“不确定性下的优化几乎总是会导致灾难性的目标。”确实，某些数据科学工具（例如神经网络）的量化不确定性尚未开发 - 我认为这是需要开发的主要领域之一。而且，专注于推理而不担心预测准确性是增加无关性的蓝图。需要包容重叠之处。优秀的统计学家和优秀的数据科学家的工作方式确实没有什么不同，也不应该有什么不同。
