卡梅倫·威爾登（Cameron Willden）在WL的許多不同產品線中為工程師和科學家提供支持 戈爾，專注於製造和新產品開發。
WL Gore的Cameron Willden談到了數據科學與統計學之間的差異，以及機器學習與AI之間的差異。 他對作者David J. Hand作主題演講所涵蓋的一些學習目標做出了回應，並根據多年的行業經驗提出了自己的觀點。 你可以看主題演講和小組討論隨時。
需要一些幫助揭開機器學習和人工智能神秘面紗的幫助嗎？ 我們即將發布有關此主題的直播和點播視頻。 去看一下！
“是的，我相信，尤其是在數據科學和統計學之間，確實存在一些真正重要的區別。 我認為戴維很好地解釋了這些差異。
“作為一名統計學家，我們傾向於更加強調量化估計中的不確定性，而數據科學則傾向於更加強調來自模型的點預測。 因此，我們傾向於使用另一套工具。
統計人員正在研究假設檢驗和不同類型的統計間隔（例如自舉），其中數據科學家傾向於使用神經網絡，支持向量機和基於樹的方法。 並不是說他們之間不會時不時地相互交叉，但是肯定會傾向於與他們更在意的事情保持一致。
“說實話，就機器學習和人工智能而言，我承認我沒有聽過以David解釋的方式解釋它；那可能是因為他在對人工智能的某些子領域有了更好的了解之後才開始這樣做。
“但是我通常認為機器學習和人工智能的方式是，人工智能是最終目標。 我們希望有一台能夠勝任地執行任務的機器，即使面對的是我們之前未曾明確遇到過的示例。 為了達到這一目標，我們使用了機器學習工具，這是我們用來學習機器以幫助其提高智能的一組技術和算法。 希望在某個時候，它已經準備好了工作。
“所以這就是我通常考慮這些術語的方式。 但是我會說它們是模糊的術語，您會經常聽到人們交替使用AI和機器學習。 我並沒有真正看到在哪裡造成重大問題或混亂，因此我們可能不會在不久的將來就這些術語達成共識。 但是也許沒關係。”
我可以同意統計學/數據科學的區別作為一種實用的描述：不確定性與點預測的量化（使用不同的工具）。但是，我認為這反映了事務狀態不正常。沒有任何不確定性的點預測充其量是危險的。這讓我想起了肯尼思·博爾丁（Kenneth Boulding）的一句老話：“在不確定性下進行優化幾乎總是會導致災難的發生。”確實，對某些數據科學工具（例如神經網絡）的不確定性進行量化尚不完善-我認為這是需要開發的主要領域之一。並且，專注於推理而不必擔心預測準確性是增加不相關性的藍圖。重疊部分必須被接受。好的統計學家和好的數據科學家實際上並沒有什麼不同，他們也不應該這樣做。
@dale_lehman ，
我完全同意你的最後兩句話。 有點像軟件包大戰（R，SAS，Python，Julia和[in infinitum]），“數據科學家”和“統計學家”之間的鴻溝似乎越來越大，前者將後者視為“老牌”失去聯繫”。 （這是我在一次會議上聽到的。）我們實際上都是在試圖解析數據中的信息，並且由於缺乏更好的用詞，這兩種“方法”都是有效且必要的。 我們需要共同努力，以實現兩全其美，而不是分成我們各自的陣營。
