Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden 為 WL Gore 多個不同產品線的工程師和科學家提供支持，重點是製造和新產品開發。
卡梅倫·威爾登 (Cameron Willden)、WL Gore 談到了數據科學和統計學之間的差異，以及機器學習和人工智慧之間的差異。他對作者 David J. Hand 的主題演講中提到的一些學習目標做出了回應，並根據多年的行業經驗提供了自己的觀點。您可以隨時觀看主題演講和小組討論。
需要一些幫助來揭開機器學習和人工智慧的神秘面紗嗎？我們即將推出有關此主題的直播和點播影片。 去看一下！
「是的，我相信數據科學和統計學之間存在一些非常重要的差異。我認為大衛很好地解釋了這些差異......
「作為一名統計學家，我們傾向於更加重視量化我們估計中的不確定性，而數據科學則傾向於更強調模型得出的點預測。正因為如此，我們傾向於使用一套不同的工具。
「統計學家正在研究假設檢定和不同類型的統計區間——例如引導法——資料科學家傾向於神經網路、支持向量機和基於樹的方法等。並不是說他們不會時不時地碰面，但肯定會更強調與他們更關心的事情一致。
「就機器學習和人工智慧而言，老實說，我承認我還沒有聽過像大衛解釋的那樣的解釋；這可能是因為他對人工智慧的一些子領域有了更好的理解。
「但我通常認為機器學習和人工智慧是人工智慧是最終目標。我們希望擁有一台能夠勝任執行任務的機器，即使它面對的是我們以前沒有明確遇到的範例。為了實現這一目標，我們使用機器學習工具——我們用來訓練機器以幫助其提高智慧的一組技術和演算法。希望在某個時候，它已經準備好找到一份工作。
「這就是我通常思考這些術語的方式。但我想說的是，它們是模糊的術語，你會經常聽到人們交替使用人工智慧和機器學習。我真的不明白這在哪裡導致了重大問題或混亂，因此我們可能不會在不久的將來就這些術語達成共識。但也許這樣就可以了。
[影片]
@dale_lehman ,
我完全同意你最後兩句話。 有點像軟件包之戰（R vs SAS vs Python vs Julia vs [無窮無盡]），“數據科學家”和“統計學家”之間的差距似乎越來越大，前者將後者視為“老舊的”。失去聯繫”。 （這是我在一次會議上無意中聽到的。）我們確實都在嘗試解析數據中的信息，並且由於缺乏更好的詞，這兩種“方法”都是有效且必要的。 我們需要共同努力，實現兩全其美，而不是分裂成各自的陣營。
我同意統計學/數據科學的區別作為實際描述：不確定性的量化與點預測（使用附帶的不同工具）。然而，我認為這反映了一種功能失調的狀態。沒有任何不確定性衡量的點預測充其量是危險的。這讓我想起肯尼思·博爾丁的一句老話：“不確定性下的優化幾乎總是會導致災難性的目標。”確實，某些數據科學工具（例如神經網絡）的量化不確定性還不夠發達——我認為這是需要發展的主要領域之一。而且，專注於推理而不擔心預測準確性是增加無關性的藍圖。需要包容重疊之處。優秀的統計學家和優秀的數據科學家的工作方式確實沒有什麼不同，也不應該有什麼不同。
