भविष्यवाणी के संबंध में, सांख्यिकी और मशीन सीखने के विज्ञान ने विभिन्न दृष्टिकोणों से ज्यादातर एक ही समस्या को हल करना शुरू कर दिया।
मूल रूप से आंकड़े मानते हैं कि डेटा किसी दिए गए स्टोचस्टिक मॉडल द्वारा निर्मित किए गए थे। इसलिए, एक सांख्यिकीय दृष्टिकोण से, एक मॉडल को ग्रहण किया जाता है और विभिन्न मान्यताओं को देखते हुए त्रुटियों का इलाज किया जाता है और मॉडल के मापदंडों और अन्य प्रश्नों का अनुमान लगाया जाता है।
मशीन लर्निंग कंप्यूटर विज्ञान के दृष्टिकोण से आता है। मॉडल एल्गोरिदम हैं और आमतौर पर डेटा के संबंध में बहुत कम धारणाएं आवश्यक हैं। हम परिकल्पना अंतरिक्ष और सीखने के पूर्वाग्रह के साथ काम करते हैं। मशीन लर्निंग का सबसे अच्छा विस्तार मुझे मिला है जो टॉम मिशेल की किताब मशीन लर्निंग में निहित है ।
दो संस्कृतियों के संबंध में अधिक विस्तृत और पूर्ण विचार के लिए आप लियो ब्रिमन पेपर को स्टैटिस्टिकल मॉडलिंग: द टू कल्चर कह सकते हैं
हालाँकि जो भी जोड़ा जाना चाहिए वह यह है कि भले ही दोनों विज्ञान अलग-अलग दृष्टिकोणों के साथ शुरू हुए हों, दोनों अब सामान्य ज्ञान और तकनीकों का एक उचित हिस्सा साझा करते हैं। क्यों, क्योंकि समस्याएं समान थीं, लेकिन उपकरण अलग थे। इसलिए अब मशीन लर्निंग को ज्यादातर सांख्यिकीय दृष्टिकोण से देखा जाता है (एक हस्ती, तिब्शीरानी, फ्राइडमैन किताब की जाँच करें) एक मशीन के सांख्यिकीय सीखने के साथ मशीन सीखने के दृष्टिकोण से सांख्यिकीय शिक्षण के तत्व , और शायद केविन पी। मर्फी की पुस्तक मशीन लर्निंग: ए संभाव्य परिप्रेक्ष्य , आज उपलब्ध सर्वोत्तम पुस्तकों में से कुछ का नाम लेना)।
यहां तक कि इस क्षेत्र के विकास का इतिहास इस दृष्टिकोण के लाभ को दर्शाता है। मैं दो घटनाओं का वर्णन करूंगा।
पहला CART पेड़ों का निर्माण है, जो एक ठोस सांख्यिकीय पृष्ठभूमि के साथ ब्रेमेन द्वारा बनाया गया था। लगभग उसी समय, क्विनलान ने ID3, C45, See5 और इतने पर, एक अधिक कंप्यूटर विज्ञान पृष्ठभूमि के साथ निर्णय ट्री सूट विकसित किया। अब यह दोनों पेड़ों के परिवारों और पहनावा और जंगलों जैसी पहनावे पद्धतियाँ काफी हद तक समान हैं।
दूसरी कहानी को बढ़ावा देने के बारे में है। प्रारंभ में वे फ्रायड और शापायर द्वारा विकसित किए गए थे जब उन्होंने AdaBoost की खोज की थी। AdaBoost को डिजाइन करने के विकल्प ज्यादातर कम्प्यूटेशनल दृष्टिकोण से किए गए थे। यहां तक कि लेखकों को भी अच्छी तरह से समझ नहीं आया कि यह क्यों काम करता है। केवल 5 साल बाद ब्रेमेन (फिर से!) ने एक सांख्यिकीय दृष्टिकोण से एडबॉस्ट मॉडल का वर्णन किया और उस काम के लिए स्पष्टीकरण दिया। तब से, दोनों प्रकार की पृष्ठभूमि वाले विभिन्न प्रख्यात वैज्ञानिकों ने उन विचारों को विकसित किया जो कि एल्गोरिदम को बढ़ावा देने के लिए अग्रणी थे, जैसे कि लॉजिस्टिक बूस्टिंग, ग्रेडिएंट बूस्टिंग, सौम्य बूस्टिंग एन्स। एक ठोस सांख्यिकीय पृष्ठभूमि के बिना बढ़ावा देने के बारे में सोचना अब मुश्किल है।
सामान्यीकृत रैखिक मॉडल एक सांख्यिकीय विकास है। हालाँकि नए बायेसियन उपचार इस एल्गोरिथम को मशीन लर्निंग खेल के मैदान में भी रखते हैं। इसलिए मेरा मानना है कि दोनों दावे सही हो सकते हैं, क्योंकि इसकी व्याख्या और उपचार यह बताता है कि यह कैसे अलग हो सकता है।