人工智能，機器學習，統計學，數據挖掘之間有什么區(qū)別

人工智能、機器學習、統計學和數據挖掘有什么區(qū)別？

是否可以這樣說，它們是利用不同方法解決相似問題的四個領域？它們之間到底有什么共同點和不同點？如果它們之間有層次等級的區(qū)分，應該是怎樣一回事？

我假定題主是想得到一個清晰的圖，上面有各個領域清晰的分界線。因此，在這里我嘗試用我最簡單的方式來解釋這個問題。

機器學習是一門涉及自學習算法發(fā)展的科學。這類算法本質上是通用的，可以應用到眾多相關問題的領域。

數據挖掘是一類實用的應用算法（大多是機器學習算法），利用各個領域產出的數據來解決各個領域相關的問題。

統計學是一門研究怎樣收集，組織，分析和解釋數據中的數字化信息的科學。統計學可以分為兩大類：描述統計學和推斷統計學。描述統計學涉及組織，累加和描繪數據中的信息。推斷統計學涉及使用抽樣數據來推斷總體。

機器學習利用統計學（大多是推斷統計學）來開發(fā)自學習算法。

數據挖掘則是在從算法得到的結果上應用統計學（大多是描述統計學），來解決問題。

數據挖掘作為一門學科興起，旨在各種各樣的行業(yè)中（尤其是商業(yè)）求解問題，求解過程需要用到不同研究領域的不同技術和實踐。

1960年求解問題的從業(yè)者使用術語Data fishing來稱呼他們所做的工作。1989年Gregory Piatetsky Shapiro使用術語knowledge Discovery in the Database（KDD，數據集上的知識發(fā)掘）。1990年一家公司在商標上使用術語數據挖掘來描述他們的工作?，F如今現如今數據挖掘和KDD兩詞可以交換使用。

人工智能這門科學的目的在于開發(fā)一個模擬人類能在某種環(huán)境下做出反應和行為的系統或軟件。由于這個領域極其廣泛，人工智能將其目標定義為多個子目標。然后每個子目標就都發(fā)展成了一個獨立的研究分支。

這里是一張人工智能所要完成的主要目標列表（亦稱為AI問題）

1、Reasoning（推理）
2、Knowledge representation（知識表示）
3、Automated planning and scheduling（自動規(guī)劃）
4、Machine learning（機器學習）
5、Natural language processing（自然語言處理）
6、Computer vision（計算機視覺）
7、Robotics（機器人學）
8、General intelligence or strong AI（通用智能或強人工智能）

正如列表中提到的，機器學習這一研究領域是由AI的一個子目標發(fā)展而來，用來幫助機器和軟件進行自我學習來解決遇到的問題。

自然語言處理是另一個由AI的一個子目標發(fā)展而來的研究領域，用來幫助機器與真人進行溝通交流。

計算機視覺是由AI的目標而興起的一個領域，用來辨認和識別機器所能看到的物體。

機器人學也是脫胎于AI的目標，用來給一個機器賦予實際的形態(tài)以完成實際的動作。

它們之間有層次等級的區(qū)分嗎，應該是怎樣一回事？

解釋這些科學和研究層次關系的一個方法是分析其歷史。

科學和研究的起源

統計學——1749年
人工智能——1940年
機器學習——1946年
數據挖掘——1980年

統計學的歷史公認起源于1749年左右，用來表征信息。研究人員使用統計學來表征國家的經濟水平以及表征用于軍事用途的物質資源。隨后統計學的用途擴充到數據的分析及其組織。

人工智能的歷史碰巧存在兩種類型：經典的和現代的。經典人工智能可在古時的故事和著作中看得到。然而，1940年當人們在描述用機器模仿人類的思想時才出現了現代人工智能。

1946年，作為AI的分支，機器學習的起源出現了，它的目標在于使機器不通過編程和明確的硬接線進行自我學習來對目標求解。

是否可以這樣說，它們是利用不同方法解決相似問題的四個領域？

可以這么來說（統計學，人工智能和機器學習）是高度相互依賴的領域，沒有其他領域的引領和幫助，他們不能夠單獨存在。很高興能看到這三個領域是一個全局領域而非三個有所隔閡的領域。

正如這三個領域是一個全局領域，它們在解決共同目標時發(fā)揮了自己的優(yōu)勢。因此，該方案適用于許多不同領域中，因為隱含的核心問題是一致的。

接下來是該數據挖掘出場了，它從全局獲取解決方案并應用到不同的領域（商業(yè)、軍事、醫(yī)學、太空）來解決同一隱含本質的問題。這也是數據挖掘擴大其受歡迎程度的時期。

我希望我的解釋已經回答了答主所提問一切疑問，我相信這能清晰地幫助任何一個想要理解這四個領域關鍵點的人們。如果你對該話題有任何想要說的或者要分享的，請在評論里寫下你的想法。