本文由 伯樂在線 - 藍(lán)楓紫葉 翻譯， toolate 校稿。
英文出處： shakthydoss（http://shakthydoss.com/what-is-the-difference-between-artificial-intelligence-machine-learning-statistics-and-data-mining/）
【伯樂在線導(dǎo)讀】
前段時(shí)間，作者在 stats.stackexchange.com（譯注：國外的一個(gè)系列問答網(wǎng)站，其中Stack Overflow是其中一個(gè)子站）看到一個(gè)很有意思的問題，引起了他的注意。經(jīng)過閱讀和分析 StackExchange 上的所有答案后，他覺得有必將其想法寫下來。
以下是 StackExchange 上的問題：
人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)和數(shù)據(jù)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(gè)領(lǐng)域？它們之間到底有什么共同點(diǎn)和不同點(diǎn)？如果它們之間有層次等級的區(qū)分，應(yīng)該是怎樣一回事？
我假定題主是想得到一個(gè)清晰的圖，上面有各個(gè)領(lǐng)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(gè)問題。
機(jī)器學(xué)習(xí)是一門涉及自學(xué)習(xí)算法發(fā)展的科學(xué)。這類算法本質(zhì)上是通用的，可以應(yīng)用到眾多相關(guān)問題的領(lǐng)域。
數(shù)據(jù)挖掘是一類實(shí)用的應(yīng)用算法（大多是機(jī)器學(xué)習(xí)算法），利用各個(gè)領(lǐng)域產(chǎn)出的數(shù)據(jù)來解決各個(gè)領(lǐng)域相關(guān)的問題。
統(tǒng)計(jì)學(xué)是一門研究怎樣收集，組織，分析和解釋數(shù)據(jù)中的數(shù)字化信息的科學(xué)。統(tǒng)計(jì)學(xué)可以分為兩大類：描述統(tǒng)計(jì)學(xué)和推斷統(tǒng)計(jì)學(xué)。描述統(tǒng)計(jì)學(xué)涉及組織，累加和描繪數(shù)據(jù)中的信息。推斷統(tǒng)計(jì)學(xué)涉及使用抽樣數(shù)據(jù)來推斷總體。
機(jī)器學(xué)習(xí)利用統(tǒng)計(jì)學(xué)（大多是推斷統(tǒng)計(jì)學(xué)）來開發(fā)自學(xué)習(xí)算法。
數(shù)據(jù)挖掘則是在從算法得到的結(jié)果上應(yīng)用統(tǒng)計(jì)學(xué)（大多是描述統(tǒng)計(jì)學(xué)），來解決問題。
數(shù)據(jù)挖掘作為一門學(xué)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(lǐng)域的不同技術(shù)和實(shí)踐。
1960年求解問題的從業(yè)者使用術(shù)語Data fishing來稱呼他們所做的工作。1989年Gregory Piatetsky Shapiro使用術(shù)語knowledge Discovery in the Database（KDD，數(shù)據(jù)集上的知識發(fā)掘）。1990年一家公司在商標(biāo)上使用術(shù)語數(shù)據(jù)挖掘來描述他們的工作。現(xiàn)如今現(xiàn)如今數(shù)據(jù)挖掘和KDD兩詞可以交換使用。
人工智能這門科學(xué)的目的在于開發(fā)一個(gè)模擬人類能在某種環(huán)境下做出反應(yīng)和行為的系統(tǒng)或軟件。由于這個(gè)領(lǐng)域極其廣泛，人工智能將其目標(biāo)定義為多個(gè)子目標(biāo)。然后每個(gè)子目標(biāo)就都發(fā)展成了一個(gè)獨(dú)立的研究分支。
這里是一張人工智能所要完成的主要目標(biāo)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(dòng)規(guī)劃）
4、Machine learning（機(jī)器學(xué)習(xí)）
5、Natural language processing（自然語言處理）
6、Computer vision（計(jì)算機(jī)視覺）
7、Robotics（機(jī)器人學(xué)）
8、General intelligence or strong AI（通用智能或強(qiáng)人工智能）
正如列表中提到的，機(jī)器學(xué)習(xí)這一研究領(lǐng)域是由AI的一個(gè)子目標(biāo)發(fā)展而來，用來幫助機(jī)器和軟件進(jìn)行自我學(xué)習(xí)來解決遇到的問題。
自然語言處理是另一個(gè)由AI的一個(gè)子目標(biāo)發(fā)展而來的研究領(lǐng)域，用來幫助機(jī)器與真人進(jìn)行溝通交流。
計(jì)算機(jī)視覺是由AI的目標(biāo)而興起的一個(gè)領(lǐng)域，用來辨認(rèn)和識別機(jī)器所能看到的物體。
機(jī)器人學(xué)也是脫胎于AI的目標(biāo)，用來給一個(gè)機(jī)器賦予實(shí)際的形態(tài)以完成實(shí)際的動(dòng)作。
它們之間有層次等級的區(qū)分嗎，應(yīng)該是怎樣一回事？
解釋這些科學(xué)和研究層次關(guān)系的一個(gè)方法是分析其歷史。
科學(xué)和研究的起源
統(tǒng)計(jì)學(xué)——1749年
人工智能——1940年
機(jī)器學(xué)習(xí)——1946年
數(shù)據(jù)挖掘——1980年
統(tǒng)計(jì)學(xué)的歷史公認(rèn)起源于1749年左右，用來表征信息。研究人員使用統(tǒng)計(jì)學(xué)來表征國家的經(jīng)濟(jì)水平以及表征用于軍事用途的物質(zhì)資源。隨后統(tǒng)計(jì)學(xué)的用途擴(kuò)充到數(shù)據(jù)的分析及其組織。
人工智能的歷史碰巧存在兩種類型：經(jīng)典的和現(xiàn)代的。經(jīng)典人工智能可在古時(shí)的故事和著作中看得到。然而，1940年當(dāng)人們在描述用機(jī)器模仿人類的思想時(shí)才出現(xiàn)了現(xiàn)代人工智能。
1946年，作為AI的分支，機(jī)器學(xué)習(xí)的起源出現(xiàn)了，它的目標(biāo)在于使機(jī)器不通過編程和明確的硬接線進(jìn)行自我學(xué)習(xí)來對目標(biāo)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(gè)領(lǐng)域？
可以這么來說（統(tǒng)計(jì)學(xué)，人工智能和機(jī)器學(xué)習(xí)）是高度相互依賴的領(lǐng)域，沒有其他領(lǐng)域的引領(lǐng)和幫助，他們不能夠單獨(dú)存在。很高興能看到這三個(gè)領(lǐng)域是一個(gè)全局領(lǐng)域而非三個(gè)有所隔閡的領(lǐng)域。
正如這三個(gè)領(lǐng)域是一個(gè)全局領(lǐng)域，它們在解決共同目標(biāo)時(shí)發(fā)揮了自己的優(yōu)勢。因此，該方案適用于許多不同領(lǐng)域中，因?yàn)殡[含的核心問題是一致的。
接下來是該數(shù)據(jù)挖掘出場了，它從全局獲取解決方案并應(yīng)用到不同的領(lǐng)域（商業(yè)、軍事、醫(yī)學(xué)、太空）來解決同一隱含本質(zhì)的問題。這也是數(shù)據(jù)挖掘擴(kuò)大其受歡迎程度的時(shí)期。
我希望我的解釋已經(jīng)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(gè)想要理解這四個(gè)領(lǐng)域關(guān)鍵點(diǎn)的人們。如果你對該話題有任何想要說的或者要分享的，請?jiān)谠u論里寫下你的想法。
