机器学习
机器学习是对人工智能(AI)的使用，它使框架有能力自然地吸收和改进，而不需要明确地修改。机器学习的核心是推进能够获取信息并利用信息进行自我学习的PC程序。
学习的方式从感知或信息开始，例如，模型、直接洞察力或指导，在信息中寻找设计，并在以后根据我们给出的模型做出更好的选择。重要的一点是允许计算机在没有人类干预或帮助的情况下自然适应，并根据需要改变活动。
统计学
统计学是一种数字调查，它利用评估的模型、描述和大纲，对给定的测试信息或真正的考试进行安排。统计学考虑了收集、审计、剖析和从信息中进行推断的方法。
统计学是一个术语，用来总结，一个考官用来描述一个数据集的周期。如果信息收集依赖于一个更大的人群的例子，那么在这一点上，考官可以从根本上依靠例子的事实结果来创建对人群的理解。统计学包括社交场合和评估信息的方式，之后将数据总结为数字结构。
| 机器学习 | 统计学 |
|---|---|
| 机器学习是由用户负责的很多步骤或规则，机器不需要其他人就能理解和训练。 | 统计是一种从信息中寻找模式的数字理念。 |
| 机器学习可以做出最准确的预测，然后预知未来的事件或安排当前的材料。 | 统计学连接变量之间的关系，并找出信息点之间的联系。 |
| 输入和输出是标签和特征。 | 输入和输出是数据点。 |
| 机器学习由数学和算法组成。 | 统计学只由数学和统计信息组成。 |
| 机器学习主要用于假设或预测。 | 统计学主要用于寻找数据点之间的相关性，单变量，多变量，等等。 |
| 机器学习涉及数据科学和人工智能领域的概念，如主要的算法和神经网络。 | 统计学在数据分析和人工智能领域与概率和导数等概念有关。 |
| 关键词：决策树，神经网络，逻辑回归，支持向量机等。 | 关键字：协方差、单变量、估计器等。 |
| 类型：监督的、无监督的和强化学习。 | 类型：回归、分类和预测连续变量。 |
| 应用：天气预报、股票市场预测等。 | 应用：统计描述技术，寻找数据中的模式，数据中的异常值等等。 |
