人工智能\机器学习\统计学\数据挖掘之间有什么区别？

【伯乐在线导读】：前段时间，作者在 stats.stackexchange.com（译注：国外的一个系列问答网站，其中Stack Overflow是其中一个子站）看到一个很有意思的问题，引起了他的注意。经过阅读和分析 StackExchange 上的所有答案后，他觉得有必将其想法写下来。

以下是 StackExchange 上的问题：

人工智能、机器学习、统计学和数据挖掘有什么区别？

是否可以这样说，它们是利用不同方法解决相似问题的四个领域？它们之间到底有什么共同点和不同点？如果它们之间有层次等级的区分，应该是怎样一回事？

我假定题主是想得到一个清晰的图，上面有各个领域清晰的分界线。因此，在这里我尝试用我最简单的方式来解释这个问题。

机器学习是一门涉及自学习算法发展的科学。这类算法本质上是通用的，可以应用到众多相关问题的领域。

数据挖掘是一类实用的应用算法（大多是机器学习算法），利用各个领域产出的数据来解决各个领域相关的问题。

统计学是一门研究怎样收集，组织，分析和解释数据中的数字化信息的科学。统计学可以分为两大类：描述统计学和推断统计学。描述统计学涉及组织，累加和描绘数据中的信息。推断统计学涉及使用抽样数据来推断总体。

机器学习利用统计学（大多是推断统计学）来开发自学习算法。

数据挖掘则是在从算法得到的结果上应用统计学（大多是描述统计学），来解决问题。

数据挖掘作为一门学科兴起，旨在各种各样的行业中（尤其是商业）求解问题，求解过程需要用到不同研究领域的不同技术和实践。

1960年求解问题的从业者使用术语Data fishing来称呼他们所做的工作。1989年Gregory Piatetsky Shapiro使用术语knowledge Discovery in the Database（KDD，数据集上的知识发掘）。1990年一家公司在商标上使用术语数据挖掘来描述他们的工作。现如今现如今数据挖掘和KDD两词可以交换使用。

人工智能这门科学的目的在于开发一个模拟人类能在某种环境下做出反应和行为的系统或软件。由于这个领域极其广泛，人工智能将其目标定义为多个子目标。然后每个子目标就都发展成了一个独立的研究分支。

这里是一张人工智能所要完成的主要目标列表（亦称为AI问题）

1、Reasoning（推理）
2、Knowledge representation（知识表示）
3、Automated planning and scheduling（自动规划）
4、Machine learning（机器学习）
5、Natural language processing（自然语言处理）
6、Computer vision（计算机视觉）
7、Robotics（机器人学）
8、General intelligence or strong AI（通用智能或强人工智能）

正如列表中提到的，机器学习这一研究领域是由AI的一个子目标发展而来，用来帮助机器和软件进行自我学习来解决遇到的问题。

自然语言处理是另一个由AI的一个子目标发展而来的研究领域，用来帮助机器与真人进行沟通交流。

计算机视觉是由AI的目标而兴起的一个领域，用来辨认和识别机器所能看到的物体。

机器人学也是脱胎于AI的目标，用来给一个机器赋予实际的形态以完成实际的动作。

它们之间有层次等级的区分吗，应该是怎样一回事？

解释这些科学和研究层次关系的一个方法是分析其历史。

科学和研究的起源

统计学——1749年
人工智能——1940年
机器学习——1946年
数据挖掘——1980年

统计学的历史公认起源于1749年左右，用来表征信息。研究人员使用统计学来表征国家的经济水平以及表征用于军事用途的物质资源。随后统计学的用途扩充到数据的分析及其组织。

人工智能的历史碰巧存在两种类型：经典的和现代的。经典人工智能可在古时的故事和著作中看得到。然而，1940年当人们在描述用机器模仿人类的思想时才出现了现代人工智能。

1946年，作为AI的分支，机器学习的起源出现了，它的目标在于使机器不通过编程和明确的硬接线进行自我学习来对目标求解。

是否可以这样说，它们是利用不同方法解决相似问题的四个领域？

可以这么来说（统计学，人工智能和机器学习）是高度相互依赖的领域，没有其他领域的引领和帮助，他们不能够单独存在。很高兴能看到这三个领域是一个全局领域而非三个有所隔阂的领域。

正如这三个领域是一个全局领域，它们在解决共同目标时发挥了自己的优势。因此，该方案适用于许多不同领域中，因为隐含的核心问题是一致的。

接下来是该数据挖掘出场了，它从全局获取解决方案并应用到不同的领域（商业、军事、医学、太空）来解决同一隐含本质的问题。这也是数据挖掘扩大其受欢迎程度的时期。

我希望我的解释已经回答了答主所提问一切疑问，我相信这能清晰地帮助任何一个想要理解这四个领域关键点的人们。如果你对该话题有任何想要说的或者要分享的，请在评论里写下你的想法。