继续补课中，数理统计更要花功夫了。我想了想，今天的思考题答案如下：

两者的相同点在于，它们都是着眼于从数据中学习，探讨如何从数据中提取人们需要的信息或规律，如何辅助人类决策或者分析。

两者的不同点在于，它们分析的方式可能不尽相同，机器学习强调最终的精确程度，也就是老师所说的性能优化，而且并不需要对有关变量之间的潜在关系提出先验假设，只是需要更多维度的数据来增加分析，数理统计中关心推导方式，还要了解估量值和数据特征，那三个标准就是我们研究所必须了解的内容，否则会容易造成偏差。

打卡第一天(1/21):
<<人工智能基础课03>>
机器学习本质上是一种算法，这种算法由数据分析习得，而且不依赖于规则导向的程序设计；
统计建模则是以数据为基础，利用数学方程式来探究变量变化规律的一套规范化流程。
机器学习和数理统计的确具有相同的目标：从数据中学习,
他们的核心都是探讨如何从数据中提取人们需要的信息或规律;
不同点:
1,机器学习更多地强调优化和性能，而统计学则更注重推导。
2,机器学习是数据越多，预测通常就越准确,是黑盒;
相比较数理统计:则必须了解数据的收集方式，估计量（包括p值和无偏估计）的统计特征，被研究人群的潜在分布规律，以及多次试验的期望参数的类型。研究人员需要非常清楚自己在做什么，并提出具有预测能力的参数。而且统计建模通常用于较低维度的数据集;
总的来说，我们可以认为机器学习和统计建模是预测建模领域的两个不同分支。这两者之间的差距在过去的 10 年中正在不断缩小，而且它们之间存在许多相互学习和借鉴的地方。未来，它们之间的联系将会更加紧密。
今天学到了:
数理统计与概率论的不同是在于:概率论在找下一个点,数理统计是局部推整体
数理统计相关名词:数理统计,概率论,样本均值,样本方差,点估计(矩估计,最大似然估计法[无偏性,有效性,一致性]),区间估计,置信区间,泛化误差(偏差,方差,噪声)