https://www.analyticsvidhya.com/blog/2015/07/difference-machine-learning-statistical-modeling/

http://normaldeviate.wordpress.com/2012/06/12/statistics-versus-machine-learning-5-2/

https://www.quora.com/What-is-the-difference-between-statistics-and-machine-learning

machine learning is an algorithm that can learn from data without relying on rules-based programming.

Statistical modelling is formalization of relationships between variables in the form of mathematical equations.

共同的目标:

learn from data,但是statistical learning的目标更多的是从手头上的数据学习后实现统计推断：得出结论

不同点从以下几个方面来阐述:

schools they come from:

machine learning是计算机科学和人工智能的一个子领域，用于构建可以从数据中学习到model，而不需要显示地编程学习rule

statistical model:是数学的一个分支，用于发现多个变量之间的关系，从而可以预测输出

diffrent eras(不同时代的产物)

statistical modelling已经存在几世纪的时间了，而machine learning实际上从1990年代才变得清晰，随着计算资源便宜化和能力巨大提高而开始成为现实

假设依赖:

统计模型往往有一些预设的假设，比如一个简单的线性回归模型会有以下假设：

1. 自变量和因变量之间是线性关系;

2. 随机变量是同方差同分布

3. 因变量的误差均值为0

4. 观测值之间是互相独立的；

5.每个因变量的值是正态分布

同样地，逻辑回归也会有其一堆预设的假设，只有当假设得到满足时，模型的效果才会比较好。而机器学习算法虽然也有部分假设，但是大大少于统计模型的假设。机器学习我们也无需指出自变量或者因变量所服从的分布

处理的数据类型:

机器学习可以处理的数据具有wide(变量的维数)，deep(样本的数量巨大)，而statistical model则仅适用于低维度，少样本数据集的情况，否则及其容易产生过拟合。

命名范式:

formulation:

虽然统计学模型和机器学习模型的目标是类似的，但是其最终学习的模型公式却有明显的区别:

对于统计模型，我们往往需要估计出特定样式的函数f:

Dependent Variable ( Y )  = f(Independent Variable) + error function

而，对于机器学习，则直接剔除上述f，而直接从输入到输出（可能是线性，也可能是非线性的函数）

Output(Y)  ----- >  Input (X)

预测能力:

"自然之力不会在发生一件事情之前做出任何假设。。"

因此，在一个预测model中，越少的假设条件，预测的能力会越强。机器学习正如名字所蕴含的意义其需要更少的人为参与。机器学习通过不断地迭代使得计算机自己发现隐藏在数据中的pattern.由于机器综合了所有的样本数据并且没有任何（或仅有少量）的预定假设，因此预测能力会大大强于统计模型。统计模型更多的是数学密集并且基于系数估计，它要求建模人员本身已经理解了变量之间本身存在的关系，只有这样建设的模型才会有用。

统计学家和机器学习工程师对模型输出的不同描述:

• ML professional: “The model is 85% accurate in predicting Y, given a, b and c.”
• Statistician: “The model is 85% accurate in predicting Y, given a, b and c; and I am 90% certain that you will obtain the same result.”