בין אלה קיימת חפיפה ניכרת, אך ניתן להבחין בכמה. על פי הצורך, אצטרך לפשט יתר על המידה דברים מסוימים או לתת קצר לאחרים, אך אעשה כמיטב יכולתי לתת קצת תחושה של תחומים אלה.
ראשית, בינה מלאכותית נבדלת למדי מהשאר. AI הוא המחקר כיצד ליצור סוכנים אינטליגנטים. בפועל, זה כיצד לתכנת מחשב כך שיתנהג ויבצע משימה כמו סוכן אינטליגנטי (נניח, אדם). זה לא צריך לכלול למידה או אינדוקציה בכלל, זה יכול להיות רק דרך 'לבנות מלכודת עכברים טובה יותר'. לדוגמה, יישומי AI כללו תוכניות לניטור ובקרה של תהליכים שוטפים (למשל, הגדלת היבט A אם זה נראה נמוך מדי). שימו לב ש- AI יכול לכלול כל דבר שמכונה עושה, כל עוד היא לא עושה את זה 'בטיפשות'.
אולם בפועל, מרבית המשימות הדורשות אינטליגנציה דורשות יכולת להניב ידע חדש מחוויות. לפיכך, שטח גדול בתוך AI הוא למידת מכונה . אומרים שתוכנת מחשב לומדת משימה כלשהי מניסיון אם הביצועים שלה במשימה משתפרים עם הניסיון, על פי מדד ביצועים כלשהו. למידת מכונה כוללת לימוד אלגוריתמים שיכולים לחלץ מידע באופן אוטומטי (כלומר ללא הדרכה אנושית מקוונת). זה בהחלט המקרה שחלק מההליכים הללו כוללים רעיונות שמקורם בסטטיסטיקה קלאסית ישירות, או בהשראתם, אך אין להם . בדומה ל- AI, לימוד מכונה הוא רחב מאוד ויכול לכלול כמעט הכל, כל עוד יש בו רכיב אינדוקטיבי כלשהו. דוגמה לאלגוריתם של למידת מכונה יכול להיות פילטר קלמן.
כריית נתונים הוא תחום שלקח הרבה מההשראה והטכניקות שלו מלימוד מכונה (וחלקן גם מסטטיסטיקה), אך הועבר ל מטרות שונות . כריית נתונים מתבצעת על ידי אדם , במצב ספציפי, על מערך נתונים מסוים, עם מטרה בראש. בדרך כלל, אדם זה רוצה למנף את העוצמה של הטכניקות השונות לזיהוי תבניות שפותחו בלימוד מכונה. לעתים קרובות למדי, מערך הנתונים הוא מסיבי , מסובך ו / או יכול להיות שיש לו בעיות מיוחדות (כגון שיש יותר משתנים מאשר תצפיות). בדרך כלל, המטרה היא לגלות / לייצר כמה תובנות מקדימות באזור בו היה מעט ידע קודם לכן, או להיות מסוגלים לחזות תצפיות עתידיות במדויק. יתר על כן, הליכי כריית נתונים יכולים להיות 'ללא פיקוח' (איננו יודעים את התשובה - גילוי) או 'בפיקוח' (אנו יודעים את התשובה - חיזוי). שים לב כי בדרך כלל המטרה היא לא לפתח הבנה מתוחכמת יותר של תהליך יצירת הנתונים הבסיסי. טכניקות נפוצות של כריית נתונים יכללו ניתוח אשכולות, סיווג ועצי רגרסיה ורשתות עצביות.
אני מניח שאני לא צריך להגיד הרבה כדי להסביר מה זה סטטיסטיקה באתר הזה, אבל אולי אני יכול לומר כמה דברים. סטטיסטיקה קלאסית (כאן אני מתכוון הן לתדירות והן לבייסית) היא נושא משנה במתמטיקה. אני חושב על זה כצומת בעיקר מה שאנחנו יודעים על הסתברות ומה שאנחנו יודעים על אופטימיזציה. אף על פי שניתן ללמוד סטטיסטיקה מתמטית כמושא חקירה אפלטוני בלבד, הוא מובן בעיקר כפרקטי יותר ויישומי יותר מאשר בתחומים אחרים ונדירים יותר במתמטיקה. ככזה (ובמיוחד בניגוד לכריית נתונים לעיל), הוא משמש בעיקר לצורך הבנה טובה יותר של תהליך ייצור נתונים מסוים. לפיכך, זה בדרך כלל מתחיל ב מודל שצוין באופן רשמי, ומכאן נגזרים פרוצדורות לחילוץ מדויק של מודל זה ממופעים רועשים (כלומר הערכה - על ידי אופטימיזציה של פונקציית אובדן כלשהי) וכדי להיות מסוגלים להבחין זה מאפשרויות אחרות (כלומר, מסקנות המבוססות על מאפיינים ידועים של התפלגויות דגימה). הטכניקה הסטטיסטית הפרוטוטיפית היא רגרסיה.