這篇文章轉自：http://hi.baidu.com/macula7/blog/item/8a3f22cd9587f81a00e92829.html

里面稱作者是周志華，我無從考證，只是轉載。個人感覺寫得很不錯。轉載至此。

機器學習現在是一大熱門，研究的人特多，越來越多的新人涌進來。

不少人其實并沒有真正想過，這是不是自己喜歡搞的東西，只不過看見別人都在搞，覺著跟大伙兒走總不會吃虧吧。

問題是，真有個“大伙兒”嗎？就不會是“兩伙兒”、“三伙兒”？如果有“幾伙兒”，那到底該跟著“哪伙兒”走呢？

很多人可能沒有意識到，所謂的machine learning community，現在至少包含了兩個有著完全不同的文化、完全不同的價值觀的群體，稱為machine learning "communities"也許更合適一些。

第一個community，是把機器學習看作人工智能分支的一個群體，這群人的主體是計算機科學家。

現在的“機器學習研究者”可能很少有人讀過1983年出的“Machine Learning: An Artificial Intelligence Approach”這本書。這本書的出版標志著機器學習成為人工智能中一個獨立的領域。它其實是一部集早期機器學習研究之大成的文集，收羅了若干先賢（例 如Herbert Simon，那位把諾貝爾獎、圖靈獎以及各種各樣和他相關的獎幾乎拿遍了的科學天才）的大作，主編是Ryszard S. Michalski（此君已去世多年了，他可算是機器學習的奠基人之一）、Jaime G. Carbonell（此君曾是Springer的LNAI的總編）、Tom Mitchell（此君是CMU機器學習系首任系主任、著名教材的作者，機器學習界沒人不知道他吧）。Machine Learning雜志的創刊，正是這群人努力的結果。這本書值得一讀。雖然技術手段早就日新月異了，但有一些深刻的思想現在并沒有過時。各個學科領域總有 不少東西，換了新裝之后又粉墨登場，現在熱火朝天的transfer learning，其實就是learning by analogy的升級版。

人工智能的研究從以“推理”為重點到以“知識”為重點，再到以“學習”為重點，是有一條自然、清晰的脈絡。人工智能出身的機器學習研究者，絕大部分 是把機器學習作為實現人工智能的一個途徑，正如1983年的書名那樣。他們關注的是人工智能中的問題，希望以機器學習為手段，但具體采用什么樣的學習手 段，是基于統計的、代數的、還是邏輯的、幾何的，他們并不care。

這群人可能對統計學習目前dominating的地位未必滿意。靠統計學習是不可能解決人工智能中大部分問題的，如果統計學習壓制了對其他手段的研 究，可能不是好事。這群人往往也不care在文章里show自己的數學水平，甚至可能是以簡化表達自己的思想為榮。人工智能問題不是數學問題，甚至未必是 依靠數學能夠解決的問題。人工智能中許多事情的難處，往往在于我們不知道困難的本質在哪里，不知道“問題”在哪里。一旦“問題”清楚了，解決起來可能并不 困難。

第二個community，是把機器學習看作“應用統計學”的一個群體，這群人的主體是統計學家。

和純數學相比，統計學不太“干凈”，不少數學家甚至拒絕承認統計學是數學。但如果和人工智能相比，統計學就太干凈了，統計學研究的問題是清楚的，不象人工智能那樣，連問題到底在哪里都不知道。在相當長時間里，統計學家和機器學習一直保持著距離。

慢慢地，不少統計學家逐漸意識到，統計學本來就該面向應用，而機器學習天生就是一個很好的切入點。因為機器學習雖然用到各種各樣的數學，但要分析大 量數據中蘊涵的規律，統計學是必不可少的。統計學出身的機器學習研究者，絕大部分是把機器學習當作應用統計學。他們關注的是如何把統計學中的理論和方法變 成可以在計算機上有效實現的算法，至于這樣的算法對人工智能中的什么問題有用，他們并不care。

這群人可能對人工智能毫無興趣，在他們眼中，機器學習就是統計學習，是統計學比較偏向應用的一個分支，充其量是統計學與計算機科學的交叉。這群人對統計學習之外的學習手段往往是排斥的，這很自然，基于代數的、邏輯的、幾何的學習，很難納入統計學的范疇。