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.
共同的目標:
learn from data,但是statistical learning的目標更多的是從手頭上的資料學習後實現統計推斷：得出結論
不同點從以下幾個方面來闡述:
schools they come from:
machine learning是電腦科學和人工智慧的一個子領域，用於構建可以從資料中學習到model，而不需要顯示地程式設計學習rule
statistical model:是數學的一個分支，用於發現多個變數之間的關係，從而可以預測輸出
diffrent eras(不同時代的產物)
statistical modelling已經存在幾世紀的時間了，而machine learning實際上從1990年代才變得清晰，隨著計算資源便宜化和能力巨大提高而開始成為現實
假設依賴:
統計模型往往有一些預設的假設，比如一個簡單的線性迴歸模型會有以下假設：
1. 自變數和因變數之間是線性關係;
2. 隨機變數是同方差同分布
3. 因變數的誤差均值為0
4. 觀測值之間是互相獨立的；
5.每個因變數的值是正態分佈
同樣地，邏輯迴歸也會有其一堆預設的假設，只有當假設得到滿足時，模型的效果才會比較好。而機器學習演算法雖然也有部分假設，但是大大少於統計模型的假設。機器學習我們也無需指出自變數或者因變數所服從的分佈
處理的資料型別:
機器學習可以處理的資料具有wide(變數的維數)，deep(樣本的數量巨大)，而statistical model則僅適用於低維度，少樣本資料集的情況，否則及其容易產生過擬合。
命名正規化:
formulation:
雖然統計學模型和機器學習模型的目標是類似的，但是其最終學習的模型公式卻有明顯的區別:
對於統計模型，我們往往需要估計出特定樣式的函式f:
Dependent Variable ( Y ) = f(Independent Variable) + error function
而，對於機器學習，則直接剔除上述f，而直接從輸入到輸出（可能是線性，也可能是非線性的函式）
Output(Y) ----- > Input (X)
預測能力:
"自然之力不會在發生一件事情之前做出任何假設。。"
因此，在一個預測model中，越少的假設條件，預測的能力會越強。機器學習正如名字所蘊含的意義其需要更少的人為參與。機器學習通過不斷地迭代使得計算機自己發現隱藏在資料中的pattern.由於機器綜合了所有的樣本資料並且沒有任何（或僅有少量）的預定假設，因此預測能力會大大強於統計模型。統計模型更多的是數學密集並且基於係數估計，它要求建模人員本身已經理解了變數之間本身存在的關係，只有這樣建設的模型才會有用。
統計學家和機器學習工程師對模型輸出的不同描述:
- 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.”