Antwort 1:

In der Neurowissenschaft geht es darum, Gehirn und Gehirnmechanismen in der Biologie zu modellieren. Wenn Sie das Gehirn modellieren, interessiert es Sie oft, ein realistisches Modell zu erhalten, unabhängig davon, ob Sie allgemeine statistische Algorithmen oder Prinzipien daraus erhalten, die mit anderen Daten arbeiten können.

Beim maschinellen Lernen geht es darum, wirklich gute statistische Algorithmen und Modelle zu entwickeln, die für alle Arten von Daten im Allgemeinen geeignet sind. Maschinelles Lernen interessiert im Allgemeinen nicht, ob ein solches "Lernen" biologisch inspiriert oder realistisch ist. Ziel ist es, Systeme zu erhalten, die generell aus Daten "lernen" und gute Klassifikatoren / Regressoren / etc. Ein Computational Neuroscientist mag ANNs nicht als ein realistisches Modell des Gehirns ansehen, das es rechtfertigt, es zur Lösung eines Modellierungsproblems zu verwenden. Eine Person mit maschinellem Lernen würde jedoch, da ANNs sehr komplexe und mehrschichtige nichtlineare Modelle erstellen können, die eine gute statistische Leistung für Daten aufweisen können.

Maschinelles Lernen hat viel mit Data Mining zu tun. Ich denke, es ist fair zu sagen, dass maschinelles Lernen einen Großteil des Data Mining umfasst. Das maschinelle Lernen konzentriert sich jedoch in der Regel auf bestimmte Methoden im Data Mining, z. B. ANNs, SVMs, Bayes'sche und nichtparametrische Methoden. Der Grund dafür ist, dass diese Methoden sehr rechenintensiv sein können und das maschinelle Lernen aus der Informatik stammt, in der untersucht wird, wie schwer zu lösende Probleme (so weit wie möglich) gelöst werden können.

Beim Data Mining geht es darum, Daten wissenschaftlich zu verstehen. Data Mining verwendet sowohl maschinelles Lernen als auch andere Methoden, um die Daten zu verstehen. Häufig verwenden Data Miner jedoch nur maschinelles Lernen als Blackbox. Menschen, die maschinell lernen, wissen oft, wie man hochkomplizierte statistische und rechenintensive Algorithmen von Grund auf erstellt, während Data Miner nur Benutzer dieser Technologie sind, um Probleme der realen Welt zu lösen. Der Beitrag ist häufiger die Verwendung statistischer Methoden, um etwas Interessantes in der Praxis zu tun, z. B. die Anwendung auf personalisierte Medizin, Finanzen / Handel usw.

Ich habe die letzten 8 Jahre damit verbracht, mich zwischen diesen Unterscheidungen zu bewegen, und viele KI-Wissenschaftler und Ingenieure verbringen Zeit in jedem dieser Bereiche (obwohl Sie sich der philosophischen Unterschiede zwischen den Bereichen bewusst sein müssen, wenn Sie in jedem veröffentlicht werden möchten ).