Makine Öğrenimi, veriden öğrenilen modellerin tasarlanması, analiz edilmesi ve tahmin için etkili algoritmaların geliştirilmesi ile ilgilenmektedir.

Makine öğrenimi, bilgisayar bilimi ve yapay zekânın bir alt alanıdır. Açıkça programlanmış talimatlar yerine verilerden öğrenebilen bina sistemleri ile ilgilenir. Öte yandan istatistiksel model, matematiğin bir alt alanıdır. İkisi arasındaki fark, makine öğreniminin optimizasyonu ve performansı, istatistiklerin ilgilendiği sonuçtan ziyade vurgulamasıdır.

Makine öğrenimi ve istatistik arasındaki en büyük fark, amaçlarıdır. Makine öğrenimi modelleri, mümkün olan en doğru tahminleri yapmak için tasarlanmıştır. İstatistiksel modeller, değişkenler arasındaki ilişkiler hakkında çıkarım yapmak için tasarlanmıştır. Pek çok istatistiksel model tahminlerde bulunabilir, ancak tahmin doğruluğu onların gücü değildir.

Makine öğrenimi modellerinin tümü, hangi değişkenlerin sonuçla ilgili bilgileri içerdiğini ve hangi değişkenlerin tahminlere gürültü ekleyeceğini belirleyen mekanizmalara sahiptir. İstatistiksel modellerde genellikle bu mekanizmalar yerleşik olarak bulunmaz. En uç noktada, gözlemlerden daha fazla öngörücü değişken olduğunda (örneğin, birçok genin durumunu öngörücü olarak kullanırken), istatistiksel modeller tamamen başarısız olurken, makine öğrenimi modelleri aşamasız ilerler.

Sonuç olarak, tahmine dayalı doğruluk istiyorsanız, çok sayıda gözleminiz varsa ve / veya veri kümenizde çok sayıda değişken varsa, makine öğrenimi modelleri sizin için en uygun yoldur. Öte yandan, birincil amacınız tahminden ziyade açıklama ise, istatistiksel bir model daha uygun olabilir. Makine öğrenmesi konusundaki çalışmalar bir analiz veya raporlama değil, projelendirme süreci olarak kabul edilmelidir. Çünkü veri bütününün yapısal çözümlenmesinden tahminler elde edilmesi ve raporlanmasına kadar belirli bir süreci ve işlem aşamalarını kapsamaktadır.