Teori belajar statistik VS teori belajar komputasi?

Apa hubungan dan perbedaan antara teori pembelajaran statistik dan teori pembelajaran komputasi ?

Apakah mereka tentang topik yang sama? Memecahkan masalah yang sama, dan menggunakan metode yang sama?

Misalnya, yang pertama mengatakan itu adalah teori prediksi (regresi, klasifikasi, ...).

machine-learning statistical-learning artificial-intelligence

— Tim
sumber

Ini sebenarnya pertanyaan yang bagus. Saya tertarik untuk menanyakan hal yang sama tetapi saya pikir ini mencakup sifat yang sama dari pertanyaan yang ingin saya tanyakan. Saya telah melihat banyak buku, banyak pencarian google, dan halaman wikipedia. Saya pikir kedua pertanyaan terkait dalam hal mengutarakannya sebagai contoh pertanyaan kompleksitas, tetapi saya tidak dapat menemukan sumber daya untuk menunjukkan pekerjaan yang dilakukan dalam domain ini sebelum PAC. Semua buku yang saya lihat mulai dari PAC yang membuat saya bertanya-tanya apa yang terjadi sebelum PAC.

— Kirk Walla

Pembelajaran komputasi, lebih konkretnya kerangka kerja yang mungkin kira-kira tepat ( PAC ), menjawab pertanyaan-pertanyaan seperti: berapa banyak contoh pelatihan yang diperlukan untuk pelajar untuk belajar dengan probabilitas tinggi hipotesis yang baik? berapa banyak upaya komputasi yang harus saya pelajari dengan probabilitas tinggi hipotesis seperti itu? Itu tidak berurusan dengan classifier konkret Anda bekerja dengan. Ini tentang apa yang dapat dan tidak bisa Anda pelajari dengan beberapa sampel.

Dalam teori pembelajaran statistik, Anda lebih suka menjawab pertanyaan-pertanyaan semacam itu: berapa banyak sampel pelatihan yang akan diklasifikasi oleh pengklasifikasi sebelum telah terkonvergensi menjadi hipotesis yang baik? yaitu seberapa sulit untuk melatih classifier, dan jaminan apa yang saya miliki tentang kinerjanya?

Dengan menyesal saya tidak tahu sumber mana dua area ini dijelaskan / dibandingkan secara terpadu. Meski begitu, tidak banyak harapan yang bisa membantu

— jpmuc
sumber