Answers:
关于预测，统计学和机器学习科学开始从不同角度解决大多数相同的问题。
基本上，统计数据假设数据是由给定的随机模型产生的。因此，从统计的角度出发，假设一个模型，并在各种假设下处理错误，并推断出模型参数和其他问题。
机器学习来自计算机科学的观点。这些模型是算法算法，通常对于数据只需要很少的假设。我们处理假设空间和学习偏见。我发现的关于机器学习的最佳论述包含在汤姆·米切尔（Tom Mitchell）的著作《机器学习》中。
有关这两种文化的更详尽和完整的想法，您可以阅读Leo Breiman的论文《统计建模：两种文化》。
但是，必须补充的是，即使这两种科学都是从不同的观点开始的，但现在两者现在都拥有大量的常识和技术。为什么，因为问题相同，但工具不同。所以现在机器学习主要是从统计学的角度来对待的（从机器学习的角度来看哈斯提（Hastie，Tibshirani，Friedman）的《统计学习的要素》一书，并进行统计学处理，也许还有凯文·墨菲（Kevin P.Murphy）的著作《机器学习：A》概率论，仅举几本当今最好的书）。
甚至该领域的发展历史也显示出这种观点融合的好处。我将描述两个事件。
首先是创建CART树，该树由Breiman创建，具有可靠的统计背景。大约在同一时间，Quinlan开发了具有更多计算机科学背景的ID3，C45，See5等决策树套件。现在，这两个树木家族以及诸如套袋和森林之类的合奏方法变得非常相似。
第二个故事是关于提振。最初，它们是由Freund和Shapire在发现AdaBoost时开发的。设计AdaBoost的选择主要是从计算角度出发。即使是作者也不太清楚它为什么起作用。仅仅5年后，布雷曼（Breiman）再次从统计学的角度描述了adaboost模型，并解释了为何可行。从那时起，具有这两种背景的各种知名科学家进一步发展了这些思想，从而产生了一系列的升压算法，例如逻辑升压，梯度升压，平缓升压等。如果没有扎实的统计背景，现在很难考虑进行提振。
广义线性模型是一种统计发展。然而，新的贝叶斯方法将这种算法也应用于机器学习领域。因此，我认为这两种说法都是正确的，因为对其工作方式的解释和处理可能有所不同。
除了Ben的答案外，统计模型与机器学习模型之间的细微区别在于，在统计模型中，您需要在构建模型之前明确决定输出方程的结构。建立该模型以计算参数/系数。
以线性模型或GLM为例，
y = a1x1 + a2x2 + a3x3
您的自变量是x1，x2，x3，要确定的系数是a1，a2，a3。您可以在建立模型并计算a1，a2，a3之前以这种方式定义方程式结构。如果您认为y以某种非线性方式与x2相关，则可以尝试类似的方法。
y = a1x1 + a2(x2)^2 + a3x3.
因此，您对输出结构进行了限制。固有的统计模型是线性模型，除非您明确应用诸如S型或核的转换以使其非线性（GLM和SVM）。
在机器学习模型的情况下，您很少指定输出结构和算法，例如决策树本质上是非线性的并且可以高效地工作。
与Ben所指出的相反，机器学习模型不仅涉及预测，它们还进行分类，回归等，可用于进行预测，各种统计模型也可以进行预测。
GLM绝对是一种统计模型，而越来越多的统计方法已作为机器学习的技巧应用于工业生产。这几天我最常阅读的荟萃分析是统计领域的一个很好的例子。
在GLM上完美的工业应用可以解释为什么您的朋友告诉您GLM被视为机器学习技术。您可以参考有关的原始文件http://www.kdd.org/kdd2016/papers/files/adf0562-zhangA.pdf。
几周前，我实现了一个简化的框架，该框架被视为我的推荐系统在生产场景中的主要框架。非常感谢您给我一些提示，并且可以检查源代码：https : //github.com/PayneJoe/algo-sensetime/blob/master/src/main/scala/GLMM.scala
希望这对您有帮助，美好的一天！