统计学研究如何从随机现象中发现相对确定性，
它是理论数学走向工程实践的关键工具。
统计学假定，
现实世界不存在完全确定的事物，
区别仅在于事物的确定性程度。
与此同时，
在不确定性事物的各种现象背后，
一定存在着反映事物全体的相对确定性。
在这两个基本假定之下，
统计学的使命在于，
提供一套不专属于特定领域的工具，
围绕从混沌中发现确定性这一总目标，
提供从经验数据收集，
到服务于不同确定性推断目标的方法体系。
我早已承认且默认，
机器学习建立在统计学基础之上。
然而对它为什么建立在这个基础上，
我的认识一直是感性的，片面的，非本质的，
尽管我会流利地讲出这个结论，
但那实际是一个自欺欺人的掩饰。
直到与一位从事统计领域研究的朋友闲聊，
才发觉自己的认识相当浅薄，
远未达到理性阶段。
我的感性认识的感觉在于，
机器学习存在利用统计学的现象，
比如它使用了一些统计相关概念，
如各类别的概率输出，
分布内，分布外，归纳偏置等，
又一些损失函数，如交叉熵等。
这不是理性程度的理解，
这导致我并未在机器学习中，
真正地感受到统计学的作用，
而是把注意力聚焦于各种神经组件，
导致长久地陷入一叶障目，不见泰山。
诚如实践论所言，
只有理解了感受到的事物，
才能更深刻地感受到它。
实际上，
整个的机器学习，
同样建立在上面两个假设前提之下，
它相对于统计学的传统操作，
放宽了相对确实性部分的假定，
用具有强大非线性映射能力的神经网络组件，
取代了传统的线性的确定性假定，
随机部分遵循相同假设。
一个训练的样本，
本质上是随机过程的一次采样。
训练的目标，
本质上是使观测到样本概率最大化。
这就是整个的机器学习的统计学基础，
也是我对这一观点的理性认识，
这种认识仍然是一个动态的过程。
我的朋友还谈到，
高维统计推断，
异构数据的统计推断等等，
都还是开放性问题，
它们源于发展中的机器学习实践，
并将服务于机器学习实践，
这样一个过程，
连同对它的认识的过程，
一直在运动的变化中。