计算学习，更具体地说是可能近似正确 ( PAC ) 框架，回答了以下问题：学习者需要多少训练示例才能以高概率学习一个好的假设？我需要多少计算工作才能以高概率学习这样的假设？它不处理您正在使用的具体分类器。它是关于您可以通过手头的一些示例学习什么和不可以学习什么。

在统计学习理论中，你宁愿回答这样的问题：分类器在收敛到一个好的假设之前会错误分类多少训练样本？即训练分类器有多难，我对其性能有什么保证？

遗憾的是，我不知道以统一方式描述/比较这两个领域的来源。尽管如此，尽管希望不大

补充@jpmuc 的答案，计算学习和统计学习之间的区别似乎是一个历史事故，并且这些理论正在慢慢融合（有时被教授）为一个统一的“学习理论”。计算和统计学习理论越来越多地用作同义词。

到目前为止，计算学习理论的主要思想是 PAC 学习，其公式经常利用统计学习理论的主要贡献，即 VC 维度。

有关更多详细信息和参考：https ://machinelearningmastery.com/introduction-to-computational-learning-theory/