这个问题可能太宽泛而无法回答。很难猜测另一个人的观点。但我认为这个问题很有趣，我想尝试回答。

术语“机器学习”可以有很多定义。我相信流行的是

• 凸优化（有大量关于这个主题的 NIPS 论文）
• Brian D. Ripley 的“统计数据减去对模型和假设的任何检查”

从优化的角度来看，最终目标是最小化“经验损失”并尝试在测试数据集上赢得它。这里我们并没有过分强调数据的“统计模型”。一些大的黑盒判别模型就是完美的例子，比如梯度提升、随机森林和神经网络。这些类型的工作之所以流行，是因为我们收集数据和处理数据的方式发生了变化。我们可以认为我们拥有无限的数据并且永远不会过度拟合（例如互联网中的图像数量）。我们负担得起的所有计算模型都无法拟合超级复杂的数据。目标是有一种有效的方法来更快、更复杂地构建模型（例如使用 GPU 进行深度学习）

另一方面，从统计角度（概率方法）来看，我们可能会更加强调生成模型。例如，混合高斯模型、贝叶斯网络等。墨菲的《机器学习一个概率视角》一书可能会让你对这个分支有更好的了解。

“概率方法”一词意味着您课堂上教授的推理和推理将植根于概率论的成熟领域。该术语通常（但不总是）与“贝叶斯”方法同义，因此，如果您接触过贝叶斯推理，您应该毫无问题地学习概率方法。

我没有足够的经验来说明存在哪些其他机器学习方法，但我可以为您指出一些关于概率范式的优秀参考文献，我认为其中一个是经典的，另一个很快就会成为：

• Jaynes, ET (2003)概率论：科学的逻辑。剑桥大学出版社，纽约。
• Murphy, K. (2012)机器学习：概率视角。麻省理工学院出版社，剑桥。