统计学习（Statistical Learning）是一门 基于数据构建概率统计模型并运用模型对数据进行预测与分析的学科。它具有以下特点：

以计算机和网络为平台：

统计学习依赖于计算机和网络技术来处理和分析数据。

以数据为对象：

统计学习的核心是数据，通过数据驱动的方法来构建模型和进行预测。

目的是对数据进行预测和分析：

统计学习旨在通过构建模型来预测未知数据，并对数据进行深入的分析和理解。

以方法为中心：

统计学习方法包括模型的假设空间（描述数据的数学形式或结构，如线性模型、决策树、神经网络等）、模型选择的准则（评估模型好坏，如最小化均方误差、对数损失函数等）以及模型学习的算法（求解模型参数的具体方法，如梯度下降法、牛顿法等）。

交叉学科：

统计学习是概率论、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科。

统计学习也称为统计机器学习（Statistical Machine Learning），现在人们提到机器学习时，往往也是指统计机器学习。统计学习从给定的、有限的、用于学习的训练数据集合出发，假设数据是独立同分布产生的，并且假设要学习的模型属于某个函数的集合，称为假设空间。通过应用某个评价准则，从假设空间中选取一个最优的模型，使其对已知训练数据及未知测试数据在给定的评价准则下有最优的预测。

总结来说，统计学习是通过计算机和统计方法，从数据中学习模型并进行预测和分析的一门学科。它广泛应用于各种领域，包括数据分析、机器学习和数据挖掘等。