El aprendizaje computacional, más concretamente el marco probablemente aproximadamente correcto ( PAC ), responde preguntas como: ¿cuántos ejemplos de capacitación se necesitan para que un alumno aprenda con alta probabilidad una buena hipótesis? ¿Cuánto esfuerzo computacional necesito aprender con alta probabilidad de tal hipótesis? No trata con el clasificador concreto con el que está trabajando. Se trata de lo que puedes y no puedes aprender con algunas muestras a mano.
En la teoría del aprendizaje estadístico, prefiere responder preguntas del tipo: ¿cuántas muestras de entrenamiento clasificará erróneamente el clasificador antes de que haya convergido en una buena hipótesis? es decir, ¿qué tan difícil es entrenar a un clasificador y qué garantías tengo sobre su rendimiento?
Lamentablemente, no conozco una fuente donde estas dos áreas se describen / comparan de manera unificada. Aún así, aunque no hay muchas esperanzas que ayuden