元算法（利用现有模型和推理步骤的工作流）在统计学中被广泛使用，比如最小二乘法，矩估计（the method of moments），最大似然，等等。
1||| 一些思想（boostrapping，超参数化模型和机器学习元分析）
直接利用了计算速度，这在计算机出现之前难以想象
2||| 除了计算能力以外，计算资源的分散也很重要：
台式计算机能让统计学家和计算机科学家尝试新方法，
然后由从业人员使用这些新方法
3||| 探索性数据分析最初是从纸笔图形开始，
但随着计算机图形学的发展，
探索性数据分析已经历彻底改变
4||| 过去，贝叶斯推理仅限于可以通过分析解决的简单模型。
随着计算能力的提高，变分和马尔可夫链模拟方法使得
模型构建和推理算法开发的分离成为可能，概率编程也
因此允许不同领域的专家能够专注于模型构建并自动完成推理。
5||| 自适应决策分析，贝叶斯优化和在线学习应用于计算和数据密集型问题
6||| 鲁棒的统计学不一定需要大量计算，但它的使用在一定程度上由计算驱动，与封闭式估计（如最小二乘法）有所区别
7||| 减少多元推理的合理性不仅可以通过统计效率来证明，还可以从计算层面证明：激发了一种新的渐近理论
8||| 反事实因果推理的关键思想与理论相关，而不是计算相关。但是，近年来，因果推理在使用计算密集的非参数方法后已有了发展，促进了统计学、经济学和机器学习中因果和预测模型的统一
在过去 50 年里所开发的许多机器学习元算法都有一个特征，就是它们会以某种方式拆分数据或模型
元算法和迭代计算在统计学中之所以重要，主要是有两个原因
除了最初开发的元算法示例以外，通过多个来源整合信息，或通过整合弱分类器（weak learner）来创建强分类器的通用想法可以得到广泛应用；
自适应算法在在线学习中发挥了很好的作用，最终被认为代表了现代统计观点：数据和计算分开，信息交换和计算架构是元模型或推理过程的一部分
