İstatistiksel örüntü tanıma ve veri madenciliği anlamında makine öğrenmesi kesinlikle daha sıcak alanlardır, ancak evrimsel algoritmalarla ilgili araştırmaların özellikle yavaşladığını söyleyemem. İki alan genellikle aynı tür sorunlara uygulanmaz. Örneğin, veri odaklı bir yaklaşımın, çalışanların vardiyalarını en iyi şekilde nasıl programlayacağınızı ya da paketleri daha verimli bir şekilde nasıl planlayacağınızı çözeceğinizi hemen anlayamıyorsunuz.
Evrimsel yöntemler en çok örüntü tanıma yerine zor optimizasyon problemlerinde kullanılır. En doğrudan rakipler, operasyon araştırması yaklaşımları, temelde matematiksel programlama ve tabu arama, benzetilmiş tavlama ve topluca "meta-teknik" olarak bilinen düzinelerce diğer algoritmalar gibi diğer heuristik arama biçimleridir. PPSN, EMO, FOGA ve Evostar gibi daha küçük konferanslardan oluşan küçük bir konferans ve evrimsel hesaplamalar (GECCO ve CEC) hakkında çok büyük iki yıllık konferans ve en az iki büyük yüksek kaliteli dergi (Evrimsel Hesaplama ve MIT Basını IEEE İşlemleri) dergisi Evolution Computation) ve daha geniş odak noktalarının EC bölümünü içeren birkaç küçük olanlar.
Bunların hepsi, daha genel olarak "makine öğrenmesi" nin "sıcaklık" karşılaştırmasında olduğu düşünülen alanın daha genel olarak düşündüğü çeşitli avantajlar sunuyor. Birincisi, matematikçilerin her zaman sevdiği teorik zeminde daha sıkı olma eğilimindedir. İkincisi, veriler için altın çağa sahip bir şeyiz ve birçok modern makine öğrenme metodu gerçekten sadece tonlarca veri ve tonlarca işlem gücü verildiğinde parlamaya başlıyor ve her iki açıdan da zaman bir anlamda "sağ".