围绕着大数据和机器学习这两个术语，以及它们如何改变你的业务，已经有了太多的故事和炒作。这些通常被描述为对所有那些给组织带来问题的事情的最终解决方案。难怪这些是当今最常被谈论的流行语，但人们几乎不了解每个概念的细微差别。这两个术语在新时代的技术中都非常流行，从社交网络到网上购物的一切都与大数据和机器学习直接相关。大数据与高性能计算有关，而机器学习是数据科学的一部分。让我们分别来看这两个问题。

什么是大数据(big data)？

大数据是一个术语，用于描述来自新数据源的大量数据集，这些数据源过于庞大和复杂，无法用传统的数据处理技术处理。在某些技术情况下，大数据意味着从互联网上挖掘或生成的PB级、非结构化数据块。大数据是一个庞大而多样的信息体，有了合适的工具，大数据可能会非常有价值。“大数据”一词最早出现在20世纪90年代末，第一篇学术论文发表于2003年，作者是弗朗西斯X。Diebolt—“宏观经济因素测量和预测的大数据动态因素模型”——但主要归功于JohnMashey，他是第一个使用“大数据”一词的人。一些关键技术和有影响力的事件为大数据时代铺平了道路。

什么是机器学习(machine learning)？

如果说大数据描述了我们所掌握的大量数据和信息，那么机器学习描述了分析这些数据的方法。机器学习是人工智能（AI）的一个子集，它利用统计技术赋予机器和计算机独立学习的能力，而无需显式编程。机器学习是指机器自主学习的能力。人类通过编程让计算机学习而不必告诉他们该做什么。机器通过观察数据来学习。其思想是利用现有数据进行学习，然后根据通过学习发现的特征，找到新数据的预测值。机器学习指的是基于概率和数据，自行学习以推断结果的算法。可以说，这是一个软件应用程序学习提高其准确性以预测结果的过程。

大数据与机器学习的区别

术语

–大数据是一个术语，用于描述来自新数据源的大量数据集，这些数据源过于庞大和复杂，无法用传统的数据处理技术处理。大数据指的是每天以极快的速度生成的数据，这些数据需要处理、存储和分析，以备将来的洞察。

另一方面，机器学习是指机器在不进行显式编程的情况下，从现有数据中自主学习的能力。

概念

–大数据是一个庞大而多样的信息体，有了正确的工具，大数据可能会非常有价值。大数据是指从各种来源收集的大量、多样化的数据集，包括社交媒体、物联网、感官设备、云存储、网站等。然后收集数据并分析隐藏的模式和其他有用的信息。

机器学习被用来发现人类分析师看不到的模式，这些模式后来可以转化为有价值的见解。

目的

–大数据涉及存储、摄取和数据提取工具，如Hadoop。大数据的目的是通过识别隐藏的模式或从数据中提取信息来分析大量数据，从而提供有助于做出更好决策、追求新的商业模式或获得显著竞争优势的见解。

机器学习的目的是利用已有的数据进行学习，然后根据学习得到的特征对新数据进行预测。

应用

–大数据在几乎所有垂直行业都有大量战略业务应用，包括医疗保健、零售、保险、运输、电子商务和电信。大数据可用于实时优化流程和资产利用率，丰富客户解决方案的质量，提供更好的见解，加速创新过程等。

机器学习的实际应用包括虚拟助手、智能设备、交通预测和天气报告、视频监控、面部识别、恶意软件过滤、计算机视觉等等。

大数据与机器学习：对比图

总结 - 大数据时代(of big data) vs. 机器学习(machine learning)

简而言之，大数据与高性能计算有关，而机器学习是数据科学的一部分。这个想法是获得正确的数据，并使用计算机来识别人类以前看不到或找不到的模式。大数据是以新的、有效的方式存储、操作和分析来自各种来源的数据的过程。如果说大数据描述了我们所掌握的大量数据和信息，那么机器学习描述了分析这些数据的方法。机器学习是机器或计算机从现有数据中学习，并在这些数据中找到人类无法找到的模式的能力。