机器学习是人工智能最活跃的研究领域之一，它涉及到学习过程计算模型的研究和开发。机器学习领域研究的一个主要目标是建立一个计算机系统，该系统能够在没有明确编程的情况下自主学习和获取知识。数据挖掘是一个将其灵感和技术归功于机器学习的领域。因此，机器学习和数据挖掘通常是同义词，但请放心，它们是具有不同目标的非常不同的概念。

什么是数据挖掘(a data mining)？

在这个数字时代，每一个连接到互联网的设备都会留下某种数字痕迹，几乎所有的自动化系统都会生成某种形式的数据。除此之外，我们日常生活的方方面面每天都会产生数TB或数PB的数据。数据的爆炸性增长是由于我们社会的数字化和移动设备数量的增加，以及强大的数据收集和存储工具的快速发展。因此，有必要对这些数据进行分析，以便通过数据分析产生一些新的信息。这就是数据挖掘的用武之地。数据挖掘是对大量数据进行分类和分析，并将其转换为标准格式的过程。数据挖掘将大量的原始数据转化为有用的信息。原始数据被收集并存储在商业数据库中，然后分析员使用广泛的技术在大批量数据中寻找模式，以便从中获得可操作的见解。

机器学习

机器学习是人工智能的一个分支，它是基于计算机系统或程序在没有明确编程的情况下自动从经验中学习的能力。学习是一个多方面的现象。同样，学习过程的多种表现形式的计算机建模构成了机器学习的主题。这是人工智能中最活跃的研究领域之一，它涉及学习过程计算模型的研究和开发。机器学习的目标是建立一个能够独立获取知识并从自身经验中提高性能的计算机系统。在现实世界中，我们可以看到机器学习技术在聊天机器人和基于语音的虚拟助理等领域的应用。机器学习涉及处理数据以寻找趋势或模式，这有助于进一步了解过程。然后可以使用该过程来预测用户行为。

数据挖掘与机器学习的区别

基础知识

–机器学习和数据挖掘都属于数据科学领域，这是有道理的，因为两者都与数据有关。这两个过程都有助于理解数据，从而进一步帮助解决复杂问题。这两个术语经常可以互换使用，这使得有时很难区分它们。

然而，数据挖掘是一个更一般的概念，它涉及将大量原始数据转化为有用的信息，而机器学习是一个包罗万象的术语，它涉及处理数据以寻找趋势或模式。

目的

–在实践中，数据挖掘的两个主要目标往往是预测和描述。在预测方面，数据挖掘的目标是使用数据集中的一些变量或字段来预测其他感兴趣变量的未知值或未来值，而描述性数据挖掘的重点是通过识别大数据集中的模式和关系来理解分析的系统。

另一方面，机器学习的目的是使用一套工具和技术来构建完整的、自主的学习系统，其中智能是通过智能来学习的，而不是诱导的。

概念

–数据挖掘和机器学习之间肯定有重叠，但两者之间的一个关键区别是如何使用数据。数据挖掘是从多个来源对大量数据进行深入挖掘，从数据中提取有用信息，并发现预测未来结果的模式的过程。

机器学习通过使用复杂的算法和数据挖掘方法来建立由数学公式、决策准则和多维参数组成的模型，从而在不需要人为干预的情况下预测未来的结果，从而使事情更进一步。

分析

–数据挖掘需要人工干预，以汇集和整理大量数据，这些数据可能是任意的、非结构化的，甚至是以一种立即适合自动化处理的格式。数据挖掘分析师使用各种各样的技术来对从各种来源提取的数据进行排序。然后收集、处理数据，并将其转换为标准格式，以评估未来事件。

机器学习更深入，允许机器和计算机系统从新数据中学习，并在没有明确编程的情况下自行获取知识。因此，当机器从自己的经验中学习时，不需要人工干预。

数据挖掘与机器学习：比较图

总结

简言之，数据挖掘是从大量原始数据中提取信息的过程，这些数据可能是任意的、非结构化的，甚至是以一种立即适合自动化处理的格式。然后收集、处理数据，并将其转换为更标准化的格式。另一方面，机器学习使用强大的分析技术在复杂的数据中找到有价值的潜在模式来预测未来的结果。机器学习基本上是教计算机系统在没有人为干预的情况下自主工作。