機器學習是人工智慧最活躍的研究領域之一，它涉及到學習過程計算模型的研究和開發。機器學習領域研究的一個主要目標是建立一個計算機系統，該系統能夠在沒有明確程式設計的情況下自主學習和獲取知識。資料探勘是一個將其靈感和技術歸功於機器學習的領域。因此，機器學習和資料探勘通常是同義詞，但請放心，它們是具有不同目標的非常不同的概念。

什麼是資料探勘(a data mining)？

在這個數字時代，每一個連線到網際網路的裝置都會留下某種數字痕跡，幾乎所有的自動化系統都會生成某種形式的資料。除此之外，我們日常生活的方方面面每天都會產生數TB或數PB的資料。資料的爆炸性增長是由於我們社會的數字化和移動裝置數量的增加，以及強大的資料收集和儲存工具的快速發展。因此，有必要對這些資料進行分析，以便透過資料分析產生一些新的資訊。這就是資料探勘的用武之地。資料探勘是對大量資料進行分類和分析，並將其轉換為標準格式的過程。資料探勘將大量的原始資料轉化為有用的資訊。原始資料被收集並儲存在商業資料庫中，然後分析員使用廣泛的技術在大批次資料中尋找模式，以便從中獲得可操作的見解。

機器學習

機器學習是人工智慧的一個分支，它是基於計算機系統或程式在沒有明確程式設計的情況下自動從經驗中學習的能力。學習是一個多方面的現象。同樣，學習過程的多種表現形式的計算機建模構成了機器學習的主題。這是人工智慧中最活躍的研究領域之一，它涉及學習過程計算模型的研究和開發。機器學習的目標是建立一個能夠獨立獲取知識並從自身經驗中提高效能的計算機系統。在現實世界中，我們可以看到機器學習技術在聊天機器人和基於語音的虛擬助理等領域的應用。機器學習涉及處理資料以尋找趨勢或模式，這有助於進一步瞭解過程。然後可以使用該過程來預測使用者行為。

資料探勘與機器學習的區別

基礎知識

–機器學習和資料探勘都屬於資料科學領域，這是有道理的，因為兩者都與資料有關。這兩個過程都有助於理解資料，從而進一步幫助解決複雜問題。這兩個術語經常可以互換使用，這使得有時很難區分它們。

然而，資料探勘是一個更一般的概念，它涉及將大量原始資料轉化為有用的資訊，而機器學習是一個包羅永珍的術語，它涉及處理資料以尋找趨勢或模式。

目的

–在實踐中，資料探勘的兩個主要目標往往是預測和描述。在預測方面，資料探勘的目標是使用資料集中的一些變數或欄位來預測其他感興趣變數的未知值或未來值，而描述性資料探勘的重點是透過識別大資料集中的模式和關係來理解分析的系統。

另一方面，機器學習的目的是使用一套工具和技術來構建完整的、自主的學習系統，其中智慧是透過智慧來學習的，而不是誘導的。

概念

–資料探勘和機器學習之間肯定有重疊，但兩者之間的一個關鍵區別是如何使用資料。資料探勘是從多個來源對大量資料進行深入挖掘，從資料中提取有用資訊，併發現預測未來結果的模式的過程。

機器學習透過使用複雜的演算法和資料探勘方法來建立由數學公式、決策準則和多維引數組成的模型，從而在不需要人為幹預的情況下預測未來的結果，從而使事情更進一步。

分析

–資料探勘需要人工幹預，以彙集和整理大量資料，這些資料可能是任意的、非結構化的，甚至是以一種立即適合自動化處理的格式。資料探勘分析師使用各種各樣的技術來對從各種來源提取的資料進行排序。然後收集、處理資料，並將其轉換為標準格式，以評估未來事件。

機器學習更深入，允許機器和計算機系統從新資料中學習，併在沒有明確程式設計的情況下自行獲取知識。因此，當機器從自己的經驗中學習時，不需要人工幹預。

資料探勘與機器學習：比較圖

總結

簡言之，資料探勘是從大量原始資料中提取資訊的過程，這些資料可能是任意的、非結構化的，甚至是以一種立即適合自動化處理的格式。然後收集、處理資料，並將其轉換為更標準化的格式。另一方面，機器學習使用強大的分析技術在複雜的資料中找到有價值的潛在模式來預測未來的結果。機器學習基本上是教計算機系統在沒有人為幹預的情況下自主工作。