数据挖掘 Vs.机器学习：关键区别
目录
我们快速发展的数字世界已经普及了许多新的术语和短语，很容易被淹没或失去方向。技术词汇的冲击让人喘不过气来。人们很容易交替使用陌生的新词，而不知道这些词是指两种不同的东西。
具体来说，这就是 "数据挖掘"和 "机器学习"所面临的问题。由于一些共同的特点，这两个术语之间的界限有时会变得模糊。
什么是数据挖掘？
数据挖掘被认为是从大量数据中提取有用信息的过程。它用于在数据中发现新的、准确的和有用的模式，为需要它的组织或个人寻找意义和相关信息。这是一个人类使用的工具。
什么是机器学习？
另一方面，机器学习是发现算法的过程，这些算法有改进的礼貌，来自数据的经验。它是设计、研究和开发允许机器在没有人类干预下学习的算法。它是一种使机器更聪明的工具，消除了人类的因素（但不是消除人类本身；那是错误的）。
它们有什么共同点？
数据挖掘和机器学习都属于数据科学的范畴，这很合理，因为它们都使用数据。这两个过程都用于解决复杂的问题，因此，许多人（错误地）将这两个术语互换使用。考虑到机器学习有时被用作进行有用的数据挖掘的手段，这并不那么令人惊讶。虽然从数据挖掘中收集的数据可以用来教机器，但这两个概念之间的界限变得有些模糊。
此外，这两个过程采用相同的关键算法来发现数据模式。虽然它们的预期结果最终不同，但随着你的阅读，这一点会变得很清楚。
数据挖掘和机器学习的区别
因此，我们看到它们的相似之处很少，但由于数据的重叠，混淆这两个术语还是很自然的。另一方面，这两者之间也有相当多的区别。因此，为了清晰和组织，我们要给每一个人的子弹项目。
让我们深入了解一下数据挖掘和机器学习之间的一些区别。
-
它们的年龄
首先，数据挖掘比机器学习早了20年，后者最初被称为数据库中的知识发现（KDD）。数据挖掘在某些领域仍被称为KDD。机器学习是在一个跳棋游戏程序中首次亮相的。数据挖掘在20世纪30年代就已经出现了；机器学习出现在20世纪50年代。
-
它们的目的
数据挖掘是为了从大量的数据中提取规则，而机器学习则是教计算机如何学习和理解给定的参数。或者换个说法，数据挖掘只是一种研究方法，根据收集到的数据总数来确定一个特定的结果。在硬币的另一面，我们有机器学习，它训练一个系统来执行复杂的任务，并使用收获的数据和经验来变得更聪明。
-
它们的用途
数据挖掘依赖于庞大的数据存储（如大数据），然后，反过来，它被用来为企业和其他组织做出预测。另一方面，机器学习是利用算法，而不是原始数据。
-
人类的因素
这里有一个相当重要的区别。数据挖掘依赖于人类的干预，并且最终是为人们的使用而创造的。而机器学习存在的全部理由是它可以自学，不依赖人类的影响或行动。如果没有一个有血有肉的人使用它并与之互动，数据挖掘就完全不能发挥作用。另一方面，人类与机器学习的接触，几乎仅限于设置初始算法。然后就任其发展，这是一种 "设置好了就不去管它 "的过程。人们照看着数据挖掘；而机器学习的系统则是自己照顾自己。
-
它们之间的关系如何
另外，数据挖掘是一个包含两个要素的过程：数据库和机器学习。前者提供数据管理技术，而后者则提供数据分析技术。 因此，虽然数据挖掘需要机器学习，但机器学习不一定需要数据挖掘。虽然，有些情况下，来自数据挖掘的信息被用来查看关系之间的联系。毕竟，除非你有至少两份相互比较的信息，否则很难进行比较!因此，通过数据挖掘收集和处理的信息可以用来帮助机器学习，但同样，这不是必要的。更多的是把它看作是一种方便的东西，很容易拥有。
-
增长的能力
这里有一个简单的问题：数据挖掘不能学习或适应，而这正是机器学习的全部意义所在。数据挖掘遵循预先设定的规则，是静态的，而机器学习则是在合适的情况下调整算法。数据挖掘只有输入参数的用户才是聪明的；而机器学习意味着这些计算机越来越聪明。
-
如何使用它们
就效用而言，每个过程都有其专业性。数据挖掘被用于零售业，以摸清客户的购买习惯，从而帮助企业制定更成功的销售策略。社交媒体是数据挖掘的沃土，因为从用户资料、查询、关键词和分享中收集的信息可以汇集起来。这将帮助广告商把相关的促销活动放在一起。金融界利用数据挖掘来研究潜在的投资机会，甚至研究一个初创企业成功的可能性。收集这些信息有助于投资者决定是否要向新项目投入资金。如果数据挖掘早在90年代中期就得到完善，它很有可能防止90年代末优秀的互联网创业公司的崩溃。
同时，公司将机器学习用于自动驾驶汽车、信用卡欺诈检测、在线客户服务、垃圾邮件拦截、商业智能（例如，管理交易、收集销售结果、商业举措选择）和个性化营销等目的。依靠机器学习的公司包括Yelp、Twitter、Facebook、Pinterest、Salesforce等重磅公司，以及一个你可能听说过的小搜索引擎。谷歌。
