今天，几乎每个公司都在关注这个问题：数据。企业正在以前所未有的数量收集和处理数据。他们也在使用复杂的数据分析解决方案，以释放有价值的商业洞察力。
我们一直在支持不同规模的公司的数字化转型之旅，为他们提供定制的数据科学服务。我们的经验表明，"数据科学 "和相关术语，如 "机器学习 "或 "数据挖掘"，会产生相当多的混淆。
请继续阅读，了解数据挖掘、机器学习和数据科学之间的主要异同。
什么是机器学习？
外面有很多机器学习的定义，但这里有一个简单的定义。机器学习是数据科学的一个子领域，涉及到能够从数据中学习并做出准确预测的算法。创新的方法，如神经网络和深度学习。机器学习使用有监督和无监督的学习方法来训练算法。
机器学习的例子
为了帮助你了解机器学习的能力，以下是这项技术的三个应用，它们为许多现实世界的产品提供了动力。
图像识别
这是机器学习最常见的用例之一，它在许多不同的行业中获得了吸引力。这里的想法是建立能够识别和分类数字图像或视频上的物体的软件。例如，开发人员可以使用机器学习来建立一个工具，识别图像中的人脸，然后将其与存储在数据库中的图片相匹配。图像识别软件已经在零售、医疗保健和娱乐等行业发现了许多应用。例如，它使医疗行业能够推出由使用计算机视觉和图像识别技术的机器人提供的新的微手术程序。
语音识别
机器学习的另一个常见用例是语音识别应用。这类解决方案可以识别口头语言，并将其转换为文本文件，或在遵循语音命令的情况下采取行动。亚马逊的Alexa或Google Now等虚拟助手依靠语音识别为用户带来丰富的可能的行动选择，他们可以采取。这样的语音用户界面允许执行语音搜索、拨号、家电控制、呼叫路由，甚至是数据输入。
医学诊断
机器学习的强大能力正在改变着医疗保健。该技术目前在疾病诊断方面有很多用途。医生用它来分析临床参数和它们的具体组合，以预测疾病的发展、治疗计划和病人监测。医疗保健提供者也使用由人工智能驱动的聊天机器人，配备语音识别功能，以识别病人症状的模式，并帮助产生潜在的诊断，甚至建议采取适当的行动方案。
什么是数据挖掘？
数据挖掘是一个跨学科领域，专注于发现数据集的属性。为了实现这一目标，数据挖掘可以采取不同的方法。机器学习是其中之一。其他方法包括拓扑数据分析或数据可视化。
数据挖掘实例
以下是数据挖掘的三个现实世界的使用案例，展示了这种分析数据的方法的多样性。
市场营销
企业使用数据挖掘来探索他们日益庞大的客户数据数据库。通过分析客户人口数据和其他参数之间的关系，这种解决方案可以预测他们的行为，以指导个性化的营销活动。这种工具在需要处理大量数据的市场细分方面也很方便。数据挖掘帮助公司了解客户的兴趣和偏好，以提供更有效的营销信息和产品。
零售业
商店和超市使用数据挖掘来生成联合购买模式，以确定产品关联。这样的洞察力帮助商店决定如何在过道和货架上放置商品，以产生最大的收入。数据挖掘还有助于确定客户最看重的优惠，并通过在正确的时间向正确的人提供这些优惠来增加销售，例如，在结账队伍中。
银行业
银行将数据挖掘工具用于广泛的目的。市场风险是一个突出的应用领域。金融服务公司将数据挖掘应用于信用评级。该技术还为反欺诈系统提供动力，该系统分析交易、购买模式、卡片交易和客户财务数据，以识别威胁。银行可以通过收集客户的在线行为数据来更多地了解他们的客户。数据挖掘有助于优化营销活动的投资回报率，管理监管合规义务，并更多地了解个别营销渠道的表现。
机器学习和数据挖掘的区别
现在你知道什么是机器学习和数据挖掘了，你可能还在问自己这个问题。机器学习与数据科学之间有什么区别？两者有什么共同之处吗？数据挖掘又是如何进入这个方程式的？
花点时间回答这些问题是值得的。这就是你如何加深对数据科学和分析的理解，以及它们可能给你的公司带来的潜在好处。
让我们从这个开始。
数据挖掘和机器学习都是植根于数据科学的。
但这两个领域之间有几个关键的区别。我们在下面列出其中的几个。
学习来源
虽然数据挖掘和机器学习使用相同的基础--数据，但它们以不同的方式从其中汲取学习。
在数据挖掘中，数据科学家分析现有的信息，找到包含可能影响决策过程的洞察力的新兴模式。例如，一家时尚电子商务公司可以通过数以百万计的客户记录来决定在新一季推出哪些造型。数据挖掘技术将帮助该组织探索最畅销的商品，看看哪些商品最常被退回，以及客户的总体反馈是什么。通过将这些知识纳入销售策略，公司可以提高其收入，做出更准确的产品推荐，并提供更好的客户体验。
另一方面，机器学习从现有的数据中学习，并为机器自学提供所需的基础。机器学习算法可以分析模式，然后从中学习，为未来的任务调整其行为。这就是为什么数据科学家将数据挖掘作为机器学习的来源。这里的区别是，数据挖掘不需要经过人的设定，就能自行从数据中学习应用洞察力。
模式识别
只有当你希望从数据中得出有意义的结论时，收集数据才有意义。这就是为什么公司投资于能够分析大量数据的软件，找到模式，并提供有价值的信息。
数据挖掘算法使数据科学家能够揭示其数据库中的模式。要做到这一点，他们使用数据挖掘的类型，如序列分析和分类。
另一方面，机器学习使用数据挖掘来做到这一点--然后它自动根据收集的数据调整其行动。这就是为什么机器学习算法在安全等领域如此有效。例如，ML可以寻找模式，以确定用户如何访问系统或云中的数据，并以高精确度确定潜在的恶意软件，而不需要由人进行监控。
应用
数据挖掘和机器学习的最后一个关键区别是，它们被用来解决不同的问题。
例如，数据科学家使用数据挖掘来发现数据之间的联系和发现模式。投资基金使用数据挖掘和网络刮擦来了解一个公司是否值得投资。数据挖掘可用于分析销售趋势、社交媒体资料、数字资产、网站等，以预测不断变化的客户需求的未来趋势。
机器学习找到了不同的现实世界的用例，因为它可以自动生成相关关系，并从中学习，将知识应用于新的算法。例如，Uber使用机器学习来计算乘车的ETA或UberEATS的送餐时间。自动驾驶汽车使用ML来适应新的条件，同时快速行驶。机器学习是用户从亚马逊购买产品时看到的即时产品推荐背后的技术。关于ML的最好的事情是，它的算法被设计为随着时间的推移而改进，并提供越来越准确的结果。
| 数据挖掘 | 机器学习 |
| 从现有数据中学习 | 从现有数据中学习，帮助机器自我教导 |
| 识别模式 | 识别模式并使其分析适应不断变化的数据集 |
| 需要人为监控以进行改进 | 自动提高准确性 |
总结
数据挖掘和机器学习是当今数据科学的两个基本领域。希望从海量数据集中解锁洞察力的公司，在决定投资一个解决方案之前，需要仔细研究它们各自的好处和潜在的用例。数据挖掘与机器学习的问题只是你在为你的企业建立最佳解决方案时需要问的众多问题之一。
