數據挖掘，機器學習，和人工智能的區別

一、總結

一句話總結：

數據挖掘，機器學習，和人工智能 這三者的區別主要是【目的不同】，其【手段(算法，模型)有很大的重疊】，所以容易混淆。

【數據挖掘 (data mining)】：【模式提取，大數據】： 有目的地從現有大數據中提取數據的模式(pattern)和模型(model)

【機器學習(machine learning)】：【自動化，自我優化，預測，需要training data，推薦系統】：自動地從過往的經驗中學習新的知識。

【人工智能(AI)】：【和人一樣處理問題，技術的合集】：一個廣泛的概念，本質是用數據和模型去為現有的問題(existing problems)提供解決方法(solutions).

 

1、【數據挖掘 (data mining)】：【模式提取，大數據】： 有目的地從現有大數據中提取數據的模式(pattern)和模型(model)？

【數據挖掘會使用大量機器學習的算法】，但是其特定的【環境和目的】和機器學習不太一樣。

數據挖掘核心目的是找到【數據變量之間的關系】。其發展出來的主要原因是大數據的發展，【用傳統的數據分析的方式已經無能處理那么多大量的看似不相關的數據的處理】，因此需要數據挖掘技術去提取各種數據和變量之間的相互關系，從而精煉數據。

數據挖掘本質上【像是機器學習和人工智能的基礎】，他的主要目的是從各種各樣的數據來源中，提取出超集(superset)的信息，然后將這些信息合並讓你發現你從來沒有想到過的【模式和內在關系】。

 

2、數據挖掘是什么？

數據挖掘是指【從大量的數據中通過算法搜索隱藏於其中信息的過程】。

數據挖掘通常與計算機科學有關，並通過【統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法】來實現上述目標。

 

 

 

二、數據挖掘是什么

數據挖掘（計算機科學）_百度百科
https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98/216477

數據挖掘是指從大量的數據中通過算法搜索隱藏於其中信息的過程。

數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。

 

 

三、數據挖掘，機器學習，和人工智能的區別是什么？

轉自或參考：數據挖掘，機器學習，和人工智能的區別是什么？
https://blog.csdn.net/rocling/article/details/84446128

 

本文主要分為兩部分，第一部分闡述數據挖掘(data mining)，機器學習(machine learning)，和人工智能(AI)之間的區別。這三者的區別主要是目的不同，其手段(算法，模型)有很大的重疊，所以容易混淆。

第二部分主要闡述以上的技能與數據科學(data science)的關系，以及數據科學(data science)和商業分析(business analytics)之間的關系。其實，數據科學家本身就是商業分析師在大數據時代的延伸。

---

數據挖掘VS. 機器學習VS. 人工智能

數據挖掘 (data mining): 有目的地從現有大數據中提取數據的模式(pattern)和模型(model)

關鍵字：模式提取，大數據

數據挖掘是從現有的信息(existing information)中提取數據的模式(pattern)和模型(model)，即精選出最重要的信息，以用於未來機器學習和AI的數據使用。其核心目的是找到數據變量之間的關系。其發展出來的主要原因是大數據的發展，用傳統的數據分析的方式已經無能處理那么多大量的看似不相關的數據的處理，因此需要數據挖掘技術去提取各種數據和變量之間的相互關系，從而精煉數據。
數據挖掘本質上像是機器學習和人工智能的基礎，他的主要目的是從各種各樣的數據來源中，提取出超集(superset)的信息，然后將這些信息合並讓你發現你從來沒有想到過的模式和內在關系。這就意味着，數據挖掘不是一種用來證明假說的方法，而是用來構建各種各樣的假說的方法。數據挖掘不能告訴你這些問題的答案，他只能告訴你，A和B可能存在相關關系，但是它無法告訴你A和B存在什么相關關系。
當然，數據挖掘會使用大量機器學習的算法，但是其特定的環境和目的和機器學習不太一樣。

機器學習(machine learning): 自動地從過往的經驗中學習新的知識。

關鍵字: 自動化，自我優化，預測，需要training data，推薦系統

機器學習其實是人工智能很重要的一部分，因為目前，在實踐過程中，大多數的人工智能處理的任務，其實是用機器學習的方式完成的。機器學習可以用程序和算法自動地學習，只要被設計好了，這個程序可以進行自我優化。同時，機器學習需要一定數量的訓練數據集(training data set)，用於構建來自過往經驗的“知識” 。
且機器學習目前在實踐中最重要的功能便是預測結果。比如機器學習已經學習結束了，現在有一個新的數據集x，需要預測其分類，機器學習算法會根據這個新數據與學習后的“知識”相匹配(實際上，知識指的是學習后的數學模型)，然后將這個數據集x分類某類C去。再比較常見的機器學習，比如amazon的推薦系統。

人工智能(AI): 一個廣泛的概念，本質是用數據和模型去為現有的問題(existing problems)提供解決方法(solutions).

關鍵字：和人一樣處理問題，技術的合集

人工智能是一個與機器學習和數據挖掘相對不同的概念，人工智能的目的是為了去創造有智力的電腦(不知道怎么翻譯好，可以假設其為機器人)。在實踐中，我們希望這個電腦可以像有智力的人一樣處理一個任務。因此，理論上人工智能幾乎包括了所有和機器能做的內容，當然也包括了數據挖掘和機器學習的內容，同時還會有監視(monitor)和控制進程(process control)的內容。