人工智能這么火，數(shù)據(jù)挖掘和機器學習有什么區(qū)別？工作之后，我知道的第一個概念是數(shù)據(jù)挖掘，而不是機器學習。因此，我認為數(shù)據(jù)挖掘的概念比較廣泛，屬于工程應用范疇。五年前，我們公司談論數(shù)據(jù)挖掘并舉辦了這樣的比

人工智能這么火，數(shù)據(jù)挖掘和機器學習有什么區(qū)別？

工作之后，我知道的第一個概念是數(shù)據(jù)挖掘，而不是機器學習。因此，我認為數(shù)據(jù)挖掘的概念比較廣泛，屬于工程應用范疇。五年前，我們公司談論數(shù)據(jù)挖掘并舉辦了這樣的比賽。掌握了數(shù)據(jù)挖掘的應用軟件和標準流程，如SAS、Clementine等數(shù)據(jù)挖掘平臺。這些平臺大多基于圖形化操作，應用門檻較低。直到最近兩年，我們才開始談論機器學習、深度學習和人工智能。根據(jù)我的工作經(jīng)驗，數(shù)據(jù)挖掘是一個流行的概念。所有的業(yè)務部門都知道這個概念，而機器學習屬于專業(yè)化?，F(xiàn)在業(yè)務部門仍然不知道什么是機器學習。事實上，很難嚴格區(qū)分兩者的關系。如果你看看最權威的數(shù)據(jù)挖掘和機器學習教材，你會發(fā)現(xiàn)其中大部分都是重復的。因為他們是兩個名字，他們的重點應該是不同的。我的理解是，數(shù)據(jù)挖掘的后端與機器學習的前端重復，機器學習的后端與深度學習的前端重復。數(shù)據(jù)挖掘的前端是數(shù)據(jù)的收集、清理和處理，與大數(shù)據(jù)相關，涉及到數(shù)據(jù)倉庫，而機器學習并不關心這些。也就是說，要為機器學習提前準備好數(shù)據(jù)的原材料。機器學習更加關注學習問題，努力學習知識，像人類一樣理解世界。它們最大的區(qū)別在于：數(shù)據(jù)挖掘關注數(shù)據(jù)中的規(guī)則和知識，而不關心數(shù)據(jù)為什么產(chǎn)生這些規(guī)則和知識，也就是說，你只看到表象，卻不知道本質原因。相反，機器學習更關注學習數(shù)據(jù)的生成機制，即數(shù)據(jù)是從什么概率模型生成的。有時機器學習也被稱為統(tǒng)計學習，這就是原因。當數(shù)據(jù)生成機制出現(xiàn)時，數(shù)據(jù)中的規(guī)則將被自然地知道。正是因為機器學習注重數(shù)據(jù)生成機制的學習，產(chǎn)生了大量的研究內(nèi)容，發(fā)展了核機器、極大似然估計、最大熵模型、最大后驗估計、期望最大化算法、高斯過程、概率圖模型等，變分推理和其他工具。數(shù)據(jù)挖掘教科書通常沒有這些高級內(nèi)容。

傳統(tǒng)的機器學習一般對數(shù)據(jù)生成機制做一些先驗假設，比如假設數(shù)據(jù)是高斯分布生成的，然后學習高斯分布的參數(shù)。此外，如果沒有這樣的假設，應該怎么做？一般采用非參數(shù)密度估計技術，如核估計，近年來流行的與深度學習相結合的方法，如生成對抗網(wǎng)絡（Gans）、變分自編碼等，它是指用適當?shù)慕y(tǒng)計分析方法對采集到的大規(guī)模數(shù)據(jù)進行分析，并對其進行分類是對數(shù)據(jù)進行詳細的研究和歸納，以提取有用信息并形成結論的過程；

是指利用相關算法從大量數(shù)據(jù)中挖掘出隱藏信息的過程。

我們可以簡單地理解，一個是從廣度上的數(shù)據(jù)處理過程，另一個是從深度上的數(shù)據(jù)處理過程。

通過對大量數(shù)據(jù)的整理和解讀，可以分析出企業(yè)的現(xiàn)狀，通過數(shù)據(jù)反映出當前企業(yè)管理中存在的問題，并可以深入追溯出相應問題的原因，最終確定相關責任人，保證數(shù)據(jù)的可追溯性，輔助企業(yè)的整體管理和運營；而數(shù)據(jù)挖掘可以對企業(yè)隱藏有價值的數(shù)據(jù)，企業(yè)要想更好地發(fā)展，就必須處理好當前企業(yè)發(fā)展中存在的問題，重點關注企業(yè)的發(fā)展未來的企業(yè)。數(shù)據(jù)分析和數(shù)據(jù)挖掘在企業(yè)中的實際應用，可以更好地支持企業(yè)的經(jīng)營管理，為企業(yè)向更高、更遠的方向發(fā)展提供決策分析。