人工智能這么火，數(shù)據(jù)挖掘和機器學(xué)習(xí)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(xué)習(xí)。因此，我認為數(shù)據(jù)挖掘的概念比較廣泛，屬于工程應(yīng)用范疇。五年前，我們公司談?wù)摂?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(xué)習(xí)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(xué)習(xí)。因此，我認為數(shù)據(jù)挖掘的概念比較廣泛，屬于工程應(yīng)用范疇。五年前，我們公司談?wù)摂?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(yīng)用軟件和標(biāo)準(zhǔn)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(yīng)用門檻較低。直到最近兩年，我們才開始談?wù)摍C器學(xué)習(xí)、深度學(xué)習(xí)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(wù)部門都知道這個概念，而機器學(xué)習(xí)屬于專業(yè)化。現(xiàn)在業(yè)務(wù)部門仍然不知道什么是機器學(xué)習(xí)。事實上，很難嚴格區(qū)分兩者的關(guān)系。如果你看看最權(quán)威的數(shù)據(jù)挖掘和機器學(xué)習(xí)教材，你會發(fā)現(xiàn)其中大部分都是重復(fù)的。因為他們是兩個名字，他們的重點應(yīng)該是不同的。我的理解是，數(shù)據(jù)挖掘的后端與機器學(xué)習(xí)的前端重復(fù)，機器學(xué)習(xí)的后端與深度學(xué)習(xí)的前端重復(fù)。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(guān)，涉及到數(shù)據(jù)倉庫，而機器學(xué)習(xí)并不關(guān)心這些。也就是說，要為機器學(xué)習(xí)提前準(zhǔn)備好數(shù)據(jù)的原材料。機器學(xué)習(xí)更加關(guān)注學(xué)習(xí)問題，努力學(xué)習(xí)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(guān)注數(shù)據(jù)中的規(guī)則和知識，而不關(guān)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(zhì)原因。相反，機器學(xué)習(xí)更關(guān)注學(xué)習(xí)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(xué)習(xí)也被稱為統(tǒng)計學(xué)習(xí)，這就是原因。當(dāng)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(xué)習(xí)注重數(shù)據(jù)生成機制的學(xué)習(xí)，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(xué)習(xí)一般對數(shù)據(jù)生成機制做一些先驗假設(shè)，比如假設(shè)數(shù)據(jù)是高斯分布生成的，然后學(xué)習(xí)高斯分布的參數(shù)。此外，如果沒有這樣的假設(shè)，應(yīng)該怎么做？一般采用非參數(shù)密度估計技術(shù)，如核估計，最近流行的與深度學(xué)習(xí)相結(jié)合的方法，如生成對策網(wǎng)絡(luò)（Gans），變分自編碼器等

你們班有10個女生和40個男生。你可以分析，在最理想的情況下，至少會有20個單身漢。這是數(shù)據(jù)分析

！然而，你結(jié)合了你的身高、體重、外貌、個性、愛好、家庭背景和對未來妻子的享受。你找一個女孩a可能是你的菜，你的成功率很高，你知道她的很多秘密，愛好，你知道努力的方向。深挖，終于進入婚姻的殿堂。這就是數(shù)據(jù)挖掘。