机器学习数据分析-{下拉词

大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习数据分析的问题，于是小编就整理了1个相关介绍机器学习数据分析的解答，让我们一起看看吧。

1. 人工智能这么火，数据挖掘和机器学习有什么区别？

人工智能这么火，数据挖掘和机器学习有什么区别？

工作后，我首先知道的概念是数据挖掘，而不是机器学习。因此我想数据挖掘这个概念更加广泛，属于工程应用范畴。5年前，我单位谈的都是数据挖掘，也举办这类竞赛，我们也掌握了数据挖掘的应用软件和数据挖掘标准流程，比如sas，clementine等数据挖掘平台。这些平台多数基于图形化操作，应用门槛较低。最近两年才开始谈机器学习，深度学习和人工智能等概念。从我工作经历来讲，数据挖掘是比较大众化的说法，单位业务部门都知道这个概念，而机器学习属于专业化的说法，现在业务部门还不清楚机器学习究竟是什么。其实很难严格去区分两者的关系，看看最权威的数据挖掘和机器学习的教材，你会发现它们大部分都是重复的。既然是两个名称，那么它们的侧重点应该是不一样的。我的理解是数据挖掘的后端与机器学习的前端重复，机器学习的后端与深度学习的前端重复。数据挖掘的前端是数据收集，清洗和处理等，和大数据有关，都涉及数据仓库等内容，但机器学习并不关心这些，也就是说数据这种原材料对机器学习来说应该要事先准备好了，机器学习更加注重学习问题，努力像人类一样学习知识，理解世界。它们最大的区别是：

数据挖掘注重挖掘数据中的规律和知识，但不关心数据为什么会产生这些规律和知识，也就说你只看到表象，并不知道本质原因。而机器学习恰恰相反，机器学习更加注重学习数据的生成机制，即数据究竟由什么概率模型生成的。有时机器学习也叫统计学习就是这个原因。数据的生成机制出来了，那么数据中的规律自然而然就知道了。正是因为机器学习注重数据的生成机制学习，产生大量的研究内容，发展出核机器，极大似然估计，最大熵模型，最大后验估计，期望最大化算法，高斯过程，概率图模型，变分推理等工具。后面这些高级内容，数据挖掘教材一般是没有的。

传统机器学习一般对数据生成机制做一些先验***设，如***设数据由高斯分布生成的，然后学习高斯分布的参数。进一步，如果没有这些***设，应该怎么做？一般使用非参数密度估计技术，如核估计，最近流行和深度学习结合，如生成式对抗网络(GANs)，变分自编码器等。

数据挖据和机器学习是处理数据的两个步骤。

数据挖据提供数据管理技术，机器学习提供数据分析处理技术。

举个简单的例子，马云想知道在淘宝里什么用户喜欢买些什么。

首先分析这个问题，要分用户、类别产品类别进行信息***集。并不是所有的淘宝购买信息都要，只要用户的年龄、性别和购买物品的类别以及收藏栏和购物车这些信息。那么这时，用户购买的时间、用户购买时付的费用这些都是无关数据。

这时候就要用到数据挖掘技术了，常用的数据挖据方法是爬虫（这里提醒广大用户，爬虫需要兼顾道德和法律责任，酌情使用）。淘宝自己则不用爬虫，直接运用数据挖掘技术在海量的数据里提取上文说的所需要的信息，这是一个复杂并且漫长的过程。

当所需要的年龄、性别、以及购物类别数据***集完成并分类完成，这时候就需要神经网络来工作了。根据数据分类选择神经网络的种类，并优选网络节点、函数，设定阈值，最后开始训练。最后就得到马云想知道的东西了。

综上所述，数据挖掘侧发现知识，机器学习侧重认识事物，两者相辅相成。

到此，以上就是小编对于机器学习数据分析的问题就介绍到这了，希望介绍关于机器学习数据分析的1点解答对大家有用。