1、大數據 （海量數據的存取，會設計到數據庫技術）

大數據就是許多數據的聚合；
大數據的特征：
1、數據量大
2、結構復雜
3、數據更新速度快

2、機器學習 （理論和工具）

機器學習是人工智能的核心，要對大數據進行發掘，靠人工肯定是做不到的，要通過一個模型讓計算機按照模型去執行，就是機器學習。

3、數據挖掘 （用機器學習對大數據進行分析，挖掘出有用的知識）

機器學習方法在大型數據庫中的應用稱為數據挖掘(Data Mining)
數據挖掘就是把大數據的價值發掘出來，比如根據過去30年的氣象數據，通過數據挖掘，幾乎可以預測明天的天氣是怎麽樣的，有較大概率是正確的；

相關應用如:

零售業分析歷史數據，來構建市場應用模型，預測產品的銷售情況；
制造業的學習模型用於故障檢測，來完善產品；
物理學、天文學、生物學的海量數據分析；

0、為什麽寫這篇博文
　　最近有很多剛入門AI領域的小夥伴問我：數據挖掘與機器學習之間的區別與聯系。為了不每次都給他們長篇大論的解釋，故此在網上整理了一些資料，整理成此篇文章，下次誰問我直接就給他發個鏈接就好了。

　　本篇文章主要闡述我個人在數據挖掘、機器學習等方面的學習心得，並搜集了網上的一些權威解釋，或許不太全面，但應該會對絕大多數入門者有一個直觀地解釋。

　　本文主要參照周誌華老師的：機器學習與數據挖掘 一文。有興趣的可以自行百度，其文對人工智能、數據挖掘、機器學習等演變歷程，有詳細介紹。

1、概念定義
首先，第一步，我們對機器學習和數據挖掘的定義做一下總結，看看大家有沒有一點體會：

　　機器學習：廣泛的定義為 “利用經驗來改善計算機系統的自身性能。”，事實上，由於“經驗”在計算機系統中主要是以數據的形式存在的,因此機器學習需要設法對數據進行分析,這就使得它逐漸成為智能數據分析技術的創新源之一,並且為此而受到越來越多的關註。

　　數據挖掘：一種解釋是“識別出巨量數據中有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程”，顧名思義，數據挖掘就是試圖從海量數據中找出有用的知識。

2、關系與區別
2.1 關系
　　 數據挖掘可以認為是數據庫技術與機器學習的交叉，它利用數據庫技術來管理海量的數據，並利用機器學習和統計分析來進行數據分析。其關系如下圖：

　　數據挖掘受到了很多學科領域的影響,其中數據庫、機器學習、統計學無疑影響最大。粗糙地說,數據庫提供數據管理技術,機器學習和統計學提供數據分析技術。由於統計學界往往醉心於理論的優美而忽視實際的效用,因此,統計學界提供的很多技術通常都要在機器學習界進一步研究,變成有效的機器學習算法之後才能再進入數據挖掘領域。從這個意義上說,統計學主要是通過機器學習來對數據挖掘發揮影響,而機器學習和數據庫則是數據挖掘的兩大支撐技術。

2.2 區別
　　 數據挖掘並非只是機器學習在工業上的簡單應用，他們之間至少包含如下兩點重要區別：

1.傳統的機器學習研究並不把海量數據作為處理對象，因此，數據挖掘必須對這些技術和算法進行專門的、不簡單的改造。

2.作為一個獨立的學科，數據挖掘也有其獨特的東西，即：關聯分析。簡單地說,關聯分析就是希望從數據中找出“買尿布的人很可能會買啤酒”這樣看起來匪夷所思但可能很有意義的模式。

詳解數據挖掘與機器學習的區別與聯系