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 。
数据分析 ， 数据挖掘 ， 大数据 ， 机器学习 ， 深度学习 ， 统计分析的区别是什么？
这个问题最近刷到很多次 ， 看来是要回答一下了 。因实际工作中会接触数据分析、挖掘、大数据、机器学习及深度学习 ， 这里分享一下自己对这些概念的认知 。数据分析 主要是面向结论 。通常是通过人依赖自身的分析经验和对数据的敏感度（人智活动） ， 对收集来的数据进行处理与分析 ， 按照明确目标或维度进行分析（目标导向） ， 获取有价值的信息 。
比如利用对比分析、分组分析、交叉分析等方法 ， 完成现状分析、原因分析、预测分析 ， 提取有用信息和形成结论 。数据挖掘 主要是面向决策 。通常是指从海量（巨量）的数据中 ， 挖掘出未知的且有价值的信息或知识的过程（探索性） ， 更好地发挥或利用数据潜在价值 。比如利用规则、决策树、聚类、神经网络等概率论、统计学、人工智能等方法 ， 得出规则或者模型 ， 进而利用该规则或模型获取相似度、预测值等数据实现海量数据的分类、聚类、关联和预测 ， 提供决策依据 。
需要注意 ， 较传统数据挖掘主要针对相对少量、高质量的样本数据 ， 机器学习的发展应用使得数据挖掘可以面向海量、不完整 、有噪声、模糊的数据 。数据统计 同样是面向结论 ， 只不过是是把模糊估计的结论变得精确而定量 。比如 。得出具体的总和、平均值、比率的统计值 。从广义上讲 ， 广义的数据分析分为如上介绍的数据分析、数据挖掘、数据统计三个方向 。
【数据挖掘技术学习,一文看懂数据挖掘】机器学习 是一门专门研究计算机怎样模拟或实现人类的学习行为 ， 能够赋予机器学习的能力以让它完成通过编程无法完成的功能 ， 以获取新的知识或技能 ， 重新组织已有的知识结构使之不断改善自身的性能的学科 ， 但机器学习不会让机器产生“意识和思考” ， 它是概率论与统计学的范畴 ， 是实现人工智能的途径之一 。深度学习 是机器学习的一个子领域 ， 受大脑神经网络的结构和功能启发而创造的算法 ， 能够从大数据中自动学习特征 ， 以解决任何需要思考的问题 。
推荐阅读
- 初学电焊先练什么,应该先练什么技术
- 盗墓需要学习什么,清末的盗墓五奇术
- 斯林德刷什么,斯普林特刷什么学习力
- 单片机硬件学习,如何学习单片机
- 高新技术人才落户,如何培养高新技术人才
- 保证工期的技术措施,如何加快桥梁建设工期
- mysql必知必会pdf,SQL必知必会
- 运用多媒体在课堂教学中处处闪光,如何在教学中合理运用多媒体技术
- uni，什么是UNI和NNI和ATM技术相关的
- 手机cpu海思和骁龙哪个好,哪个技术领先