问：
机器学习和数据挖掘之间有什么区别？
A：数据挖掘和机器学习是两个截然不同的术语–但是它们经常都在同一上下文中使用，这是各方改进和排序数据以得出见解和结论的能力。 相似之处和不同之处相结合，可能使谈论这两个非常不同的过程对那些对技术不太了解的受众感到困惑。
数据挖掘是聚集数据，然后从更大的数据集中提取有用数据的过程。 自从我们能够聚合大量数据以来，这种知识发现一直在进行。 您可以使用相当原始的系统进行数据挖掘：将对该程序进行编程以查找特定的模式和数据趋势，并且将从原始数据量中以任何形式“提取”技术信息。
机器学习是一种更新，更复杂的东西。 机器学习确实使用数据集，但是与数据挖掘不同，机器学习使用复杂的算法和设置（例如神经网络）来实际允许机器从输入数据中学习。 因此，机器学习比数据挖掘操作要深入得多。 例如，在神经网络中，人工神经元分层工作以吸收输入数据并释放输出数据，而在这两者之间有许多精心设计的“黑匣子”活动（术语“黑匣子”适用于人类拥有神经系统的更复杂的系统）。很难理解神经网络或算法实际上是如何工作的。
数据挖掘和机器学习在企业中的应用也大不相同。 同样，数据挖掘可以在任何给定的ERP应用程序内以及许多不同的过程中进行。
相比之下，机器学习项目需要大量资源。 项目经理必须收集培训和测试数据，查找过度拟合之类的问题，决定特征选择和特征提取等等。 机器学习可能需要来自各种利益相关者的复杂形式的认可，而数据挖掘活动通常只需要快速签名即可。
尽管存在这些差异，但是数据挖掘和机器学习确实适用于数据科学领域。 了解有关数据科学的更多信息可以帮助利益相关者更多地了解这些过程如何工作以及如何将其应用到任何给定行业中。
