熱線電話：13121318867

登錄
首頁精彩閱讀數據挖掘，機器學習，人工智能的簡單區別分析
數據挖掘，機器學習，人工智能的簡單區別分析
2018-07-02
收藏

數據挖掘，機器學習，人工智能的簡單區別分析

數據挖掘(data mining)，機器學習(machine learning)，和人工智能(AI)的區別是什么？ 數據科學(data science)和商業分析(business analytics)之間有什么關系？

本來我以為不需要解釋這個問題的，到底數據挖掘(data mining)，機器學習(machine learning)，和人工智能(AI)有什么區別，但是前幾天因為有個學弟問我，我想了想發現我竟然也回答不出來，我在知乎和博客上查了查這個問題，發現還沒有人寫過比較詳細和有說服力的對比和解釋。那我根據以前讀的書和論文，還有和與導師之間的交流，嘗試著說一說這幾者的區別吧，畢竟一個好的定義在未來的學習和交流中能夠發揮很大的作用。同時補上數據科學和商業分析之間的關系。能力有限，如有疏漏，請包涵和指正。

導論

本文主要分為兩部分，第一部分闡述數據挖掘(data mining)，機器學習(machine learning)，和人工智能(AI)之間的區別。這三者的區別主要是目的不同，其手段(算法，模型)有很大的重疊，所以容易混淆。第二部分主要闡述以上的技能與數據科學(data science)的關系，以及數據科學(data science)和商業分析(business analytics)之間的關系。其實，數據科學家本身就是商業分析師在大數據時代的延伸。


數據挖掘VS. 機器學習VS. 人工智能

數據挖掘 (data mining): 有目的地從現有大數據中提取數據的模式(pattern)和模型(model)

數據挖掘是從現有的信息(existing information)中提取數據的模式(pattern)和模型(model)，即精選出最重要的信息，以用于未來機器學習和AI的數據使用。其核心目的是找到數據變量之間的關系。其發展出來的主要原因是大數據的發展，用傳統的數據分析的方式已經無能處理那么多大量的看似不相關的數據的處理，因此需要數據挖掘技術去提取各種數據和變量之間的相互關系，從而精煉數據。
數據挖掘本質上像是機器學習和人工智能的基礎，他的主要目的是從各種各樣的數據來源中，提取出超集(superset)的信息，然后將這些信息合并讓你發現你從來沒有想到過的模式和內在關系。這就意味著，數據挖掘不是一種用來證明假說的方法，而是用來構建各種各樣的假說的方法。數據挖掘不能告訴你這些問題的答案，他只能告訴你，A和B可能存在相關關系，但是它無法告訴你A和B存在什么相關關系。

當然，數據挖掘會使用大量機器學習的算法，但是其特定的環境和目的和機器學習不太一樣。

機器學習(machine learning): 自動地從過往的經驗中學習新的知識。

機器學習其實是人工智能很重要的一部分，因為目前，在實踐過程中，大多數的人工智能處理的任務，其實是用機器學習的方式完成的。機器學習可以用程序和算法自動地學習，只要被設計好了，這個程序可以進行自我優化。同時，機器學習需要一定數量的訓練數據集(training data set)，用于構建來自過往經驗的“知識” 。

且機器學習目前在實踐中最重要的功能便是預測結果。比如機器學習已經學習結束了，現在有一個新的數據集x，需要預測其分類，機器學習算法會根據這個新數據與學習后的“知識”相匹配(實際上，知識指的是學習后的數學模型)，然后將這個數據集x分類某類C去。再比較常見的機器學習，比如amazon的推薦系統。

人工智能(AI): 一個廣泛的概念，本質是用數據和模型去為現有的問題(existing problems)提供解決方法(solutions).

人工智能是一個與機器學習和數據挖掘相對不同的概念，人工智能的目的是為了去創造有智力的電腦(不知道怎么翻譯好，可以假設其為機器人)。在實踐中，我們希望這個電腦可以像有智力的人一樣處理一個任務。因此，理論上人工智能幾乎包括了所有和機器能做的內容，當然也包括了數據挖掘和機器學習的內容，同時還會有監視(monitor)和控制進程(process control)的內容。


數據科學(data science)和商業分析(business analytics)的關系？

其實以前，我們是沒有數據科學家(data scientist)，和數據科學(data science)這個概念的。我們稱呼做相關內容的方式更多叫商業分析(business analytics)。

在2011年的時候，麥肯錫發表了《Big Data: the next frontier for innovation, competition, and productivity》提出了現在很多的公司已經開始往分析才能(analytical talent)中獲得競爭優勢。雖然這不是第一篇提出這個概念的公司，但是是第一次提出，數據分析能力也有助于商業公司去發現潛在的機會，而不僅僅只對技術公司有效。接著麥肯錫認為到了2018年，美國大約會有190,000的項目缺少“深度分析能力(Deep Analytical Talent)”，而這些深度分析能力，是由大數據(big data)驅動的。至此，麥肯錫將”商業分析”進一步形容為”深度分析能力”。

接著DJ Patil和Jeff Hammerbacher在其寫的《Building Data Science Teams》,將麥肯錫的“深度分析能力”稱為了“數據科學家(data scientists)”。他們在文中提到：

商業分析師(business analyst)看起來太局限了，數據分析師(data anlyst)是他們的競爭者，但是我們還是覺得這個稱呼太局限了。....我們認為最好的稱呼應該是”數據科學家(data scientist)”，因為這些人需要同時使用數據(data)和科學(science)去創造一些新的東西。

緊接著，DJ Patil加了一些關鍵特點用于去尋找一個數據科學家(data scientist):
  1. 專業技術(Technical expertise): 最好的數據科學家需要有關于某些科學學科的深度專業知識(deep expertise)。
  2. 好奇心(Curiosity): 一個優秀的數據科學家需要有挖掘潛在關系，解決問題和證明假說的強烈好奇心和渴望。
  3. 講故事的能力(Storytelling): 能用數據講一個生動的故事的能力，它能使交流更加有效。
  4. 聰明(Cleverness): 能夠創造性地解決問題的能力。
隨后，數據科學家這個概念才開始被廣為流傳。那么數據科學家需要具備哪些專業能力？不同的公司有不同的看法和意見(反正大家好像都喜歡把所有一切的期許都放在一個新興的行業中)，這里列舉一個比較流行的看法：
1.Drew Conway’s Data Scientist Venn Diagram
2.Drew Tierney’s Multi-disciplinary Diagram
3.Gartner
最后附贈一張“作弊紙”，列出幾乎所有的商業問題(Business Problems)，想要入門成為一個優秀的商業分析師，或者是數據科學家，強烈推薦保存?。。。。。。。。。。?！以后有時間，我會嘗試著逐一翻譯和解說一下。


CDA數據分析師考試相關入口一覽（建議收藏）：

? 想報名CDA認證考試，點擊>>>   “CDA報名” 了解CDA考試詳情；

? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；

? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；

? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；

機器學習 數據挖掘 人工智能 商業分析 大數據 數據分析 推薦系統

數據分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

上一篇Python能用來做什么？以下是Python的三大主要用途
下一篇站在輿論風口浪尖 大數據挖掘究竟是什么
數據分析師考試動態
CDA報考指南
數據分析學習
數據分析師資訊
更多

CDA教育閉環

常見問題

關于我們

CDA數據分析師公眾號

  • CDA數據分析師公眾號

CDA考試中心小程序

  • CDA考試中心服務號

CDA數據分析師App下載

  • CDA數據分析師App下載
Copyright © 2015-2021, www.ruiqisteel.com All Rights Reserved. CDA數據分析師(北京國富如荷網絡科技有限公司) 版權所有 京ICP備11001960號-9 京公網安備 11010802034615號 經營許可證編號：京B2-20210330
聯系電話：13321103290 (微信同號)

OK
客服在線
立即咨詢
日韩人妻系列无码专区视频,先锋高清无码,无码免费视欧非,国精产品一区一区三区无码
客服在線
立即咨詢