資料探勘是從海量的資料中提煉出資訊 在提煉資訊的過程中需要很多建模上的知識 核心是提煉資訊

機器學習是讓計算機從經驗中學習然後指導後續的決策 核心是指導決策

你本科專業是計算機嗎？這兩個專業屬於計算機這個方向大類下面的。但是，資料探勘就是對資料的蒐集、整理以及從資料中提煉相關的資訊。機器學習的話，你說的是機器人嗎？

19年最火的兩個專業，一個是BA，就是商業分析，這個專業你可以理解為金融方面的資料探勘。。另一個是AI，人工智慧。

你要根據本科階段的課程設定去申請研究生。

機器學習是一種理論和方法，主要解決人工智慧中的問題，機器學習是用資料或過去積累的經驗，以此最佳化計算機程式的效能標準。

資料探勘是一種應用和目的，一般是指從大量的資料中透過演算法搜尋隱藏於其中資訊的過程，目標是從大量資料中提取模式和知識，並將其轉換成可理解的結構，以進一步使用。機器學習是資料探勘手段中的一個。

其實，現在的資料探勘大多都是採用深度學習和機器學習的方法做。相比深度學習，機器學習可以做的東西更廣更全一些，比如自然語言處理、計算機視覺等。至於哪邊更好，我只能說現在這兩邊的研究人員都是魚龍混雜，如果是有夢想，想做理論研究，追未來熱點，直接轉機器學習的理論研究。如果對於應用這塊比較感興趣，想弄份穩定工作，學資料探勘做大資料（經濟，網路，推薦系統）是很好的選擇。但這兩方向都需要做到很深你才能真正站在頂端。

資料探勘

資料探勘是一項使用資料探索技術發現一些有趣(而不明顯)的模式的技術。

什麼模式？例如：根據某些特徵對資料進行分組的方式、異常檢測(罕見值)、某些觀察值與其他值之間的相關性、某些事件的連續性、行為的識別等。

資料探勘使用機器學習等方法。

機器學習是人工智慧最重要的分支。它的任務是：研究和開發技術，使機器能夠在沒有人類明確指令的情況下自學，從而執行特定的任務。

機器將從輸入資料集(稱為樣本或訓練資料)中學習，根據演算法檢測到的模式建立數學模型。該模型的最終目標是對之後來自相同資料來源的資料進行(準確的)預測或決策。

傳統的機器學習主要有兩種型別：

· 監督學習：當訓練資料被“標記”時。這意味著，對於每個樣本，我們都有與觀察到的變數(輸入)和我們想要學習預測或分類的變數(輸出、目標或因變數)相對應的值。在這種型別中，我們找到了迴歸演算法(預測數值的演算法)和分類演算法(輸出僅限於某些分類值時)。

· 無監督學習：當訓練資料沒有標記時(我們沒有目標變數)。這裡的目標是找到某種結構或模式，例如對訓練樣本進行分組，這樣我們就可以對未來的樣本進行分類。

傳統的機器學習已經讓位於更復雜或更現代的學習型別：

· 整合方法：基本上是幾種演算法聯合使用，將它們的結果結合起來以獲取更好的結果。儘管XGBoost憑藉在Kaggle的勝利而得名，但最常見的例子還是隨機森林。

· 強化學習：機器透過反覆試誤來學習，這得益於它對周圍環境的迭代做出的反饋。你可能聽說過AlphaGo或AlphaStar（在《星際爭霸2》中實力碾壓人類）。

· 深度學習：CROWN上的寶石……

我們一起分享AI學習與發展的乾貨