針對網際網路這兩大技術：資料探勘和機器學習，我有一些拙劣的見解，跟大家共勉一下，用我自己理解的說一下吧！

資料探勘：

我們生活在大資料時代，充斥著眾多的資料，比如說我們每一個瀏覽習慣、購買習慣都是一個數據，如果這些資料不被挖掘出來，那就相當於一個廢品，但挖掘出來不加以分析利用，則依舊沒用，所以，資料探勘應該是針對大資料資訊的收集整理彙總。

機器學習：

是針對眾多的資料，有一定的計算方法，將這些資料處理，做一些分類和迴歸的工作，整合成我們需要的資訊。

兩者的關係：

現在好多資料探勘的工作是透過機器學習提供的演算法工具實現的

現如今是一個資訊的時代，社會上任何行為都是以資訊為前提去執行的。而資訊又是對資料的處理加工得來的，所以“資料”是時代的主宰。大資料、資料探勘和機器學習這三者是面對資料通常採用的手段。而這三者之間又是怎樣的區別呢？

大資料是一個相對抽象的概念，目前國內外學術界還沒有對大資料的定義形成統一的意見。美國國家科學基金會（National Science Foundation，United States）基於資料特徵及資料來源角度對大資料進行了定義，認為大資料是一種複雜的、大規模的、長期的、多元化的分散式資料集，由一系列的資料來源生成，包括網路點選流、音影片軟體、E-mail、科學儀器、網際網路交易、感測裝置等。

所謂資料探勘，又叫做資料庫中的知識發現，簡稱為KDD。關於資料探勘技術的定義，國際上目前比較廣泛認可的是U.M.Fayyad 等人說明的，即資料探勘技術就是在模糊的、有噪聲的、不完全的、大量的、隨機的資料中，提取潛在的、人們事先不知道的、隱含在其中的有價值的知識與資訊的過程。

機器學習是基於對海量資訊處理的需求產生的一門涉及多個學科領域交叉的學科，“機器學習是對能透過經驗自動改進的計算機演算法研究”。其主要目的是研究計算機如何透過學習人類的思維和行為，來自動獲取新知識，自動適應環境的變化的。機器學習是人工智慧的核心思想。

現代各企業都十分注重資料，面對各種各樣的資料，因而也衍生了各大資料服務平臺，例如，華為雲機器學習平臺（MLS）是EI的一項基礎服務，幫助使用者透過機器學習技術迅速發現數據規律，構建預測模型，並將其部署為預測分析解決方案。不管現在和將來，資料都會成為時代的標誌。

機器學習更偏向於科學，資料探勘更偏向於技術。

資料探勘是一個比較大的概念，由許多學科綜合而成，其包括機器學習、統計學習、資料庫、領域知識及模式識別等領域。資料探勘與機器學習可以看成是一種相交關係，兩者都是依靠規律分析來預測資料趨勢的，但不同點是資料探勘是針對海量資料進行的，機器學習不是；機器學習是以探索機器學習人的學習機制為目標的，資料探勘不是。

資料探勘，也可以叫資料深層採集，是指利用各種技術與統計方法，將大量的歷史資料，進行整理分析，歸納與整合，找到隱藏在資料深層之中的趨勢和價值，是為了找尋隱藏在資料中的有用資訊，如趨勢、特徵及相關的一種過程。

機器學習，是指從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法，因為學習演算法中涉及了大量的統計學理集結，機器學習與統計推斷學聯絡尤為密切，也被稱為統計學習理論。演算法設計方面，機器學習理論關注可以實現的、行之有效的學習演算法。很多推論問題屬於無程式可循難度，所以部分的機器學習研究是開發容易處理的近似演算法，比如手寫識別、機器人識別等。