数据挖掘与机器学习的区别是什么
摘要：数据挖掘和机器学习的区别和联系，我们可以从数据分析，概念的区分，传统的模式识别的方法等三个角度加以认识。数据挖掘受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。简言之，对数据挖掘而言，数据库提供数据管理技术，机器学习和统计学提供数据分析技术。
由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。
数据挖掘与机器学习的主要区别：
一、从数据分析的角度来看
绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。
二、模式识别和机器学习的关系是什么呢
传统的模式识别的方法一般分为两种：统计方法和句法方法。句法分析一般是不可学习的，而统计分析则是发展了不少机器学习的方法。也就是说，机器学习同样是给模式识别提供了数据分析技术。
三、概念的区分
至于，数据挖掘和模式识别，那么从其概念上来区分吧，数据挖掘重在发现知识，模式识别重在认识事物。
机器学习的目的是建模隐藏的数据结构，然后做识别、预测、分类等。因此，机器学习是方法，模式识别是目的。
总结
只要跟决策有关系的都能叫AI(人工智能)，所以说PR(模式识别)、DM(数据挖掘)、IR(信息检索)属于AI的具体应用应该没有问题。研究的东西则不太一样，ML(机器学习)强调自我完善的过程。Anyway，这些学科都是相通的。
推荐阅读：
