大数据需要学什么技术 人工智能这么火,数据挖掘和机器学习有什么区别?
人工智能这么火,数据挖掘和机器学习有什么区别?
工作之后,我知道的第一个概念是数据挖掘,而不是机器学习。因此,我认为数据挖掘的概念比较广泛,属于工程应用范畴。五年前,我们公司谈论数据挖掘并举办了这样的比赛。掌握了数据挖掘的应用软件和标准流程,如SAS、Clementine等数据挖掘平台。这些平台大多基于图形化操作,应用门槛较低。直到最近两年,我们才开始谈论机器学习、深度学习和人工智能。根据我的工作经验,数据挖掘是一个流行的概念。所有的业务部门都知道这个概念,而机器学习属于专业化。现在业务部门仍然不知道什么是机器学习。事实上,很难严格区分两者的关系。如果你看看最权威的数据挖掘和机器学习教材,你会发现其中大部分都是重复的。因为他们是两个名字,他们的重点应该是不同的。我的理解是,数据挖掘的后端与机器学习的前端重复,机器学习的后端与深度学习的前端重复。数据挖掘的前端是数据的收集、清理和处理,与大数据相关,涉及到数据仓库,而机器学习并不关心这些。也就是说,要为机器学习提前准备好数据的原材料。机器学习更加关注学习问题,努力学习知识,像人类一样理解世界。它们最大的区别在于:数据挖掘关注数据中的规则和知识,而不关心数据为什么产生这些规则和知识,也就是说,你只看到表象,却不知道本质原因。相反,机器学习更关注学习数据的生成机制,即数据是从什么概率模型生成的。有时机器学习也被称为统计学习,这就是原因。当数据生成机制出现时,数据中的规则将被自然地知道。正是因为机器学习注重数据生成机制的学习,产生了大量的研究内容,发展了核机器、极大似然估计、最大熵模型、最大后验估计、期望最大化算法、高斯过程、概率图模型等,变分推理和其他工具。数据挖掘教科书通常没有这些高级内容。
传统的机器学习一般对数据生成机制做一些先验假设,比如假设数据是高斯分布生成的,然后学习高斯分布的参数。此外,如果没有这样的假设,应该怎么做?一般采用非参数密度估计技术,如核估计,最近流行的与深度学习相结合的方法,如生成对抗网络(Gans),变分自编码等,大数据是未来的发展趋势。现在学习更多是没有错的。越来越多的企业将使用大数据分析。
我通常自己学习。我只需要多做点事,多读点书。我关注“大数据Java架构师”。通过私信回复“大数据”,我可以获得很多免费信息。如果你不明白,你可以问我。如果你需要找一个从事大数据工作的人,你可以加我为好友,尽你所能帮你推荐。
大数据需要学什么技术 数据挖掘需要学什么专业 数据分析师要学什么
版权声明:本文内容由互联网用户自发贡献,本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。