F:
Vad är skillnaden mellan maskininlärning och data mining?
A:Databehandling och maskininlärning är två mycket olika termer - men de används ofta i samma sammanhang, vilket är parternas förmåga att förfina och sortera data för att komma med insikter och slutsatser. Likheterna och skillnaderna tillsammans kan göra att vi pratar om dessa två väldigt olika processer som är förvirrande för mindre tekniskt kunniga publik.
Data mining är processen för att aggregera data och sedan extrahera användbar data från den större datauppsättningen. Det är en typ av kunskapsupptäckt som har pågått sedan vi lyckades samla stora mängder data. Du kan göra data mining med ett ganska primitivt system: Programmet kommer att programmeras för att leta efter specifika mönster och datatrender, och teknisk information kommer att "brytas" från den råa massan av data i vilken form den än befinner sig i.
Maskininlärning är något nyare och mer sofistikerat. Maskininlärning använder datauppsättningar, men till skillnad från dataanläggning använder maskininlärning utarbetade algoritmer och inställningar såsom neurala nätverk för att faktiskt låta maskinen lära av inmatningsdata. Som sådan är maskininlärning ganska lite mer fördjupad än en datakommunikationsoperation. Till exempel, i ett neuralt nätverk, arbetar konstgjorda nervceller i lager för att ta in inmatningsdata och släppa utdata med mycket detaljerad "svart låda" -aktivitet däremellan (termen "svart låda" gäller för mer sofistikerade system när människor har en svårt att förstå hur neurala nätverk eller algoritmer faktiskt gör sina jobb).
Data mining och maskininlärning är också ganska olika i sina applikationer för företag. Återigen kan data mining fortsätta inom en given ERP-applikation och i många olika processer.
Däremot kräver ett maskininlärningsprojekt stora resurser. Projektledare måste samla in tränings- och testdata, leta efter problem som övermontering, besluta om val av funktioner och extraktion av funktioner och mycket mer. Maskininlärning kan kräva komplexa former av inköp från olika intressenter, medan datakommunikationsverksamhet vanligtvis bara kräver en snabb avbokning.
Trots dessa skillnader gäller såväl data mining som maskininlärning på datavetenskapens område. Att lära sig mer om datavetenskap hjälper intressenter att lära sig mer om hur dessa processer fungerar och hur de kan tillämpas i en viss bransch.
