人工智能、机器学习、数据挖掘、神经网络等学科的关系概述

小鱼儿 2021-09-22 06:00 329阅读 0赞

*分享一个我的公众号，最近突然想玩公众号，之前做过一段时间前端开发，考虑到现在应用程序越来越多，未来社会一定是一个充满“只有你想不到，没有你做不到”的App的世界！而微信小程序又给我们这群喜爱开发的童鞋们提供了友好的入门机会，因此，不如就在当下，开始一步一步的学习并开发自己的小程序吧。这是我的公众号：目的是和大家讨论小程序开发，同时也带着开发小白入门设计开发微信小程序，来吧，加入！*

![20200318220239494.png][]

# 正文： #

机器学习：强调学习能力，机器在算法的指导下有一点的学习能力，比如神经网络，训练算法  
统计分析：从统计的角度出发，发现系统的规律，比如线性回归等，不过神经网络也可以看作一种非线性回归。  
数据挖掘：强调的是从一大堆数据里有价值的数据，比如最赚钱的信息，指标，比如，啤酒尿布要放一块，为了挖掘有价值的信息，当然所有方法都会用上。  
神经网络：强调模拟生物神经系统，尤其是大脑的神经网络。比如：BP网络，竞争神经网络，等各种仿生的算法。神经网络的学习机制，收敛性质等都会讨论  
人工智能：这个强调的是让机器象人一样聪明，方法就不限了，规则也罢，神经网络等仿生学也罢，都可以来为我所用

模式识别：强调训练和识别，比如图像里识别出一个人脸，识别出树木，背景，识别验证码，。。。使用各种学习算法，分类算法，比如神经网络，SVM，。。。

人工智能最大，内容同名字一样就是一个【科技领域】，致力于发展更加智能的机器和软件。  
  
机器学习是【算法】的研究，致力于研究能够根据经验自动提高的算法。  
  
神经网络是一种【模型】，和名字一样是模拟中央神经系统的一种数学模型，可以用于进行模式识别和机器学习。  
  
统计分析是数据学和统计学的一部分，在机器学习中是一种【工具】。机器学习中有很多方法是运用统计理论来估计某一种probability estimator进而进行预测的。在统计和数据学家看来，机器学习就是计算机学家做统计。  
  
数据挖掘和机器学习的区分是，数据挖掘问题一般都有巨大数据，尤其指计算效率比统计精度更加重要的问题，通常站在商业的角度；机器学习则更加偏向于人工智能的方面。  
  
模式识别，是机器学习的一个领域，指的是把input贴上标签的过程（就是预测的过程）。在分类问题中就是把input分类，在regression中就是给进input给出实数值。

[20200318220239494.png]: /images/20210920/2316ff81064a429a875ee8d55d9fd88e.png