¿Se puede decir que la diferencia entre Data Science y Machine Learning es que Machine Learning es una técnica a través de la cual se realiza Data Science?

Data Science es más bien un término general. Es la ciencia del análisis de datos, la minería de datos, el aprendizaje automático y mucho más, pero sigamos con esta información por el simple hecho de la pregunta.

El aprendizaje automático es un campo de la ciencia de datos que estudia, desarrolla e implementa algoritmos y programas capaces de autoaprendizaje. Estos algoritmos una vez diseñados pueden seguir aprendiendo nuevos conceptos e ideas sin intervención humana. Mejoran con el tiempo. Estos algoritmos utilizan los principios de la minería de datos (nuevamente, es un campo de la ciencia de datos) para aprender más y evolucionar. Simplemente están automatizados para extraer datos basados ​​en patrones, tendencias y muchos otros factores involucrados.

Ahora que tenemos claras las diferencias, se puede decir que el aprendizaje automático es parte de la ciencia de datos. Es más que una técnica. Por lo tanto, es mejor decir que el aprendizaje automático se realiza utilizando ciencia de datos en lugar de decirlo al revés.

PD: esta analogía debería ayudar: el análisis de datos, la minería de datos y el aprendizaje automático son las estrellas, pero Data Science es la madrina que organiza todo el espectáculo.

Hola, gracias por A a A.

Lo has entendido bien.

Sin embargo, me gustaría editar un poco de lo que estás diciendo. La ciencia de datos se trata de todo el trabajo (no solo de analizar sus datos) y el aprendizaje automático se trata de los algoritmos que se utilizan para predecir un valor o acción futura en los datos analizados (no para analizar datos).

Usted sabe que el aprendizaje automático se trata de algoritmos, por lo que lo básico está aquí, pero Data Science implica:

  1. Recopilación de datos (requerido, perspicaz, correcto).
  2. Análisis de datos (extraiga la información útil, elimine la basura)
  3. Construyendo un modelo. (predictivo, analítico, riesgo, rendimiento, etc.).
  4. Modelo de prueba.
  5. Visualización / representación (para poder comunicar sus ideas y visión de una mejor manera).
  6. Probar nuevos enfoques, nuevos algoritmos, nuevas formas de simplificar y mejorar su modelo y mucho más.

Espero que esto ayude. Feliz aprendizaje .

Ayer, le dije a mi colega que la ciencia de datos, el aprendizaje automático son todos lo mismo … pero tiene razón en que la ciencia de datos puede abarcar muchas otras cosas además de ML, por ejemplo, estadísticas inferenciales.

La diferencia entre ellos es un método de extracción de conocimiento por parte de la ciencia de datos, hacemos análisis de datos en diferentes y el aprendizaje automático es uno de los campos entre ellos.

More Interesting

¿Existe algún beneficio de saber que Java debe seguir el camino de ser un científico de datos o puede tomarse como un complemento? (Java-as Map reduce los requisitos previos: análisis de Big Data)

Cómo explicar la normalización de la base de datos con ejemplos del mundo real

¿Suena útil la certificación de IBM de Big Data University al dar entrevistas?

¿Cuál es un truco genial para el análisis de datos en Excel?

¿Cuáles son las diversas áreas de investigación en ciencia de datos?

¿Cuál es la diferencia entre ETL y R Programming?

¿Cómo obtiene Seth Stephens-Davidowitz sus datos de Google?

¿Qué se necesita para clasificar dentro del # 10 en Kaggle? ¿Cuál es el camino de aprendizaje ideal para un principiante en ciencia de datos? ¿Qué todas las tecnologías y habilidades necesita adquirir y en qué orden? ¿Cuánto tiempo se tarda?

¿Cuál es la mejor manera de lidiar con los datos faltantes cuando se utiliza la regresión polinómica fraccional?

¿Hay un programa de maestría para ciencia de datos / aprendizaje automático en ETH Zurich? ¿Qué tan bueno es en comparación con los de las universidades de los Estados Unidos, por ejemplo, Berkeley, etc.?

Cómo pivotar mi carrera en ciencia de datos a los 38 años

¿Qué tipo de datos se almacenan y qué tipo de análisis se realiza en datos de proyectos arqueológicos?

¿Cuáles son algunos métodos básicos / comunes utilizados para resumir datos?

Big data es utilizado por los científicos de datos. ¿Quién traduce esta información para que la gerencia mejore o desarrolle estrategias de gestión y operaciones?

¿Qué lenguaje de script puede funcionar con Big Data?