¿Cuáles son las diferencias entre Data Science y Data Mining, son las mismas?

Gracias Abdullah Al Imran por A2A

Esta imagen vale más que mil palabras

fuente: ¿Cuál es la diferencia entre Data Science, Data Analysis, Big Data, Data Analytics, Data Mining y Machine Learning?

Minería de datos: se refiere a la ciencia de recopilar todos los datos pasados ​​y luego buscar patrones en estos datos. Busca patrones consistentes y / o relaciones entre variables. Una vez que encuentre estos conocimientos, valide los resultados aplicando los patrones detectados a nuevos subconjuntos de datos. El objetivo final de la minería de datos es la predicción.

Data Science es un paraguas que contiene muchos otros campos como aprendizaje automático, minería de datos, big data, estadísticas, visualización de datos, análisis de datos, …

Espero que ayude 🙂

Hola,

Para comprender estos conceptos, primero debe comprender algunos términos.

Big Data es una colección de gran cantidad de datos que requiere sistemas especiales de gestión de bases de datos para analizar y extraer información útil de ellos. El análisis y las ideas de estos datos se consideran Big Data Analytics .

Big Data Analytics se centra en generar información útil a partir de un conjunto de datos disponible. El único propósito universal es resolver consultas y poder tomar decisiones favorables para los negocios. Además, el uso de consultas y diversos procesos relacionados con la agregación de datos son parte de Data Analytics.

Minería de datos es un campo interdisciplinario sobre métodos, procesos y sistemas científicos para extraer datos de conocimiento en varias formas, ya sea estructuradas o no estructuradas.

Sin embargo, cuando uno se refiere a la Ciencia de Datos , se convierte en un término comparativamente más amplio. Todo, desde la minería de datos hasta la limpieza de datos e incluso visualizar e idear sobre el uso de un conjunto de datos, es el género de un científico de datos.

Aún así, se vuelve inquietante entender la diferencia simplemente de una definición tradicional. ¿Dónde terminan las estadísticas y comienza la ciencia? Clasificando ampliamente los dos, Data Analytics tiene campos más específicos donde se usa. Una parte importante de industrias como la salud, los juegos, los viajes y la gestión de la energía, se ocupa más de los números duros y los conjuntos de datos de estos sectores.

Sí, la minería de datos también se conoce como ciencia de datos.

Espero que esto responda a su pregunta.

Si desea obtener más conocimiento y leer en profundidad, consulte el siguiente enlace :

https://goo.gl/WvjndD

La ciencia de datos le permite extraer conocimiento de datos sin procesar, datos sin procesar que no son más que información. Es un campo interdisciplinario; es decir, utiliza técnicas de muchos campos como matemáticas, estadística, ingeniería de datos, visualización, almacenamiento de datos, etc., con el objetivo de extraer conocimiento útil de los datos / información disponibles.

La ciencia de datos no es diferente de la ciencia cuando hay que definirla, es un campo interdisciplinario. Contiene métodos y técnicas científicas, matemáticas, estadísticas y otros dominios que le permiten analizar y manipular datos.

Ahora, ves que Data Science es la ciencia de datos; cuando se recopilan, si no se organizan, hay una gran cantidad de datos que una organización acumula. Estos datos, estructurados o no estructurados, se pueden organizar de manera significativa para ayudar a dar forma o cumplir objetivos y necesidades comerciales específicos. Si se trata de una herramienta o proceso aplicado a los datos para analizarlos o para obtener algún tipo de información, es probable que pertenezca a la ciencia de datos.

La minería de datos como su nombre sugiere datos de “minas” utilizando componentes de inteligencia artificial, estadísticas tradicionales, etc. La minería de datos, a diferencia de Data Analytics, se realiza sin ninguna hipótesis. Data Mining no tiene como objetivo responder preguntas específicas.

La clave para recordar aquí es que Data Mining es un campo que es interdisciplinario y fusiona varios sistemas, metodologías y procedimientos para extraer información en varias formas y esto podría ser estructurado o no estructurado. Data Science cubre una gama más amplia de temas, desde minería de datos y limpieza hasta visualización, información y más. Data Mining es, por lo tanto, una parte de Data Science, que es una disciplina más amplia.
Data Science también contiene big data, aprendizaje automático, análisis y programación. La minería de datos es una parte del universo de Data Science. No existe una definición formal de la ciencia de datos, pero esto debería ser suficiente para darle una idea básica.

¿Cuáles son las diferencias entre Data Science y Data Mining, son las mismas?

Científico de datos

Alguien experto en explotar datos en muchos formatos, desde archivos planos hasta almacenes de datos y lagos de datos. Dichos individuos poseen las mismas capacidades en las tecnologías de datos (como Big Data) y cómo obtener beneficios de estas a través del modelado estadístico. Los científicos de datos a menudo son científicos reales caídos.

Ver también: La anatomía de una función de datos: Parte I y saber lo que no sabe

Minería de datos

El proceso de examinar los conjuntos de datos generalmente grandes para discernir el significado, descubrir nuevos hechos y relaciones y establecer patrones útiles. Aquí hay una conexión con algunas de las actividades llevadas a cabo por los científicos de datos, aunque algunos aspectos de la minería de datos pueden ser automatizados. Data Mining puede aprovechar las implementaciones de Big Data, pero se ha llevado a cabo con éxito en otros tipos de bases de datos durante muchos años antes del advenimiento de estas.

Definiciones extraídas de: Diccionario de datos y análisis

La diferencia es como científico e ingeniero. Los científicos crean nuevas teorías y descubren nuevos patrones mientras un ingeniero utiliza las tecnologías existentes, técnicas para realizar una tarea determinada dentro de un marco de tiempo (o proyecto)

Del mismo modo, la ciencia de datos significa investigación, desarrollo de nuevas teorías y descubrimientos, mientras que la minería de datos significa utilizar las tecnologías y técnicas existentes para descubrir patrones útiles en los datos. Ambos se complementan entre sí para lograr una tarea común. Si bien la minería de datos a veces la tarea en cuestión no se puede realizar o no se puede hacer de manera eficiente o carece de descubrir nuevos patrones, ahí es donde el científico de datos ingresa con nuevas investigaciones y técnicas.

Software de gestión de casos legales

La respuesta de Ricardo Vladimiro brinda una muy buena explicación sobre la ciencia de datos y la minería de datos. Además de su respuesta, agrego algunos pasos para entender prácticamente. A continuación agregué ingredientes para DS y DM.

Ciencia de los datos

Programación R

Obtener y limpiar datos

Análisis exploratorio de datos

Investigación reproducible

Inferencia estadística

Modelos de regresión

Aprendizaje automático y algoritmos

Minería de datos

Visualización de datos

Recuperación de texto y motores de búsqueda

Minería de texto y análisis

Descubrimiento de patrones en minería de datos

Análisis de clúster en minería de datos

La definición de ciencia de datos no está, hasta donde yo sé, formalmente definida. Lo que hacen los científicos de datos es crear productos de datos que son aplicaciones centradas en datos que manejan datos de formas que los sistemas tradicionales no pueden. La ciencia de datos, en lo que a mí respecta, se trata de la capacidad técnica para manejar cualquier tipo de datos y el método científico para evaluar el impacto en el proyecto, producto u organización.

La definición de minería de datos que aprendí es que es un proceso. Ese proceso es más o menos lo que hacen los científicos de datos y los ingenieros de aprendizaje automático en lo que respecta a los modelos de aprendizaje automático. El énfasis en el aprendizaje automático y la ciencia de datos fue tal que la minería de datos ahora se usa para clasificar una familia de algoritmos. Sin embargo, la minería de datos no se trata de algoritmos, el aprendizaje automático sí. La minería de datos se trata del proceso para descubrir patrones en los datos.

En pocas palabras y tradicionalmente, cuando se construyen productos de datos que utilizan el aprendizaje automático, el proceso es la minería de datos. Si bien esta puede ser una visión bastante minimalista porque muchos productos de datos no empoderan a los usuarios comerciales sino a otros sistemas, mi punto es que técnicamente hablando en este contexto, un científico de datos está aplicando un proceso de minería de datos cada vez que se utilizan algoritmos de aprendizaje.

El problema aquí es que parece que hay una necesidad de poner la ciencia de datos (y hasta cierto punto el aprendizaje automático) por encima de todas las cosas. Citando la respuesta de Meta Brown, respuesta brillante:

Estoy muy en desacuerdo con aquellos que consideran que la “ciencia de datos” es de alguna manera más completa o sofisticada que cualquier otro término que describa el análisis de datos. Este punto de vista no tiene sentido.

Estoy de acuerdo con esto al 100%. El científico de datos de unicornio de hace un par de años fue un programador perfecto en docenas de idiomas y un estadístico y presentador súper estrella. El científico de datos de unicornio ahora aparece ante alguien que no es perfecto pero superior a todos los demás en su reino. No lo es, simplemente resuelve un problema relativamente nuevo y algo diferente.

Primero, debe comprender que no existe una única definición adecuada de ciencia de datos o minería de datos. Lo mismo es cierto para muchos términos utilizados en los campos de análisis. Las personas usan a para describir su trabajo, luego otros lo adoptan y lo redefinen para que signifique lo que elijan.

Estoy muy en desacuerdo con aquellos que consideran que la “ciencia de datos” es de alguna manera más completa o sofisticada que cualquier otro término que describa el análisis de datos. Este punto de vista no tiene sentido.

Entonces, ¿qué es la minería de datos? El término se usó por primera vez a mediados y finales de la década de 1990 para describir un enfoque de análisis de datos que buscaba capacitar a las personas de negocios para explorar y modelar datos, sin requerir una amplia capacitación en estadísticas. Se caracterizó por el uso de técnicas de aprendizaje automático, pruebas de rendimiento con datos de retención y en el campo (la prueba es necesaria porque los métodos de minería de datos no se adhieren a los supuestos requeridos por la teoría estadística), el uso de cualquier información disponible sin muestreo y herramientas especiales que presentaba interfaces de programación visual. Hoy en día, las personas que tienen capacitación estadística a menudo usan los mismos métodos.

¿Y ciencia de datos? Ciertos empleadores de Silicon Valley usaron “científico de datos” como título de trabajo para describir un subconjunto de sus analistas de datos, personas con habilidades de programación y análisis de datos. Estas personas eran muy respetadas y bien compensadas, y no dudo que merecían respeto y una buena compensación. También llamaron la atención, y ahí es donde comienza el problema.

La atención de los medios llevó al uso generalizado de los términos “ciencia de datos” y “científico de datos”, y a la creación de una gran mitología en torno a ellos. En los últimos años, escuché a personas afirmar que los científicos de datos son superiores y tienen mayores habilidades que prácticamente cualquier otra función de análisis de datos, en un grado ridículo. Para dar un ejemplo, en otra pregunta de Quora vi a alguien alegando que el Cinturón Negro Six Sigma tenía un subconjunto de las habilidades del científico de datos, a pesar de que, en la vida real, le resulta difícil encontrar a alguien con un científico de datos. título de trabajo que incluso sabe lo que hace un Cinturón Negro Six Sigma, y ​​mucho menos cómo hacerlo.

La mayoría de las personas que se autodenominan “científicos de datos” son programadores con alguna habilidad analítica o analistas de datos capacitados tradicionalmente con diferentes tipos de habilidades de programación. Algunos son muy buenos analistas de datos, otros no. Examínelos uno por uno y juzgue por usted mismo.

No te daré una diferenciación académicamente correcta específica, sino una práctica empírica y práctica.

Si busca cursos, artículos y otras cosas en ciencia de datos, es probable que termine con usos más pesados ​​y más amplios de estadísticas y programación.

Por otro lado, si busca minería de datos, encontrará algoritmos de aprendizaje automático aplicados a problemas específicos de la industria.

Hablando en términos generales, diría que la minería de datos es una especie de subdivisión de la ciencia de datos, ya que todavía tengo que presentar una sola rúbrica de minería de datos que no está cubierta en la ciencia de datos.

Si hace esta pregunta para saber cuál debería estar estudiando, mi sugerencia sería centrarse primero en la minería de datos y más adelante en la ciencia de datos.

Si bien ambos temas tienen bordes vagos, Data Mining es un componente de Data Science.

Data Science es aproximadamente una combinación de matemática, estadística y ciencias de la computación que se ocupa de ETL de datos estructurados y no estructurados, modelando y presentándolos para obtener información.

La minería de datos solo se ocupa del modelado (búsqueda de patrones o predicción de resultados). Si bien la limpieza de datos también es parte del proceso, y Data Mining trata con tipos no estructurados (por ejemplo, texto), no trata con el procesamiento de conjuntos de datos no estructurados masivos.

Al final del día, diría que muchos mineros de datos pueden realizar funciones que los científicos de datos y los analistas de datos pueden y viceversa.

Análisis de datos, Big Data, análisis de datos, minería de datos y aprendizaje automático? Minería de datos: se refiere a la ciencia de recopilar todos los datos pasados ​​y luego buscar patrones en estos datos. … Lo mismo es cierto para muchos términos utilizados en los campos de análisis

http://kosmiktechnologies.com/da …

Permítanme hacer una pregunta análoga: “¿Cuál es la diferencia entre la ingeniería eléctrica y un televisor?” Respuesta: Un televisor es un producto diseñado por ingenieros eléctricos.

Del mismo modo, la minería de datos es una cosa que un científico de datos podría ser contratado para hacer.

Por lo tanto, un día, se podría pedir a los aromas de datos que encuentren información útil de busseniss de una gran base de datos de transacciones de tarjetas de crédito. Esto sería “minero”, pero entonces el mejor proyecto podría ser construir un sistema para ayudar a tomar decisiones de carga que serían la clasificación, no la minería .