¿En qué se diferencia el aprendizaje automático de la minería de datos?

Minería de datos: el proceso computacional del conocimiento que se descubre a partir de grandes conjuntos de datos. Específicamente, la minería de datos es el proceso no trivial de identificar patrones válidos, novedosos, potencialmente útiles y, en última instancia, comprensibles a partir de un gran volumen de datos.

En términos generales, el aprendizaje automático y la base de datos son dos soportes para la minería de datos. La base de datos ofrece técnicas de gestión de datos, mientras que el aprendizaje automático ofrece técnicas de análisis de datos [Zho03].

La investigación tradicional de aprendizaje automático no considera los datos masivos como un objetivo. Muchas técnicas están diseñadas para manejar datos pequeños y medianos. Si estas técnicas se utilizan directamente para datos masivos, los resultados pueden ser pobres o el algoritmo puede no funcionar. Por lo tanto, la minería de datos debe realizar algunas transformaciones específicas y no triviales a estas técnicas. De hecho, los algoritmos ejecutados en tiempo polinómico pueden considerarse muy buenos en el aprendizaje automático, pero cuando se enfrentan a datos masivos, la minería de datos puede no aceptar algoritmos con complejidad de tiempo O (n ^ 3). Por lo tanto, la estructura de datos eficiente y la estrategia de programación de datos, en qué base de datos es buena, pueden usarse para transformar los algoritmos de aprendizaje automático.

Por otro lado, la minería de reglas de asociación no se investiga en el aprendizaje automático, ya que se puede resolver mediante el análisis de correlación en las estadísticas si el tamaño de los datos no es grande. El problema en la minería de reglas de asociación es totalmente por el tamaño masivo de los datos. Por ejemplo, no podemos escanear la base de datos completa demasiadas veces, la capacidad de cálculo y el almacenamiento de memoria no pueden permitir demasiados resultados intermedios, etc.

[Zho03] Zhi-Hua Zhou. Tres perspectivas de la minería de datos, 2003.

Machine Learning relacionado con el estudio, diseño y desarrollo de los algoritmos que proporcionan a las computadoras la capacidad de aprender sin ser programados explícitamente.

La minería de datos es la extracción de conocimiento de diferentes tipos de datos.

Minería de datos Vs Inteligencia artificial Vs Aprendizaje automático – Análisis inicial

La minería de datos está allí por mucho tiempo. Es simplemente encontrar el descubrimiento de conocimiento a partir de los datos disponibles. Si muchos clientes compran pan y leche en un supermercado y lo colocan cerca o ofrecen una oferta combinada, la infidelidad aumentará la venta. Este es el análisis de la cesta de la compra. Una forma temprana de implementación de minería de datos. La minería de datos puede ser un problema de clasificación, predicción o agrupamiento.

Al principio, los métodos como la coincidencia de diccionario, los enfoques de coincidencia de patrones basados ​​en reglas se usaban para resolver problemas. Después de un largo tiempo de investigación, se introdujo el aprendizaje automático para resolver esto.

Los enfoques de aprendizaje automático produjeron modelos más algorítmicos, confiables y de mejor rendimiento. CRF, SVM, CNN, algoritmos genéticos hicieron algunos modelos de alto rendimiento para problemas de minería de datos.

Entonces, el aprendizaje automático es la nueva tendencia de los enfoques algorítmicos que brinda un mejor rendimiento en el problema de la minería de datos.

La minería de datos le da un problema (clasificación, reconocimiento de patrones, agrupamiento). El aprendizaje automático lo suela.

El aprendizaje automático y la minería de datos se superponen. La minería de datos incluye herramientas de visualización, así como algoritmos de aprendizaje automático (generalmente algoritmos de aprendizaje no supervisados ​​o semisupervisados); el aprendizaje automático incluye algoritmos supervisados, semisupervisados ​​y no supervisados.

Desde

• Computación Cognitiva e Inteligencia Artificial
• Analítica e Inteligencia de Negocios

Aquí están las definiciones:

• Aprendizaje automático: dar a las computadoras la capacidad de aprender sin ser programado explícitamente; un método de análisis de datos que automatiza la construcción de modelos analíticos; usando algoritmos que aprenden iterativamente de los datos para encontrar información oculta sin ser programados explícitamente dónde buscar
• Minería de datos: encontrar anomalías, patrones y correlaciones dentro de grandes conjuntos de datos para predecir resultados

Si bien hay una línea fina, la minería de datos es una identificación más terminada de los patrones. El aprendizaje automático implica el uso de algoritmos para resolver problemas supervisados ​​y no supervisados ​​en los que identifica un patrón y lo utiliza para inferir datos nuevos. Sin embargo, se utilizan muchas técnicas de ML en la minería de datos, especialmente técnicas de ML no supervisadas

La minería de datos se utiliza para extraer información útil al buscar patrones y también manipularla según sea necesario y encontrar una correlación entre ellos.

Ej: Qué tipo de productos compran mis clientes los domingos.

Machine Learning utiliza conjuntos de datos y luego aplica algoritmos de ML para obtener resultados que respondan algunas preguntas.

Ej: ¿Qué productos puedo recomendar a los clientes para el domingo para aumentar las ventas?