La minería de datos se trata principalmente de encontrar características o patrones relevantes en un dato en particular, esto se puede lograr utilizando el aprendizaje automático, especialmente algoritmos de aprendizaje no supervisados, como la agrupación en clúster. La minería de datos se trata principalmente de tratar de encontrar una explicación humana comprensible a los datos dados. Por ejemplo, encontrar patrones financieros significativos para mejorar las ganancias y las ventas.
El aprendizaje automático se trata de métodos de aprendizaje, es decir, métodos que mejorarán lenta e incrementalmente un sistema con parámetros ajustables. ML está muy relacionado con la optimización numérica en matemáticas, se trata de encontrar el mejor conjunto de valores de parámetros que reducen el error entre la salida real y la salida deseada, en un contexto supervisado en su mayoría. Las derivadas de parámetros se utilizan para determinar la dirección en la que se ajustan los parámetros, por lo tanto, ML se basa principalmente en el descenso de gradiente, es decir, el descenso de gradiente estocástico.
El reconocimiento de patrones, por otro lado, es una aplicación de ingeniería de minería de datos y ML, es un proceso de reconocimiento de patrones como imágenes o voz. Una vez que se entrena una red neuronal usando algoritmos ML, se puede usar para el reconocimiento de patrones. Se pueden usar otros métodos, incluso los que no están relacionados con ML y la minería de datos para el reconocimiento de patrones, como un sistema de reconocimiento de patrones totalmente artesanal.
- ¿Es inútil seguir el aprendizaje automático como segundo año?
- Cómo encontrar grupos en estos datos
- ¿Por qué las arquitecturas profundas aprenden representaciones de características cada vez más altas?
- ¿Qué debería aprender primero para el aprendizaje automático y la autoeducación: cálculo, probabilidad, estadística o álgebra lineal?
- ¿Qué factores se basan en comenzar un gráfico de dibujo de una red bayesiana?
Pero las tres áreas se superponen tanto que es fácil pensar que son lo mismo. Por ejemplo, la visión por computadora y la visión artificial solo están separadas por la aplicabilidad, la visión por computadora está más en el lado académico / de investigación, mientras que la visión por máquina está en el lado de la ingeniería práctica, pero técnicamente son lo mismo.
EDITAR:
Para agregar, la minería de datos se asocia principalmente con estadísticos, ML se asocia principalmente con informáticos, mientras que el reconocimiento de patrones se asocia principalmente con ingenieros eléctricos / electrónicos.
Espero que esto ayude.