如何理解数据挖掘？

一、数据挖掘边界

数据挖掘的定义和边界不够明确，一般通过与其他概念对比进行理解。

目前流行的是AI、机器学习、深度学习，它们之间的包含关系参考下图。可以看到深度学习是机器学习的一个方向，机器学习又是AI的一个方向。

图1 AI、ML、DL

数据挖掘更多是从实际的数据出发，利用机器学习中频繁模式、分类和聚类的技术来分析、挖掘、预测一些对实际有用的结果。数据挖掘与其他领域的边界关系参考下图。

图2 Border of DM

下图进一步展示了这些领域之间的相互作用。事实上，界限仍然不明显。然而界定这些名词或者领域的边界不是最重要的，从一个比较高的维度来看，这些领域综合起来都是利用数据实现人工智能的目的。

图3 Relation between DM and AI、ML etc.

人工智能的研究领域至少可以按照如下分类：一种是类人的，用来实现人类的功能，如行动、图像识别、自然语言处理、语音处理等；一种是超人的，用来扩展人类的功能，如记忆、搜索、翻译、自动驾驶、决策等；一种是非人的，用来补充人类的功能。

二、数据挖掘思维导图

学术上的数据挖掘研究方向比较传统，主要是处理数据，挖掘数据，评估模型。随着互联网和大数据的发展，数据挖掘的应用领域却越来越广。我们大可不必拘泥于数据挖掘、数据分析、机器学习的边界和区别，或许这些边界和区别都是人为设置的。毕竟不管哪种技术，能解决实际问题的都是好技术。

图4 数据挖掘思维导图