Indhold
Præsenteret af: AltaML
Q:
Hvad er forskellen mellem maskinlæring og data mining?
EN:
Datamining og maskinindlæring er to meget forskellige udtryk - men de bruges ofte begge i samme ulemper, hvilket er parternes evne til at forfine og sortere data for at komme med indsigt og konklusioner. Lighederne og forskellene kombineret kan gøre det muligt at tale om disse to meget forskellige processer forvirrende for mindre teknisk kyndige målgrupper.
Data mining er processen med at aggregere data og derefter udtrække nyttige data fra det større datasæt. Det er en type videnopdagelse, der er foregået lige siden vi blev i stand til at samle store mængder data. Du kan udføre datamining med et temmelig primitivt system: Programmet vil blive programmeret til at se efter specifikke mønstre og datatendenser, og teknisk information "udvindes" fra den rå masse af data, uanset hvilken form den måtte være i.
Maskinlæring er noget nyere og mere sofistikeret. Maskinindlæring bruger datasæt, men i modsætning til datamining, bruger maskinindlæring detaljerede algoritmer og opsætninger såsom neurale netværk for faktisk at give maskinen mulighed for at lære af inputdataene. Som sådan er maskinlæring ganske lidt mere dybtgående end en data mining-operation. For eksempel arbejder kunstige neuroner i et neuralt netværk i lag for at indtaste inputdata og frigive outputdata med en masse detaljerede "black box" -aktiviteter imellem (udtrykket "black box" gælder for mere sofistikerede systemer, når mennesker har en svært ved at forstå, hvordan de neurale netværk eller algoritmer faktisk gør deres job).
Data mining og maskinindlæring er også meget forskellige i deres applikationer til virksomheden. Igen kan dataindvinding foregå inden for enhver given ERP-applikation og i mange forskellige processer.
I modsætning hertil kræver et maskinindlæringsprojekt betydelige ressourcer. Projektledere skal samle trænings- og testdataene, se efter problemer som overmontering, beslutte valg af funktion og ekstraktion af funktioner og meget mere. Maskinindlæring kan kræve komplekse former for buy-in fra forskellige interessenter, mens dataminingaktiviteter normalt bare kræver en hurtig afmelding.
På trods af disse forskelle gælder både datamining og maskinindlæring på området videnskab. At lære mere om datavidenskab hjælper interessenter med at lære mere om, hvordan disse processer fungerer, og hvordan de kan anvendes i en given branche.