数据分析和机器学习-数据分析与机器学

大家好，今天小编关注到一个比较有意思的话题，就是关于数据分析和机器学习的问题，于是小编就整理了1个相关介绍数据分析和机器学习的解答，让我们一起看看吧。

1. 机器学习和数据分析之间有什么关系？

机器学习和数据分析之间有什么关系？

做数据分析的一般会用到机器学习。😎 😎

机器学习其实就是算法模型，目前通用的模型一般有三大类，回归，分类，降维，主要分监督学习和无监督学习，常用的有回归分析，逻辑回归算法，贝叶斯算法，支持向量机，聚类分析。这些机器学习一般是数据分析常用的分析手段，用来分类，预测进而对业务有促进作用。

当然，通常的数据分析都是偏业务的，需要十分精通业务，机器学习算法只是一种分析的***，我倒是觉得数据挖掘和机器学习联系的比较紧密，因为他是偏向技术和建模的。

在大的公司，可能会分的比较细，有数据分析和挖掘之分，但是在大多数公司，数据分析和数据挖掘没有明显的界线，甚至会是一个岗位，同一个人做。

***惯，先说结论：作为一个IT老腊肉，简单地说总结下，数据分析是基础，而机器学习是建立在数据分析上的高层应用。

这两个概念都是当前热门专门的学科，而机器学习更是炙手可热。在大学里需要一个学期甚至更多的时间的学习，我们尽量用大白话做个介绍，让大家理解这两个概念是什么东西。

第一、数据分析是个老概念，所以我们先说数据分析

简单地说，数据分析师为了发现建立数据和数据之间的关联，并寻找数据之间的关系。运用无所不在。

比如你说你要做“健康与家庭”的课题，你就要建立定义健康和家庭的数据，如健康的概念很泛，你需要定义的东西很多，比如环境、工厂、气候、饮食、当地经济状况等等，都跟健康有关，而对于家庭，你需要定义家庭构成、家族病史、饮食、生活习惯工作环境和性质等等，然后你需要去手工建立关联去寻找他们之间的关系，比如居住在工厂附近的居民是不是患病率更高等等。

说的学术一点：数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便***取适当行动。

第二，再来说机器学习

简单的说，是机器通过各种模型来自发的去探索和理解数据之间的关系，比如上面在数据分析里，数据分析只能按照你定义的关联，去寻找工厂附近的居民是不是患病率更高，而机器学习可以根据你定义的模型要去依次寻找患病率和居住环境、生活环境、经济水发展水平之间的关系。

机器学习可以重新组织数据，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

如果你想做好机器学习，数据分析是必须要熟练掌握的，常用的数据库管理、SQL语句、各种范式等等，如果想深入学习的话，概率论、统计学等理论也是必须要学的。

数据分析跟机器学习之间没有明显的界限，很多具体的数据分析问题都会用到机器学习的算法，同样的，在机器学习的过程中，也会需要用到很多数据分析方面的基础技术。在我看来，「机器学习」和「数据分析」之间的区别就在于，机器学习更像是一门理科，然后配上许多的实验；而数据分析更像是一门工科，配上许多的实习。

之所以说机器学习像理科，是因为机器学习的理论研究其实就跟统计学的研究非常类似。机器学习整个学科的基础很大程度上完全是建立在统计的基础上，虽然我们在应用这些算法的时候不一定需要去通晓相关的统计学背景。在应用方面，现在机器学习尤其是深度学习已经有了一些较为成熟的方案（模型和算法），需要做的是去调节模型里的参数，使得学习的结果变得更好，这有些像是在做科学实验。

数据分析需要用到很多很杂的统计知识，但不需要做与统计学有关的研究。数据分析并不等同于统计学，也不是计算机科学，也不是软件工程，更不是产品经理，但数据科学家需要做的是这些东西的一个综合。数据分析强调解决问题，涉及许多应用的场景，面对海量的数据尤其是非结构化的大数据，希望从数据中提取出与实际业务有关的许多特征，做出许多重要的预测，而且，这些研究得到的特征又会迭代进数据产品，整个研究的过程都是数据驱动的，这更像是一种从实践中获取经验的实习过程。

到此，以上就是小编对于数据分析和机器学习的问题就介绍到这了，希望介绍关于数据分析和机器学习的1点解答对大家有用。