数据挖掘、机器学习和模式识别关系与区别

转自：http://www.cnblogs.com/growup/archive/2011/04/26/2029393.html    感谢分享。      

数据挖掘（Data Mining）与数据库（DB）、机器学习（ML）和统计学（Statistical Learning）的联系：

       数据挖掘和机器学习的区别和联系，周志华有一篇很好的论述《机器学习与数据挖掘》可以帮助大家理解。数据挖掘受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。

       对数据挖掘而言，数据库提供数据管理技术，机器学习和统计学提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。

       从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。

       数据挖掘主要流行于统计界（最早出现于统计文献中）、数据分析、数据库和管理信息系统界；而数据库知识发现（KDD）则主要流行于人工智能和机器学习界。

模式识别（PR）和机器学习的关系是什么呢？

       传统的模式识别的方法一般分为两种：统计方法和句法方法。句法分析一般是不可学习的，而统计分析则是发展了不少机器学习的方法。也就是说，机器学习同样是给模式识别提供了数据分析技术。

至于，数据挖掘和模式识别，那么从其概念上来区分吧，数据挖掘重在发现知识，模式识别重在认识事物（模式识别的实质就是：分类）。

      模式识别说白了就是分类，而分类可以认为是数据挖掘的一部分，数据挖掘主要工作有分类、聚类、关联分析、离群点检测等；机器学习的范围更广，算法更多！但三者都要求有坚实的统计学基础，学的越扎实越好！

机器学习的目的是建模隐藏的数据结构，然后做识别、预测、分类等。

因此，机器学习是方法，模式识别是目的。

然后：CV、AI 呢？？？有必要浏览学习一下各个方面……