¿Cuál es la conexión entre el aprendizaje automático y la minería de datos? ¿Cuál es la diferencia entre los dos?

Las conexiones y diferencias entre el aprendizaje automático y la minería de datos son las siguientes:

Contacto:

El aprendizaje automático proporciona a la minería de datos una forma de resolver problemas prácticos. La aplicación exitosa de algoritmos en la minería de datos muestra que el aprendizaje automático tiene un valor de aplicación práctica para la investigación de algoritmos.

Diferencia:

La tecnología de minería de datos proviene principalmente del campo del aprendizaje automático, pero la investigación sobre aprendizaje automático a menudo no se ocupa de datos masivos. Por lo tanto, la minería de datos necesita transformar el algoritmo para que su rendimiento y uso del espacio sean prácticos. Al mismo tiempo, la minería de datos tiene su contenido único, es decir, el análisis de correlación.

La minería de datos se refiere a la extracción de conocimientos y patrones ocultos valiosos a partir de grandes cantidades de datos. La minería de datos desea datos originales completos y reales, por lo que la eliminación de ruido y el equilibrio de muestras son muy importantes. El proceso de implementación implica aprendizaje automático, reconocimiento de patrones, estadísticas, almacenamiento distribuido, computación distribuida, visualización, etc. , pero también requiere experiencia en el dominio.

El aprendizaje automático es un método importante para adquirir experiencia a partir de datos y mejorar el rendimiento del sistema. "Aprender" significa resolver la experiencia más cercana a la verdad, y la base teórica es principalmente la estadística.

Desarrollo histórico del aprendizaje automático;

El aprendizaje automático en realidad ha existido durante décadas, o se puede considerar que ha existido durante siglos. La derivación bayesiana y de Laplace de mínimos cuadrados y cadenas de Markov, que se remonta al siglo XVII, formó las herramientas y la base más utilizadas para el aprendizaje automático. Desde 1950 hasta principios de la década de 2000, el aprendizaje automático logró grandes avances.

Desde mediados de los años 50 hasta mediados de los 60, los datos retroalimentados por el sistema se detectaban principalmente cambiando el entorno en el que se encontraba la máquina y sus correspondientes parámetros de rendimiento, al igual que darle al sistema un programa. Al cambiar su espacio libre, el sistema se verá afectado por el programa y cambiará su organización. Eventualmente, el sistema elegirá un entorno óptimo para sobrevivir.

El período comprendido entre mediados de los años 1970 y mediados de los años 1980 se denomina Renacimiento. Durante este período, las personas pasaron de aprender un solo concepto a aprender múltiples conceptos, explorar diferentes estrategias de aprendizaje y métodos de aprendizaje, y en esta etapa comenzaron a combinar sistemas de aprendizaje con varias aplicaciones, logrando un gran éxito.