数据分析、机器学习、大数据、数据挖掘和数据科学是每个数据驱动项目的关键步骤，让我们来看看这些术语之间的区别:
- 数据科学，是对大量数据的研究，通过科学的方法、各种技术和算法，从原始的、结构化的和非结构化的数据中提取有价值的见解。
- 数据挖掘，是收集所有过去的数据，寻找模式，并解释这些模式的科学。这个想法是为了找到变量之间的相关性或模式。预测是数据挖掘的最终过程，它非常有用。
- 数据分析-数据分析是一种使数据具有意义的方法。本质上，它包括原始数据的创建、清理、处理和建模，然后以图表和非图表的形式将其可视化。数据分析被企业用来做出更好的决策。
- 机器学习-这门科学关注的是自学习算法和程序的发展。一旦它们被设计出来，它们就不需要人的帮助了。因为人类无法为每一项可能的研究或垃圾邮件构建模型，所以最好让计算机变得足够聪明，能够自己学习。机器学习指的是数据挖掘后期的自动化。
- 大数据——它们由大量的数据集组成，这些数据集被评估以显示人类互动——特定的模式、趋势和关系。
它们之间的关系：
首先做任何事情之前，要弄清楚你的数据来自哪里，有多少数据，数据产生的速度是多少，它将被存储在哪里等等。如果这些要求满足一定的阈值，就可以认为是大数据，否则就是数据处理，没有任何花哨的名称。
获取数据、格式化和清理数据以便能够使用它的过程称为数据分析。
当不知道具体的问题或不知道该去哪里查找时，您可以使用数据挖掘。
在数据分析和数据挖掘中，用来更容易地提取洞察力的工具和技术被称为数据科学。
一些工具和技术以程序的形式，基于它所看到的数据进行自我学习，被称为机器学习。
参考资料：