2024-09-12
可以理解成大数据是场景是问题，而数据挖掘是手段。大数据概念：大数据是近两年提出来的，有三个重要的特征：数据量大，结构复杂，数据更新速度很快。
数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。
因此两者的目的不一样，数据分析是有明确的分析群体，就是对群体进行各个维度的拆、分、组合，来找到问题的所在，而数据发挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务、用户、数据进行更多的洞察解读。
数据分析：一般要分析的目标比较明确，分析条件也比较清楚。数据挖掘：目标不是很清晰，要依靠挖掘算法来找出隐藏在大量数据中的规则、模式、规律等。
大数据是指数据的量，过去数十年数据收集存储的能力大幅提升，人类社会积累的数据量几何级数上升，这是指目前的现状。数据挖掘是从海量数据中获取规则和知识，统计学和机器学习为数据挖掘提供了数据分析的技术手段。
数据规模和来源。大数据处理技术和传统的数据挖掘技术最大的区别是数据规模和来源：传统的数据挖掘主要针对有限的大型数据库，而大数据的处理则源于大规模的、多源异构的数据集。这个差异也直接导致了数据处理和分析技术的巨大改变。
1、大数据是互联网上海量的数据挖掘，而数据挖掘更多的是针对企业内部的小数据挖掘，数据分析是进行有针对性的分析和诊断，大数据需要分析的是趋势和发展趋势，数据挖掘主要是发现问题和诊断。数据分析更多采用统计学的知识，对原数据进行描述性和探索性分析，从结果中发现价值信息来评估和修正现状。
2、数据分析师与数据挖掘工程师本质上是不一样的。“数据分析”的重点是观察数据，而“数据挖掘”的重点是从数据中发现“知识规则”。“数据分析”得出的结论是人的智能活动结果，而“数据挖掘”得出的结论是机器从学习集（或训练集、样本集）发现的知识规则。
3、数据分析师岗位重在“分析”，数据挖掘工程师岗位重点是要“挖掘”。【数据分析师】：基于业务，通过数据分析手段发现和分析业务问题，为决策作支持。一般招聘这类岗位的公司规模都不会太小，人数可能不是一个唯一的衡量指标，但是业务规模肯定比较大，反而言之，业务规模太小的公司就没什么可分析的了。
数据挖掘的定义是从海量数据中找到有意义的模式或知识。例如国内的灵玖软件这方面做的就不错。大数据需要映射为小的单元进行计算，再对所有的结果进行整合，就是所谓的map-reduce算法框架。
数据挖掘是一个动作，是研究数据内在的规律，并且通过各种机器学习、统计学习、模型算法进行研究。大数据其实是一种数据的状态，数据多而大，大到超出了人类的数据处理软件的极限。数据挖掘基于数据库理论，机器学习，人工智能，现代统计学的迅速发展的交叉学科，在很多领域中都有应用。
大数据是指数据的量，过去数十年数据收集存储的能力大幅提升，人类社会积累的数据量几何级数上升，这是指目前的现状。数据挖掘是从海量数据中获取规则和知识，统计学和机器学习为数据挖掘提供了数据分析的技术手段。
1、数据分析与数据挖掘的目的不一样 数据分析是有明确的分析群体，就是对群体进行各个维度的拆、分、组合，来找到问题的所在，而数据发挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务、用户、数据进行更多的洞察解读。
2、从侧重点上来说，相比较而言，数据分析更多依赖于业务知识，数据挖掘更多侧重于技术的实现，对于业务的要求稍微有所降低。从数据量上来说，数据挖掘往往需要更大数据量，而数据量越大，对于技术的要求也就越高。
3、主要区别：“数据分析”的重点是观察数据，而“数据挖掘”的重点是从数据中发现“知识规则”KDD（Knowledge Discover in Database）。“数据分析”得出的结论是人的智力活动结果，而“数据挖掘”得出的结论是机器从学习集（或训练集、样本集）发现的知识规则。
4、“数据分析”的重点是观察数据，而“数据挖掘”的重点是从数据中发现“知识规则”。“数据分析”得出的结论是人的智能活动结果，而“数据挖掘”得出的结论是机器从学习集（或训练集、样本集）发现的知识规则。