狭义的数据分析与数据挖掘。统计学，机器学习

一.数据分析：数据分析是指根据分析目的，用适当的统计分析方法及工具，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用。

数据分析的过程可以大致分为：数据获取--数据清洗--数据处理--数据建模--分析结果呈现几个阶段。

1.数据获取：这个阶段的输出是一个数据子集（原始数据集的部分观察或者变量），困难之处在于理解相关的数据源

2.数据处理：对数据进行汇总，或者形式上的变换.编码的替换等。

3.数据建模：用于统计分析或机器学习算法对数据建模，以便描述数据或对未来进行预测。

4.分析结果呈现：把建模的结果以图.表或者更加复杂的可视化方式呈现出来。

数据挖掘：数据挖掘指的是在大型的数据库中对有价值的信息只是进行获取。具体的说，数据挖掘就是通过对海量的.杂乱无章的.不清晰的并且随机性很大的数据进行挖掘，找到其中蕴含的有规律并且有价值和能够理解应用的知识。数据挖掘的方法有两种：一种是分类分析，一种是聚类分析

分类分析：需要找到数据之间的依赖关系，并且进行预判输出离散类别。

聚类分析：先对数据进行初试归类，之后去粗取精进行合并，最后使得对象之间彼此联系归于一类。

区别与联系：数据分析更多采用统计学的知识，对源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。而数据挖掘不仅仅用到统计学的知识，还要用到机器学习的知识，这里会涉及到模型的概念。数据挖掘具有更深的层次，来发现未知的规律和价值。

二.统计学：统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。统计学用到了大量的数学及其它学科的专业知识，其应用范围几乎覆盖了社会科学和自然科学的各个领域。

   机器学习：机器学习是一门多学科交叉专业，对它的定义有以下三种

（1）机器学习是一门人工智能的科学，该领域的主要研究对象人工智能，特别是如何在经验学习中改善具体算法的性能。

（2）机器学习是对能通过经验自动改进的计算机算法的研究。

（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准

在大数据方面，机器学习对数据的转换，数据的处理数据的存储等带来了更好的技术支持，产业升级和新产业诞生形成了一种推动力量，让大数据能够针对可发现事物的程序进行自动规划，实现人类用户以计算机信息之间的协调。

区别与联系：统计学更多的是一种分析能力，建立在大量的数据中的一种推测方法，是一种数据研究，若无数据则无法处理，更多的是一种预测。而机器学习通常会牺牲可解释性以获得强大的预测能力，机器学习基于统计的框架，因为机器学习涉及数据，而数据必须基于统计学框架来进行描述。