Usamos todos os algoritmos de mineração de dados no aprendizado de máquina; por que não dizemos isso como mineração de dados? por que o estamos nomeando como aprendizado de máquina. qual é a principal diferença entre mineração de dados e aprendizado de máquina?

Essa é uma pergunta agradável e a mais incomodada também. Geralmente, usamos técnicas de mineração de dados para extrair os dados desejados a partir de dados brutos. Mas, no aprendizado de máquina, também extraímos dados de dados brutos, que podem ser denominados como metadados.

Portanto, usando esses metadados, os usaremos nos modelos de regressão para prever algo com base em nossos requisitos. No caso da mineração de dados, é apenas extrair os dados, mas não para prever.

Para uma compreensão clara da mineração de dados, usamos algoritmos para extração de dados e algumas ferramentas para visualização. No aprendizado de máquina, apesar de usarmos essas técnicas de extração, usaremos esses dados para visualização, previsão e para fazer uma máquina aprender. Além disso, para obter novos dados continuamente para aprendizado de máquina.

Vamos começar com um forro.

Mineração de dados: coletamos os dados de diferentes fontes e nos reunimos em um local para processar e obter informações deles,

Aprendizado de máquina: você treina um programa de computador para entender as informações já disponíveis e preparar relatórios, insights e decisões.

Para tornar seu ML mais preciso e bem-sucedido, você precisa treinar seu programa com mais dados. Alguns dos sistemas de ML são projetados para treinar continuamente, o que solicita data pipes.

No seu caso (da sua pergunta), você pode criar Data Mining e ML juntos.

Você entendeu bem a idéia e a idéia.

Mineração de dados - é um processo de busca, coleta e transformação de dados em um formato legível que começa a fazer sentido. Como remover NA em uma variável, mantenha-os no mesmo tipo de dados para uma coluna.

Depois, vem o processo de usar esses dados, que foram processados ​​para visualizar, criar análises e usar os mesmos dados para prever valores futuros para uma variável específica, dependendo do valor de outra variável.

a = bx + c

Assim como uma equação de linha quando o valor de b no conjunto de dados está presente corretamente, as transformadas têm uma amostra apropriada para valores exclusivos de diff em uma variável, usamos algoritmos de aprendizado de máquina diff para prever a e treinar nosso algoritmo para o mesmo.

Esse algoritmo treinado se treinado adequadamente, o que depende muito do conjunto de dados e da otimização de algo ml, quando submetido a novos valores invisíveis de b, fornece os valores aproximados para a (dependendo da precisão de algo treinado).

Em palavras simples, o aprendizado de máquina é como uma criança aprende a não tocar em objetos quentes depois de se queimar, sabendo a diferença entre objetos que são apenas quentes e quentes.