模式识别，机器学习和数据挖掘的区别和联系
机器学习的一类问题叫模式识别，除了模式识别，机器学习还干别的事情，比如密度估计。数据挖掘可以用机器学习技术，也有非机器学习的数据挖掘，但是实际上，现在主要就是用机器学习技术。
■网友
模式识别：例如文字识别，图像识别，语音识别，数据挖掘：数据，例如图片，语音，数字数据，等等进行分类或者回归，得出规律的东西机器学习：就是上面的方法要用到机器学习，什么深度学习，svm，bp，等等
■网友
机器学习：根据样本训练模型，如训练好的神经网络是一个针对特定分类问题的模型；重点在于“学习”，训练模型的过程就是学习；机器学习的落脚点是思考；
模式识别：自己建立模型刻画已有的特征，样本是用于估计模型中的参数。模式识别的落脚点是感知。
1）模式识别是根据已有的特征，通过参数或者非参数的方法给定模型中的参数，从而达到判别目的的；机器学习侧重于在特征不明确的情况下，用某种具有普适性的算法给定分类规则；学过多元统计的可以这样理解：模式识别的概念可以类比判别分析，是确定的，可检验的，有统计背景的（或者更进一步说有机理性基础理论背景），而机器学习的概念可以类比聚类分析（聚类本身就是一种典型的机器学习方法），对“类”的严格定义尚不明确，更谈不上检验；
2）针对市面上很多关于模式识别与机器学习的著作内容重合，应该这么看：
①算法是中性的，两个不同的学科领域关键看思维。如神经网络的应用，如果通过具体学科，如生物学的机理分析是明确了某种昆虫的基因型应该分为两类，同时确定了其差异性的基因是会表现在触角长和翅长两个表现型的话，那么构造两个（触角长，翅长）——（隐含层）——（A类，B类）的网络可以看作对已有学科知识的表达，只是通过网络刻画已有知识而已；而机器学习的思路是：采样，发现两类品种差异最大的特征是触角长和翅长（可能会用到诸如KS检验之类的方法），然后按照给定的类目：两类来构造神经网络进行分类；
同一个算法，两个学科是两种思路；
②模式识别在人工智能上的前沿成果已经慢慢被机器学习取代，所以很多以AI为导向的模式识别书记包含了很多机器学习的算法也正常，毕竟很多新成果是机器学习做出的；
3）关于应用范围，机器学习目前是在狭义的人工智能领域走得比较快，但是广度还是模式识广，模式识别在很多经典领域，如信号处理，计算机图像与计算机视觉，自然语言分析等都不断有新发展；
4）从发展目标看，机器学习是要计算机学会思考，而模式识别是具体方法的自动化实现（不止计算机，还包括广义的控制系统），从立意上机器学习要高出一筹。至于现实中是否能实现，当前的机器学习热潮会不会陷入泡沫，都值得观察。
■网友
【模式识别，机器学习和数据挖掘的区别和联系】 exploit low-dimensional discipline ( low-rank, sparsity, manifold, etc) in high-dimensional.
■网友
机器学习是数据挖掘一大支撑技术，是数据挖掘的基础，两者处理的问题对象不同。
推荐阅读
- 安徽合肥：辅警管理新模式电诈压降显成效
- 甘肃乡贤文化渐兴：兰州高新区探“村委+乡贤”模式
- 互联网在线音乐行业有哪些可能的盈利模式
- 小米手机的指纹信息保管安全吗
- 国内有类似Ebay中bid（竞标）模式的网购平台吗
- 21世纪经济报道|携手国家电网 东风汽车将推换电模式
- 电话营销机器人哪个比较好用
- 唯品会无搜索模式真的能让大众消费者驻留页面更长时间吗
- 请问有哪些机器人大赛是比较权威的
- 游戏公司一般咋识别游戏脚本