這個問題最近刷到很多次，看來是要回答一下了。

因實際工作中會接觸數據分析、挖掘、大數據、機器學習及深度學習，這里分享一下自己對這些概念的認知。

數據分析主要是面向結論。通常是通過人依賴自身的分析經驗和對數據的敏感度（人智活動），對收集來的數據進行處理與分析，按照明確目標或維度進行分析（目標導向），獲取有價值的信息。比如利用對比分析、分組分析、交叉分析等方法，完成現狀分析、原因分析、預測分析，提取有用信息和形成結論。

數據挖掘主要是面向決策。通常是指從海量（巨量）的數據中，挖掘出未知的且有價值的信息或知識的過程（探索性），更好地發揮或利用數據潛在價值。比如利用規則、決策樹、聚類、神經網絡等概率論、統計學、人工智能等方法，得出規則或者模型，進而利用該規則或模型獲取相似度、預測值等數據實現海量數據的分類、聚類、關聯和預測，提供決策依據。

需要注意，較傳統數據挖掘主要針對相對少量、高質量的樣本數據，機器學習的發展應用使得數據挖掘可以面向海量、不完整、有噪聲、模糊的數據。

數據統計同樣是面向結論，只不過是是把模糊估計的結論變得精確而定量。比如。得出具體的總和、平均值、比率的統計值。

從廣義上講，廣義的數據分析分為如上介紹的數據分析、數據挖掘、數據統計三個方向。

機器學習是一門專門研究計算機怎樣模擬或實現人類的學習行為，能夠賦予機器學習的能力以讓它完成通過編程無法完成的功能，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能的學科，但機器學習不會讓機器產生“意識和思考”，它是概率論與統計學的范疇，是實現人工智能的途徑之一。

深度學習是機器學習的一個子領域，受大腦神經網絡的結構和功能啟發而創造的算法，能夠從大數據中自動學習特征，以解決任何需要思考的問題。從統計學上來講，深度學習就是在預測數據，從數據中學習產出一個模型，再通過模型去預測新的數據，需要注意的是訓練數據要遵循預測數據的數據特征分布。它也是實現人工智能的途徑之一。

機器學習中的“訓練”與“預測”過程可以對應到人類的“歸納”和“推測”過程。