对于“数据挖掘”所暗示的内容，没有普遍的共识。机器学习对数据预测的关注并不总是正确的，尽管对数据属性发现的强调无疑总是适用于数据挖掘。
所以，让我们从这个开始：数据处理可能是一个跨学科领域，专注于发现知识集的属性。 （忘记它是“数据库中的知识发现”KDD 的分析步骤，这可能在几年前有效，现在不再有效）。
区域单元有不同的方法来发现知识集的属性。机器学习就是其中之一。另一种只是注视信息集受害图像技术或拓扑信息分析。
另一方面，机器学习可能是知识科学的一个子领域，专注于规划算法，这些算法可以从信息中学习并创建预测。机器学习包括监督学习和无监督学习两种方式。无监督方式从未标记的信息集中起飞，因此，在某种程度上，它们与寻找其中的未知属性（例如，集群或规则）直接相关。
很明显，机器学习将用于数据处理。但是，除了机器学习之外，数据处理还将使用不同的技术。
为了创造更复杂的东西，目前，我们有一个替代术语，信息科学，它与注意力竞争，特别是在数据处理和 KDD 方面。甚至 ACM 的 SIGKDD 集群也在慢慢走向受害信息科学。在他们的网站上，他们目前将自己描述为“数据处理、信息科学和分析社区”。根据预测，KDD在冗长的版本之前可以作为一个漂亮的术语消失，而数据处理只能合并为一门信息科学。
假设问题是从您的信息中过滤异常值（异常检测），这可能是一项知识挖掘任务。可以在聚类分析中使用标准机器学习技术（如 K-means 算法规则）来发现这些异常值，并在执行此操作时构建算法规则以进行学习。
现在，这些异常值的平方度量“以前未知”，因此任务与信息挖掘相同，而机器学习进入具有算法规则的“学习”属性的图像，不会找到异常值。
要“教机器”，您需要信息。举个例子，如果你想训练一个神经网络来预测超级碗的获胜者，你不能只对联合国机构在今年赢得的比赛进行排序。这还不够。你会希望得到很多信息，比如你能得到的最大数量。您希望每个球员的每个统计数据都适合他或她的整个职业生涯。你有很多信息，很多神经网络都会从相同的细节中学习。我尝试训练一个神经网络来形成恶作剧，并且我有大约 10kb 的信息。我认为那是负载，然后在有人受害超过 3mb 的地方找到了日记。这就是您希望进行数据处理的原因。如果您将个人电脑视为某人，那么需要多长时间才能让某人说话？他们观察了几次谈话；他们不只是听到十个对话然后就好像被魔法变流利了。因此，从本质上讲，数据处理是机器学习的最早步骤之一。由于指导神经网络的初始阶段，您可以挖掘信息，然后组织、规范化等。