数据分析和数据挖掘之间的区别

1.数据挖掘：
数据挖掘可以定义为识别预建数据库中模式的过程。它提取异常模式、巨大数据集之间的互连以获得正确的结果。
数据挖掘，有时也称为“数据库中的知识发现”。可以说它是统计学、人工智能和机器学习三个科学学科的结合体。

• 统计数据 -
  它通过分析各种数据集合来处理统计数据集。它有助于解决工业、组织和社会问题。
• 人工智能 -
  它是数据挖掘的重要组成部分。它从多个系统中提取数据。
• 机器学习——
  它利用数据挖掘技术，并在一些算法的帮助下，用于构建模型。

数据挖掘之后的步骤：

1. 探索——
   它是数据挖掘的第一步，它使用统计技术和数据可视化来定制数据集的字符并了解数据的行为。
2. 模式识别——
   这意味着找到共存数据与其他数据之间的某种相互关系。
3. 部署——
   这是一种方法，通过它我们可以将机器学习模型合并到现有的环境生产中，以便根据该数据在实际的商业生活中做出更好的决策。

数据挖掘技术和算法：
在现有数据库的基础上，通过使用各种算法和技术来完成这项任务。即分类、聚类、回归、人工智能、神经网络、关联规则、决策树、遗传算法、最近邻法等。

• 分类 -
  这是一个搜索模型的过程，该模型描述和区分数据类和概念，并将它们归入特定类别。
• 聚类——
  为了以更具体的方式分析数据，使用了这种方法。它有时被称为聚类分析。可以说是一个无监督的机器学习过程，用于在庞大的数据集中识别和组成具有相似类型数据的组。
• 回归——
  它主要用于分析连续值之间的相互关系。
• 关联规则 –
  这涉及机器学习模型来分析数据库中的模式数据。这有助于目录设计、交叉营销和客户购物行为分析，以做出更好的决策。
• 神经网络 -
  可以说是一系列算法，旨在通过模仿人类大脑的运作方式来识别数据库之间的潜在关系。

2. 数据分析：
数据分析是从现有数据分析数据的过程。为了将数据从一个系统传输到另一个系统，它使用 ETL 过程（即提取、转换和加载）。

数据分析在以下方面非常重要：

• 数据仓库和商业智能 (DW/BI) 项目 –
  借助 ETL，数据剖析可以检测数据源中的数据质量错误。
• 数据转换和迁移项目 –
  这些将数据从一个平台转移到其他来源，以便我们可以为技术添加新功能并为组织升级其性能。
• 源系统数据质量流程——
  数据分析可以突出显示有一些连续问题的数据和问题的根源（Ex-Inputs、Errors、Data Corruption）。

数据分析技术：

• 结构发现 –
  通过对数据应用数学统计，即（总和、最小值或最大值），它有助于分析我们的数据是否一致且格式正确。
• 内容发现 –
  这侧重于特定内容以找出错误，例如表中的特定行有问题以及问题发生在系统的哪个部分。
• 关系发现 -
  这会收集数据并发现不同数据元素之间或数据库内的相互关系。

数据分析后的步骤：

1. 搜索准确的数据以进行数据分析。
2. 发现问题并纠正有关数据集中数据质量的问题。
3. 借助 ETL 过程，可以识别数据质量问题。
4. 借助一些外键关系、层次结构和一些预期的业务规则，可以完美地执行ETL流程。

数据分析和数据挖掘之间的区别：

S.NO.	DATA MINING	DATA PROFILING
01.	Data mining is the process of identifying the patterns in a pre-built database.	1. Data profiling is a process of analyzing data from the existing one.
02.	It is also called as KDD that is Knowledge Discovery in Databases.	It is also known as data archaeology.
03.	The purpose of data mining is to built machine learning techniques for real-time needs.	The purpose of data profiling is to provide us accuracy, consistency, uniqueness and error free within a dataset.
04.	It extracts data by applying some computer-based methodologies and some algorithm.	It extracts from the existing raw dataset.
05.	The point of data mining is to dig out the data from the sources to resolve some issues through data analysis.	The purpose is to collect accurate data for recognizing the use and quality of that data.
06.	It is usually executed on the structured data.	It is executed on the structured as well as unstructured data.
07.	This involves Classification, Clustering, Regression, Association rule and neural networks to perform tasks.	This involves discovery and Analytical Techniques to collect informative summaries related to the data.
08.	The applications of data mining involve the customer behavior, credit analysis, fraud detection, business intelligence etc.	The applications of data profiling involve targeted advertising, fraud and risk detection, image recognition, delivery logistics etc.
09.	Tools used for data mining are Weka, RapidMiner, Orange, KNIME, Sisense, SPSS, SPSS Modeler, Rattle, Data Melt etc.	Tools used for data profiling are Atlan, Aggregate Profiler, IBM Infosphere Information Analyzer, Informatica Data Explorer, Melissa Data Profiler, Microsoft Docs etc.