大数据分析是收集和分析大量数据集（称为大数据）的过程，以发现有用的隐藏模式和其他信息，例如客户选择，市场趋势，这些信息可以帮助组织做出更明智和面向客户的业务决策。大数据是一个描述以3V为特征的数据的术语：数据量极高，数据类型繁多以及必须处理数据的速度。可以对大数据进行分析，以获得有助于制定更好决策和战略业务举措的见解。

机器学习 是AI（人工智能）的一个领域，通过该领域，软件应用程序可以学习提高期望结果的准确性。用外行的话来说，机器学习是一种教育计算机如何执行人类不知道如何完成的复杂任务的方法。如今，机器学习领域是如此广泛和流行，以至于我们日常生活中发生了很多机器学习活动，并且很快它将成为我们日常工作不可或缺的一部分。

那么，您是否注意到日常生活中的任何这些机器学习活动？

您知道在Netflix或Amazon上获得的电影/电视节目推荐吗？机器学习可为您完成此任务。
Uber / Ola如何确定出租车的价格？如何在您上车后将等待时间减至最少？这些服务如何与您与其他乘客最佳地匹配以最大程度地减少弯路？所有这些问题的答案就是机器学习。
金融机构如何确定交易是否欺诈？在大多数情况下，由于每天的交易量非常大，人工操作很困难。取而代之的是，使用AI创建可从可用数据中学习的系统，以检查哪些交易类型属于欺诈行为。
有没有想过无人驾驶Google汽车背后的技术是什么？答案还是机器学习。
现在我们知道什么是大数据与机器学习，但是要确定在哪个地方使用哪个数据，我们需要了解两者之间的区别。

大数据与机器学习之间的主要区别

数据挖掘和机器学习都植根于数据科学。它们经常相交或彼此混淆。他们将彼此的活动叠加在一起，这种关系最好形容为相互关系。只有其中一个是不可能看到未来的。但是仍然有一些独特的身份将它们按照定义和应用加以区分。这里介绍了大数据与机器学习之间的一些差异以及如何使用它们。

通常，大数据讨论包括通常是Hadoop的存储，提取和提取工具。机器学习是计算机科学和/或AI的一个子领域，它使计算机无需进行明确编程即可学习。
大数据分析作为名称的建议是大数据的分析发现隐藏的图案或从中提取信息。因此，在大数据分析中，分析是在大数据上完成的。简而言之，机器学习正在教机器如何通过使用各种机器学习模型来响应未知输入并给出理想的输出。
尽管可以将大数据和机器学习都设置为自动查找特定类型的数据和参数，以及它们之间的关系，但是大数据看不到与机器学习可以深度相同的现有数据之间的关系。
正常的大数据分析都是关于提取和转换数据以提取信息的，然后可以将其用于机器学习系统，以便进行进一步的分析以预测输出结果。
大数据与高性能计算有更多关系，而机器学习是数据科学的一部分。
机器学习执行与人的互动无关紧要的任务。鉴于大数据分析包括数据的结构和建模，这增强了决策系统，因此需要人与人之间的交互。

比较依据 大数据 机器学习
资料使用 大数据可用于多种目的，包括财务研究，收集销售数据等。 机器学习是自动驾驶汽车和高级推荐引擎背后的技术。
学习基础 大数据分析从现有信息中寻找可帮助塑造我们决策过程的新兴模式。 机器学习可以从现有数据中学习，并为机器自学提供所需的基础。
模式识别 大数据分析可以通过分类和序列分析揭示一些模式。 机器学习通过使用与大数据分析用于自动从收集的数据中学习的算法相同的算法，将这一概念向前迈了一步。
数据量 顾名思义，大数据倾向于对问题涉及大量数据的大规模数据集感兴趣。 机器学习倾向于对过拟合成为问题的小型数据集更感兴趣
目的 大数据的目的是存储大量数据并找出数据中的模式 机器学习的目的是从受过训练的数据中学习并预测或估计未来的结果。