導語
AI領域中人工智能、機器學習、數據挖掘已然越來越火，我們只是聽了個耳熟，但相信很多人都不太明白他們是什麼意思，簡單的說一下：人工智能（AI）、機器學習（ML）、數據挖掘（DM）的區別。
總體來說
三者的區別是目的不同，但達到目的的方法有很大重疊之處。
數據挖掘是用來理解事物的；
機器學習是用來預測事物的；
人工智能是用來生成行動的。
分別解釋
人工智能
人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
用人話說就是要讓機器的行為看起來像人表現出來的智能行為一樣。
其本質是用數據和模型為現有的問題提供解決方法。
如果你想要系統地學習人工智能，那麼推薦你去看床長人工智能教程。非常棒的大神之作，教程不僅通俗易懂，而且很風趣幽默。點擊這裡可以查看教程。
機器學習
機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，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。
M代表計算機程序(Computer Program)，對於某類任務T和性能度量P，如果一個計算機程序在T上以P衡量的性能隨著經驗E而自我完善，那麼就稱這個計算機程序從經驗E學習。
本質是自動地從過往經驗中學習知識，其重要應用就是預測。
通過數據訓練的學習算法的研究都屬於機器學習。
推理：從一般到特殊
歸納：從特殊到一般
數據挖掘
數據挖掘（Data mining）又譯為資料探勘、數據採礦。它是數據庫知識發現（英語：Knowledge-Discovery in Databases，簡稱：KDD)中的一個步驟。數據挖掘一般是指從大量的數據中通過算法搜索隱藏於其中信息的過程。
有目的的從現有的信息中提取數據的模式和模型，以用於未來機器學習和人工智能的數據使用。其核心目的是找到數據變量之間的關係，A和B可能存在相關關係，但是它無法告訴你A和B存在什麼相關關係。
數據挖掘不是一種用來證明假說的方法，而是用來構建各種各樣的假說的方法。
區別總結
由以上的定義解釋來看，機器學習是解決人工智能問題的一種手段；機器學習自己可以是一個單獨學科，也可以包含在人工智能學科裡面。
數據挖掘的很多算法也來自機器學習但兩者沒有從屬關係。
目前，這三種技術都需要用到python語言，所以學習python是很多人的又一編程語言選擇，私信python，給你發價值萬元的python學習教程。