简单概念及关系
数据挖掘就是试图从海量数据中找出有用的知识。数据挖掘的一个重要方法，是机器学习，即通过程序积累经验，但机器学习是一门学科，并不从属于数据挖掘，二者相辅相成；而速度学习是机器学习的一个子集，就是用复杂、庞大的神经网络进行机器学习。统计学与机器学习是在研究模型与算法，统计学基于数学，而机器学习基于机器自主学习，是数学、统计学、计算机科学的交融结合。
数据挖掘
顾名思义就是从海量数据中“挖掘”影藏信息，这里的数据是“大量的，不完全的，有噪声的，模糊的，随机的实际应用数据",信息指的是”隐含的，规律性的，人们事先未知的，但又是潜在有用并且最终可理解的信息和知识“。在商业环境中，企业希望让存放在数据库中的数据能”说话“，支持决策。所以，数据挖掘更偏向于应用。为了做好数据挖掘，企业又需要建立数据仓库。
机器学习
机器学习，就是利用计算机、概率论、统计学等知识，通过给计算机程序输入数据，让计算机学会新知识，是实现人工智能的途径，但这种学习变化不会让机器产生意识。机器学习的过程，就是通过训练数据寻找目标函数。数据质量会影响j机器学习深度，所以数据预处理非常重要。传统数据挖掘主要针对相对少量、高质量的样本数据，机器学习更多的是针对海量繁杂的大数据。但机器学习并不一定要全局数据，只是在大数据时代，堆数据、堆机器的方法在工业界成本低而见效快，被广泛采用。
深度学习
深度学习是机器学习的一种，现在深度学习比较火爆。在传统机器学习中，手工设计特征对学习效果很重要，但是特征工程非常繁琐。而深度学习能够从大数据在自动学习特征，这也是深度学习在大数据时代受欢迎的一大原因。
统计学
统计学主要分为一般统计和经济统计两类专业方向。一般统计主要是对统计学的基本理论和方法进行研究；经济统计则是提供科学地调查、搜集经济信息，以及描述、分析经济数据并对社会经济进行过程进行预测、监督的一门科学。
