首先我認為沒有必要給兩個詞劃定乙個明確的界限，不妨從字面意思理解就足夠了。
資料探勘——首先是有一定量的資料作為研究物件，挖掘--顧名思義，對一些東西進行深度的研究、對比、甄別等工作，最終從中間找到知識和規律，「挖掘」這個詞用的很形象。
機器學習——首先想想人類學習的目的是什麼，是掌握知識，掌握技巧，最後能夠進行複雜的工作或者要求更高工作。模擬一下機器，我們讓機器學習，最終的目的就是讓他最終能夠獨立或半獨立的進行複雜或高要求的工作。
這裡的機器學習更多的是讓機器幫助人類做一些大規模的資料識別、分揀、規律提取等人類做起來比較花時間的工作。但是請注意，與資料探勘一起出現的這個機器學習概念和我們說的「人工智慧」還是相差甚遠，因為這裡面對「智慧型」的考究程度實在太低了。
資料探勘與機器學習之間有什麼聯絡？
談到對資料進行分析利用，很多人會想到 資料探勘 data mining 這裡簡單 一下資料探勘和機器學習的聯絡。資料探勘領域是在二十世紀九十年代左右形成，他收到很多學科的影響，其中資料庫 機器學習 統計學無疑是影響最大的。資料探勘是從海量資料中發掘知識，這就必然涉及到對 海量資料 的管理和分析。大體...
資料探勘 用文字挖掘和機器學習洞悉資料
文字挖掘是對包含於自然語言文字中資料的分析。它可以幫組乙個組織從基於文字的內容中獲得潛在的有價值的業務洞察力，比如word文件，郵件和社交 流中發布的帖子，如facebook，twitter，和linkedin。對於機器學習技術中資訊檢索和自然語言處理的應用而言，文字挖掘已經成為乙個重要的研究領域。...
機器學習與資料探勘
機器學習的科學成分更重一些 資料探勘的技術成分更重一些 資料分析的角度 資料探勘並沒有機器學習探索人的學習機制這一科學發現任務 資料探勘中的資料分析是針對海量資料進行的 是一門多領域交叉學科，涉及概率論 統計學 畢竟輪 凸分析 演算法複雜度理論等多門學科，專門研究計算機是怎樣模擬或實現人類的學習行為...