手機用戶87882465012
Spss statistics與Spss Modeler這兩個軟件都是關於數據方向的軟件，其中Spss statistics更加偏向於數據分析，而Spss Modeler更加偏向於數據挖掘。相信數據分析和數據挖掘的概念，你應該很明確了吧？在此就不再贅述了。
Spss statistics更加偏向於統計、數據分析；Spss Modeler主要是用於數據建模，提供一個數學模型。
如果不會Python的話，同時掌握了這兩個軟件再加上統計學理論知識的話，找個數據分析工作問題不大，不過隨著你自己的未來發展，Python和R語言，我相信都是你需要補課的重要內容。
回頭可以看看數據分析、數據挖掘的區別
Python進階學習交流
好問題，我會針對每個名詞進行解析和對比，供您參考。不會像悟空上面有的回答那樣東拉西扯，文不對題，離題萬里若等閒。
我需要重新排列下您提的幾個詞：
大數據
數據挖掘
數據分析/統計分析
機器學習
深度學習
想象一下，您是一名在頭條或者抖音工作的數據科學家。你需要做什麼呢？
需要處理大數據，必須使用SQL，Python，R，C ++，Java，Scala，Ruby等來編寫計算機程序，以便僅維護大數據數據庫。
作為想要簡化公司運營的人員，你需要做數據挖掘和數據分析——可能會使用簡單的軟件來執行此操作，或者運行大量其他人編寫的代碼，或者用SQL，Python，R編寫詳盡的代碼，進行數據挖掘、數據清理、數據分析、建模、預測建模等。
數據分析有很多軟件可以做，Tableau是最受歡迎的一種，還有SAS。並輸出分析報告。
此外，需要能夠使用機器學習來得出結論，並在不能獲得分析答案的地方提出預測。可以將分析性答案視為計算機程序的[If / then]類型，其中所有輸入條件都是已知的，並且只有幾個參數會發生變化。
機器學習使用統計分析對數據進行分區。例如：閱讀不同人發表的評論，並根據評論預測下一個閱讀者贊同還是否定這個回答。
如果這還不夠，您還可以使用深度學習。深度學習用於處理諸如音樂文件，圖像之類的數據，甚至諸如自然語言之類的文本數據，這些數據雖然很大，但是類型卻非常多樣。
公司外部的人可能會看到也可能不會看到您做的任何事情，但你的工作將幫助公司更好地進行產品和方案設計。
為此，您可能需要大量的專業知識來處理數據和一些編程語言的知識。
在網上我之前看到的數據科學維恩圖（Venn Diagram）如下。數據科學家處在交匯處。交流。
我們所說的“大數據”是什麼意思？
“大數據”是指數據集，其大小超出了典型數據庫軟件工具的存儲、管理和分析的能力。 隨著技術的不斷髮展，符合大數據條件的數據集的大小也會增加。還應注意，定義可能因行業而異，具體取決於特定行業中常用的軟件工具種類和數據集的大小。 有了這些警告，當今許多領域的大數據範圍將從幾十TB到數PB。
接下來我們看看大數據需要什麼樣的分析
A/B測試
關聯規則學習
分類分析
聚類分析
- 數據挖掘
什麼是數據挖掘
通過將統計和機器學習方法與數據庫管理相結合，從大型數據集中提取模式的一組技術。這些技術包括關聯規則學習，聚類分析，分類和迴歸。應用程序包括挖掘客戶數據以確定最有可能響應報價的細分市場，挖掘人力資源數據以識別最成功的員工的特徵，或進行市場籃子分析以建模客戶的購買行為。
整合學習。
與從任何組成模型中獲得的預測模型相比，使用多個預測模型（每個模型都使用統計和/或機器學習開發）可獲得更好的預測性能。這是一種監督學習。
遺傳算法。
一種用於優化的技術，其靈感來自自然進化或“適者生存”的過程。在該技術中，潛在的解決方案被編碼為可以結合和變異的“染色體”。選擇這些個體染色體以在模擬“環境”中生存，該“環境”決定了種群中每個個體的適應性或表現。通常被描述為一種“進化算法”，這些算法非常適合解決非線性問題。應用程序示例包括改善製造中的作業計劃並優化投資組合的績效。
機器學習。
計算機科學的一個子專業（在歷史上稱為“人工智能”的領域內）與算法的設計和開發有關，該算法允許計算機根據經驗數據來發展行為。機器學習研究的主要重點是自動學習識別複雜的模式並根據數據做出明智的決策。自然語言處理是機器學習的一個示例。
自然語言處理（NLP）。
計算機科學子專業中的一組技術（在歷史上稱為“人工智能”的領域內）和語言學，它們使用計算機算法來分析人類（自然）語言。許多NLP技術是機器學習的類型。 NLP的一種應用是在社交媒體上使用情緒分析來確定潛在客戶對品牌宣傳活動的反應。通過自然語言處理分析的來自社交媒體的數據可以與實時銷售數據結合，以確定營銷活動對客戶情緒和購買行為產生何種影響。
神經網絡。
計算模型受生物神經網絡（即大腦內的細胞和連接）的結構和工作原理的啟發，可以在數據中找到模式。神經網絡非常適合查找非線性模式。它們可用於模式識別和優化。一些神經網絡應用程序涉及監督學習，而另一些應用程序涉及無監督學習。應用程序示例包括識別有可能離開特定公司的高價值客戶以及識別欺詐性保險索賠。
網絡分析。
一組用於表徵圖形或網絡中離散節點之間關係的技術。在社交網絡分析中，將分析社區或組織中個人之間的聯繫，例如信息的傳播方式或誰對誰影響最大。應用程序的示例包括確定要營銷目標的主要意見領袖，以及確定企業信息流中的瓶頸。
……
綜合起來，您提的這幾個名詞各有定義，然鵝在實際應用中諸多交叉。
您可以理解為
大數據是基礎數據；
大數據需要數據分析，數據挖掘是數據分析的一個方向，用到統計分析的知識；
如果數據挖掘不行，可以用機器學習來做一些應用，深度學習是機器學習領域延申出來的內容。
三叉戟看科技
數據分析 主要是面向結論。通常是通過人依賴自身的分析經驗和對數據的敏感度（人智活動），對收集來的數據進行處理與分析，按照明確目標或維度進行分析（目標導向），獲取有價值的信息。比如利用對比分析、分組分析、交叉分析等方法，完成現狀分析、原因分析、預測分析，提取有用信息和形成結論。
數據挖掘 主要是面向決策。通常是指從海量（巨量）的數據中，挖掘出未知的且有價值的信息或知識的過程（探索性），更好地發揮或利用數據潛在價值。比如利用規則、決策樹、聚類、神經網絡等概率論、統計學、人工智能等方法，得出規則或者模型，進而利用該規則或模型獲取相似度、預測值等數據實現海量數據的分類、聚類、關聯和預測，提供決策依據。
需要注意，較傳統數據挖掘主要針對相對少量、高質量的樣本數據，機器學習的發展應用使得數據挖掘可以面向海量、不完整 、有噪聲、模糊的數據。
數據統計 同樣是面向結論，只不過是是把模糊估計的結論變得精確而定量。比如。得出具體的總和、平均值、比率的統計值。
機器學習 是一門專門研究計算機怎樣模擬或實現人類的學習行為，能夠賦予機器學習的能力以讓它完成通過編程無法完成的功能，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的學科，但機器學習不會讓機器產生“意識和思考”，它是概率論與統計學的範疇，是實現人工智能的途徑之一。
深度學習 是機器學習的一個子領域，受大腦神經網絡的結構和功能啟發而創造的算法，能夠從大數據中自動學習特徵，以解決任何需要思考的問題。從統計學上來講，深度學習就是在預測數據，從數據中學習產出一個模型，再通過模型去預測新的數據，需要注意的是訓練數據要遵循預測數據的數據特徵分佈。它也是實現人工智能的途徑之一。
