数据分析更多的是指从历史数据里面发现有价值的信息，从而提高决策的科学性。数据分析更侧重于通过分析数据的历史分布然后从中得出一些有价值的信息。
在对比数据分析和数据挖掘时，数据分析更像是对历史数据的一个统计分析过程，比如我们可以对历史数据进行分析后得到一个粗糙的结论，但当我们想要深入探索为什么会出现这个结论时，就需要进行数据挖掘，探索引起这个结论的种种因素，然后建立起结论和因素之间模型，当有因素有新的值出现时，我们就可以利用这个模型去预测可能产生的结论。
因此数据分析更像是数据挖掘的一个中间过程。
以下给出一个通俗的例子来说明：
虚竹和段誉要决斗了，有人找到星宿老仙，让星宿老仙预测谁会取得胜利。
虚竹VS段誉
星宿老仙对收集了古往今来各大高手的个人信息和对战数据，建立个人信息和对战结果之间的模型，发现出身、教育、经验、婚恋状态四个因素是影响成败的主要因素。
出身贫苦的孩子一般比皇亲国戚功夫练得刻苦；
师父越厉害，传授给徒弟的武功和功力越多，徒弟的功夫会更高；
对战经验丰富的人因为擅长利用环境而获胜的机会更大；
单身的人在决斗的时候无牵无挂，比非单身的人更放得开，更容易取得胜利。
于是星宿老仙输入虚竹和段誉的个人信息，虚竹出身贫苦，遇到的名师不亚于段誉，而且打架经验丰富，并且单身，所以这次打头，模型预测的结果是虚竹胜。这就是数据挖掘。
数据挖掘过程
神经网络是机器学习的一个分支，而深度学习又是神经网络的一个大分支，深度学习的基本结构是深度神经网络。
深度神经网络与普通的神经网络最大的区别就是，普通的神经网络一般训练代价较高，隐藏层层数较少，一般为3-4层。而深度神经网络由于采用了特殊的训练方法，同时加上一些类似于卷积池化的技巧，使得隐藏层层数可以达到8-10层。因此深度神经网络能够捕捉到数据中的深层联系和高层特征，从而能够得到更精准的模型，而这些联系是不容易被普通的机器学习方法所发觉的。
有关数据挖掘与机器学习联系与区别方面的更多知识，请参考周志华老师的《数据挖掘与机器学习》讲义，私信作者，即可获取下载链接。
文中若有表述错误的地方欢迎大家留言批评指正。
其实很多概念本身就是一些相互交叉的概念，作者只是为大家提供了一个理解的思路，在现实生活中大可没有必要纠结于概念之间到底有什么区别和联系，非要把概念区分的那么清楚，只需由浅入深地慢慢学习，都后来很多概念自然而然的会被理解。
转载于:https://www.cnblogs.com/duozhishidai/p/11446786.html
