数据挖掘（Data Mining）是从海量数据中“挖掘”隐藏信息；数据挖掘采用的一个重要方法，是机器学习（Machine Learning），即通过程序积累经验，但机器学习是另一门学科，并不从属于数据挖掘，二者相辅相成；而深度学习（Deep Learning）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。
数据挖掘：从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。按照教科书的说法，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、但又是潜在有用的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，数据挖掘更偏向应用。为了做好数据挖掘，企业又要建立数据仓库。
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。数据质量会影响机器学习精度，所以数据预处理非常重要。
深度学习：是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。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中自动学习特征，这也是深度学习在大数据时代受欢迎的一大原因。
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、混杂的大数据。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。