有篇很好的解释：https://www.cnblogs.com/zlslch/p/7398781.html
下面是以前自己总结的。
数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。
机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
我的理解：大概人工智能必定包含机器学习，机器学习和数据挖掘属于不同维度，机器学习感觉更靠近算法概念，数据挖掘更靠近目的性概念。
· 分类 （Classification）：监督机器学习算法
· 估计（Estimation）
· 预测（Prediction）
· 相关性分组或关联规则（Affinity grouping or association rules）
· 聚类（Clustering）：非监督机器学习
· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
1）监督学习(supervised learning)
2）非监督学习(unsupervised learning)
1）采用归纳策略的学习由于是对输入进行归纳，所学习的知识显然超过原有系统知识库所能蕴涵的范围,所学结果改变了系统的知识演绎闭包, 因而这种类型的学习又可称为知识级学习;
2）采用演绎策略的学习尽管所学的知识能提高系统的效率，但仍能被原有系统的知识库所蕴涵,即所学的知识未能改变系统的演绎闭包,因而这种类型的学习又被称为符号级学习。
ps: Apache Mahout为我们提供了聚类、分类、推荐过滤、频繁子项挖掘等一些可扩展的机器学习领域经典算法的实现。
推荐系统基本就是使用不同的机器学习算法来预测推荐。
这个接触不多，只能说他是很多非计算机技术和计算机技术的交融，每个例子都可以非常复杂，至于举例，我真的只能举例，详细的真的说不下去，例如：智能驾驶、阿尔法围棋等等。。。
