有篇很好的解釋：https://www.cnblogs.com/zlslch/p/7398781.html
下面是以前自己總結的。
定義（以下都是百度百科抽取出來）
數據挖掘一般是指從大量的數據中通過算法搜索隱藏於其中信息的過程。
機器學習專門研究計算機怎樣模擬或實現人類的學習行爲，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。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的複雜工作。但不同的時代、不同的人對這種“複雜工作”的理解是不同的。
我的理解：大概人工智能必定包含機器學習，機器學習和數據挖掘屬於不同維度，機器學習感覺更靠近算法概念，數據挖掘更靠近目的性概念。
常見名詞
數據挖掘
· 分類 （Classification）：監督機器學習算法
· 估計（Estimation）
· 預測（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚類（Clustering）：非監督機器學習
· 複雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
機器學習
學習形式分類
1）監督學習(supervised learning)
2）非監督學習(unsupervised learning)
從學習內容的角度看
1）採用歸納策略的學習由於是對輸入進行歸納，所學習的知識顯然超過原有系統知識庫所能蘊涵的範圍,所學結果改變了系統的知識演繹閉包, 因而這種類型的學習又可稱爲知識級學習;
2）採用演繹策略的學習儘管所學的知識能提高系統的效率，但仍能被原有系統的知識庫所蘊涵,即所學的知識未能改變系統的演繹閉包,因而這種類型的學習又被稱爲符號級學習。
ps: Apache Mahout爲我們提供了聚類、分類、推薦過濾、頻繁子項挖掘等一些可擴展的機器學習領域經典算法的實現。
推薦系統基本就是使用不同的機器學習算法來預測推薦。
人工智能
這個接觸不多，只能說他是很多非計算機技術和計算機技術的交融，每個例子都可以非常複雜，至於舉例，我真的只能舉例，詳細的真的說不下去，例如：智能駕駛、阿爾法圍棋等等。。。