数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标——百度百科两者的区别有点象专业论文和科普论文的区别。前者更深奥，不是相关专业的人其实很难说出个一二三。整体的理论和应用相对而言会比较前沿。后者则更大众，而且在行业的应用相对而言跟广泛。
要说发展情景，如果能进入计算机视觉领域当然前景会不错。而言相对而言需要的技术相对而言比较高端。前景（钱景）可能也会更好。但就业面相对会窄一些。数据挖掘就业面相对会更广一些。最后说一些他们各自需要的知识储备：计算机视觉的知识储备：图像处理的知识：图像处理大致包括的内容：光学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像配立体视觉的知识：立体视觉大致包括的内容：相机几何模型、双目视觉、从运动中恢复物体结构、三维重建技术等人工智能的知识：人工智能大致包括的内容：场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等从前面的说明可以看出，计算机视觉的知识储备是涵盖数据挖掘相关理论的。
数据分析，数据挖掘，大数据，机器学习，深度学习，统计分析的区别是什么？
这个问题最近刷到很多次，看来是要回答一下了。因实际工作中会接触数据分析、挖掘、大数据、机器学习及深度学习，这里分享一下自己对这些概念的认知。 数据分析 主要是面向结论。通常是通过人依赖自身的分析经验和对数据的敏感度（人智活动），对收集来的数据进行处理与分析，按照明确目标或维度进行分析（目标导向），获取有价值的信息。
比如利用对比分析、分组分析、交叉分析等方法，完成现状分析、原因分析、预测分析，提取有用信息和形成结论。数据挖掘 主要是面向决策。通常是指从海量（巨量）的数据中，挖掘出未知的且有价值的信息或知识的过程（探索性），更好地发挥或利用数据潜在价值。比如利用规则、决策树、聚类、神经网络等概率论、统计学、人工智能等方法，得出规则或者模型，进而利用该规则或模型获取相似度、预测值等数据实现海量数据的分类、聚类、关联和预测，提供决策依据。
需要注意，较传统数据挖掘主要针对相对少量、高质量的样本数据，机器学习的发展应用使得数据挖掘可以面向海量、不完整 、有噪声、模糊的数据。数据统计 同样是面向结论，只不过是是把模糊估计的结论变得精确而定量。比如。得出具体的总和、平均值、比率的统计值。从广义上讲，广义的数据分析分为如上介绍的数据分析、数据挖掘、数据统计三个方向。
机器学习 是一门专门研究计算机怎样模拟或实现人类的学习行为，能够赋予机器学习的能力以让它完成通过编程无法完成的功能，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的学科，但机器学习不会让机器产生“意识和思考”，它是概率论与统计学的范畴，是实现人工智能的途径之一。深度学习 是机器学习的一个子领域，受大脑神经网络的结构和功能启发而创造的算法，能够从大数据中自动学习特征，以解决任何需要思考的问题。
