数据分析师一般有两种，一种是面向业务的，主要对各业务线、产品经理、运营、各部门领导的需求提供支持，帮助他们分析业务、了解业务，发掘出业务中的问题并提供解决方案；另一种是偏宏观的分析，一般没有需求方，主要是自发地进行探索，主动找到公司业务中存在的问题，弄清公司发展的趋势，对于公司发展的方向做出指引。数据挖掘工程师虽然说不会编程也不至于完全无法做数据挖掘工作，但是好的编程技能却会成为你工作中的得力助手；很多时候，数据挖掘工程师会为数据分析师提供一些支持性的工作，比如为他们搭建数据库、清洗数据、建立报表平台等；有些时候数据分析师也会直接向数据挖掘工程师提出需求，有些数据的存储方式、格式超出了数据分析师的技能覆盖范围，这时就需要数据挖掘工程师帮他们做一些前期工作；另外呢，数据挖掘工程师往往还需要做一些机器学习方面的工作，因此就需要对各种机器学习算法的理论及代码实践有足够的认识。
数据挖掘工程师之中，也分很多不同的类型，比如做特征工程的、数据仓库的、数据平台支持的、算法工程师、数据科学家等，他们的工作职责各有不同，职业技能也各有侧重。对于大多数数据挖掘工程师来说，编程技能是必不可少的，但是针对不同挖掘工程师的性质，需要掌握不同的编程技能。一般来说，Python、Java、Scala是常用的大数据挖掘语言，有一些数据科学家喜欢用R；最常用的大数据平台是Hadoop平台和Spark平台，常用的结构化数据库是MySQL或其他关系型数据库，非结构化数据库中MongoDB较为常用。
对于数据挖掘工程师来说，必要的Linux知识也必不可少。因为数据挖掘工程师绝大多数的工作都是在远程的服务器上完成的，不能流畅地在命令行中操作各种Linux系统(常用的有CentOS、Ubuntu等)，工作的效率会大大降低。另外Shell在数据处理上也很强大，sed awk简直是数据处理的神器。以上并不是非常系统的对比，但是是我在工作中最实际的体验，我并非码农出身，这个转型过程中遇到了很多挑战，但是他们之间并没有天堑一样的区别，很多地方是共通的，如果你编程基础较差，那么可以从数据分析师入手，之后在考虑转型数据挖掘；如果编程基础较好，可以考虑数据挖掘，但是数据挖掘工程师一般情况下不会接触太多的业务。
研究生阶段学习数据挖掘方向与机器学习方向区别在什么地方？
数据挖掘数据挖掘是一项使用数据探索技术发现一些有趣(而不明显)的模式的技术。什么模式？例如：根据某些特征对数据进行分组的方式、异常检测(罕见值)、某些观察值与其他值之间的相关性、某些事件的连续性、行为的识别等。数据挖掘使用机器学习等方法。机器学习机器学习是人工智能最重要的分支。它的任务是：研究和开发技术，使机器能够在没有人类明确指令的情况下自学，从而执行特定的任务。
机器将从输入数据集(称为样本或训练数据)中学习，根据算法检测到的模式建立数学模型。该模型的最终目标是对之后来自相同数据源的数据进行(准确的)预测或决策。传统的机器学习主要有两种类型：· 监督学习：当训练数据被“标记”时。这意味着，对于每个样本，我们都有与观察到的变量(输入)和我们想要学习预测或分类的变量(输出、目标或因变量)相对应的值。
在这种类型中，我们找到了回归算法(预测数值的算法)和分类算法(输出仅限于某些分类值时)。· 无监督学习：当训练数据没有标记时(我们没有目标变量)。这里的目标是找到某种结构或模式，例如对训练样本进行分组，这样我们就可以对未来的样本进行分类。传统的机器学习已经让位于更复杂或更现代的学习类型：· 集成方法：基本上是几种算法联合使用，将它们的结果结合起来以获取更好的结果。
尽管XGBoost凭借在Kaggle的胜利而得名，但最常见的例子还是随机森林。· 强化学习：机器通过反复试误来学习，这得益于它对周围环境的迭代做出的反馈。你可能听说过AlphaGo或AlphaStar（在《星际争霸2》中实力碾压人类）。· 深度学习：皇冠上的宝石……留言 点赞 关注我们一起分享AI学习与发展的干货欢迎关注全平台AI垂类自媒体 “读芯术”。
