1. 国内数据挖掘公司
1）根据挖掘的数据库类型分类：数据挖掘系统可以根据挖掘的数据库类型分类。数据库系统本身可以根据不同的标准（如数据模型、数据类型或所涉及的应用）分类，每一类可能需要自己的数据挖掘技术。这样，数据挖掘系统就可以相应分类。
例如，根据数据模型分类，可以有关系的、事务的、对象-关系的或数据仓库的挖掘系统。如果根据所处理数据的特定类型分类，可以有空间的、时间序列的、文本的、流数据的、多媒体的数据挖掘系统，或万维网挖掘系统。
2）根据挖掘的知识类型分类：数据挖掘系统可以根据所挖掘的知识类型分类，即根据数据挖掘的功能分类，如特征化、区分、关联和相关分析、分类、预测、聚类、离群点分析和演变分析。一个综合的数据挖掘系统通常提供多种和/或集成的数据挖掘功能。
此外，数据挖掘系统还可以根据所挖掘的知识的粒度或抽象层进行区分，包括广义知识（高抽象层）、原始层知识（原始数据层）或多层知识（考虑若干抽象层）。一个高级数据挖掘系统应当支持多抽象层的知识发现。数据挖掘系统还可以分类为挖掘数据的规则性（通常出现的模式）与挖掘数据的奇异性（如异常或离群点）。一般地，概念描述、关联和相关分析、分类、预测和聚类挖掘数据的规则性，将离群点作为噪声排除。这些方法也能帮助检测离群点。
3）根据所用的技术类型分类：数据挖掘系统也可以根据所用的数据挖掘技术分类。这些技术可以根据用户交互程度（例如自动系统、交互探查系统、查询驱动系统），或所用的数据分析方法（例如面向数据库或面向数据仓库的技术、机器学习、统计学、可视化、模式识别、神经网络等）描述。复杂的数据挖掘系统通常采用多种数据挖掘技术，或采用有效的、集成的技术，结合一些方法的优点。
4）根据应用分类：数据挖掘系统也可以根据其应用分类。例如，可能有些数据挖掘系统特别适合金融、电信、DNA、股票市场、e-mail等。不同的应用通常需要集成对于该应用特别有效的方法。因此，泛化的全能的数据挖掘系统可能并不适合特定领域的挖掘任务
2. 国际上著名的数据挖掘专家
数据挖掘起源于多种学科，其中最重要的是统计学和机器学习。统计学起源于数学其强调的是数学的精确性；机器学习主要起源于计算机实践其更倾向于实践，主动检测某个东西，来确定它的表现形式。
3. 数据挖掘人员
大数据需要以下六类人才：
一、大数据系统研发工程师。 这一专业人才负责大数据系统研发，包括大规模非结构化数据业务模型构建、大数据存储、数据库构设、优化数据库构架、解决数据库中心设计等，同时，还要负责数据集群的日常运作和系统的监测等，这一类人才是任何构设大数据系统的机构都必须的。
二、大数据应用开发工程师。 此类人才负责搭建大数据应用平台以及开发分析应用程序，他们必须熟悉工具或算法、编程、优化以及部署不同的MapReduce，他们研发各种基于大数据技术的应用程序及行业解决方案。其中，ETL开发者是很抢手的人才，他们所做的是从不同的源头抽取数据，转换并导入数据仓库以满足企业的需要，将分散的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库，成为联机分析处理、数据挖掘的基础，为提取各类型的需要数据创造条件。
三、大数据分析师。 此类人才主要从事数据挖掘工作，运用算法来解决和分析问题，让数据显露出真相，同时，他们还推动数据解决方案的不断更新。随着数据集规模不断增大，企业对Hadoop及相关的廉价数据处理技术如Hive、HBase、MapReduce、Pig等的需求将持续增长，具备Hadoop框架经验的技术人员是最抢手的大数据人才，他们所从事的是热门的分析师工作。
四、数据可视化工程师。 此类人才负责在收集到的高质量数据中，利用图形化的工具及手段的应用，清楚地揭示数据中的复杂信息，帮助用户更好地进行大数据应用开发，如果能使用新型数据可视化工具如Spotifre，Qlikview和Tableau，那么，就成为很受欢迎的人才。
五、数据安全研发人才。 此类人才主要负责企业内部大型服务器、存储、数据安全管理工作，并对网络、信息安全项目进行规划、设计和实施，而对于数据安全方面的具体技术的人才就更需要了，如果数据安全技术，同时又具有较强的管理经验，能有效地保证大数据构设和应用单位的数据安全，那就是抢手的人才。 六、数据科学研究人才。 数据科学研究是一个全新的工作，够将单位、企业的数据和技术转化为有用的商业价值，随着大数据时代的到来，越来越多的工作、事务直接涉及或针对数据，这就需要有数据科学方面的研究专家来进行研究，通过研究，他们能将数据分析结果解释给IT部门和业务部门管理者听，数据科学专家是联通海量数据和管理者之间的桥梁，需要有数据专业、分析师能力和管理者的知识，这也是抢手的人才。
4. 挖掘 数据
数据挖掘
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。是一种透过数理模式来分析企业内储存的大量资料，以找出不同的客户或市场划分，分析出消费者喜好和行为的方法。
5. 著名的数据挖掘专家
不错。
郑州大数据发展有限公司是根据《郑州市人民政府关于郑州大数据发展有限公司及数字郑州科技有限公司设立有关问题的会议纪要》〔2019〕86号等文件注册成立，注册资金2亿元，主要从事全市政务数据资产管理、开发和运营，负责城市级大数据基础设施平台数据挖掘、应用和大数据增值服务。郑州大数据发展有限公司致力于加快推进数字郑州建设，促进数字产业化、产业数字化和城市数字化融合发展。
6. 数据挖掘预测
数据挖掘的基本步骤是：1、定义问题；2、建立数据挖掘库；3、分析数据；4、准备数据；5、建立模型；6、评价模型；7、实施。
具体步骤如下：
1、定义问题
在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定。
2、建立数据挖掘库
建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库。
3、分析数据
分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段。如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
4、准备数据
这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量。
5、建立模型
建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。
6、评价模型
模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要。先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广。
7、实施
模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上。
7. 数据挖掘大牛
这两个工具都很方便，不需要非常高深的编程能力，都适合算法开发，有大量的package供你使用。 Python入门简单，而R则相对比较难一些(纯个人感觉，依据每个人之前的经验，可能不同的体验)。R做文本挖掘现在还有点弱，当然它的优点在于函数都给你写好了，你只需要知道参数的形式就行了，有时候即使参数形式不对，R也能“智能地”帮你适应。这种简单的软件适合想要专注于业务的人。Python几乎都可以做，函数比R多，比R快。它是一门语言，R更像是一种软件，所以python更能开发出flexible的算法。 Python适合处理大量数据，而R则在这方面有很多力不从心，当然这么说的前提是对于编程基础比较一般的童鞋，对于大牛来说，多灵活运用矢量化编程的话，R的速度也不会太差。 论性能，Python介于C/C++/Java这些高级语言与R语言之间，虽然性能不及那些高级语言，但是一般日常的数据用Python基本都能实现，对于性能要求不挑剔的人来说，足够了 python你需要安装numpy，pandas，scipy，cython，statsmodels，matplotlib等一系列的程序包，还需要安装ipython交互环境，单独用python直接做计量分析统计函数是没有函数支持的；R是基于统计分析的，性能和效率上要略逊于python。R的优势在于统计学和数据计算和分析上要优越于python。 Python语言编程的代码可读性高，整体美观，属于简单粗暴性质的，短时间内少量代码可实现复杂功能；R的语法很奇怪，各种包并不遵守语法规范，导致使用起来经常感觉蛋疼；R程序最终看起来没有Python那么简洁美观。 从全面性方面，我认为Python的确胜过R。无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处理，Python都有着明显优势。毕竟，python本身是作为一门计算机编程语言出现的，而R本身只是源于统计计算。所以从语言的全面性来说，两者差异显著。 python是machinelearning领域的人用的较多。据我所知，做marketingresearch,econometrics,statistics的人几乎没有用python的参考自：blog.sina.com.cn/s/blog_8813a3ae0101e631
8. 十大数据挖掘
未来十大新兴产业
1.云计算
2.大数据
现代社会的大数据是一件非常智能的产物，比如我们常见的淘宝猜你喜欢，根据你浏览过的记录去给你智能的推送你可能喜欢的物品，还有抖音的推荐，你频繁的刷一个视频，他就会给你推荐同类型的视频。
3.虚拟现实
4.人工智能
人工智能是现代社会一直在攻克的技术，也是被广泛运用于社会的技术，从手机中的SIRI一直到家里的电器管家，都是人工智能的产物，还有目前的刷脸支付和人脸识别都是人工智能。
5.无人机技术
6.机器人
机器人从诞生至今一直在优化中，机器人的作用无疑是非常大的，它们能代替一些不必要的人工，真正意义上的去解放人类的双手，在餐馆里我们可以看到许多上菜的机器人，在银行大厅中也有智能机器人。
7.生物技术
生物技术是一个国家非常重要的技术，古往今来的生物战役，非常都是惨烈的，美国的五角大楼更是赫赫有名，生物技术能够让我们了解到一些生命的真谛，能让我们的时代再推前一步。
8.生物科学
生物科学是一项非常重要的产业，许多疑难杂症的生物制药都是由此而诞生，它能够很大程度的缓解人类的身体疾病，还能够根据人类的基因去测序解读，制作出相对应的药物。
9.互联网医疗
互联网医疗也是非常热门的一个产业，解决了看病难、排队长的问题，将预约医生和挂号都能够通过手机一键实现，不用再去排很长的队了，更大程度的去解决了医疗资源缺乏的情况。
10.互联网教育
互联网教育仍然是一个非常热门的产业，通过在网上授课听课的方式，完美的将学生与老师之间联动，减少了通勤时间，只需要在家就可以接受辅导，并且能选择自己喜欢的教育方式和课程。