1. 数据工程与数据挖掘
数据挖掘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。
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。
数据挖掘对象
1.数据的类型可以是结构化的、半结构化的，甚至是异构型的。发现知识的方法可以是数学的、非数学的，也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2.数据挖掘的对象可以是任何类型的数据源。可以是关系数据库，此类包含结构化数据的数据源；也可以是数据仓库、文本、多媒体数据、空间数据、时序数据、Web数据，此类包含半结构化数据甚至异构性数据的数据源。
3.发现知识的方法可以是数字的、非数字的，也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
数据挖掘步骤
在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作。比如，SPSS公司的5A和SAS公司的SEMMA。
数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。下面让我们来具体看一下每个步骤的具体内容：
(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。
2. 数据开发与数据挖掘
1、传统数据挖掘技术都是基于集中式的底层软件架构开发，难以并行化，因而在处理TB级以上数据的效率低。其次是数据分析精度难以随着数据量提升而得到改进，特别是难以应对非结构化数据。
2、现代数据挖掘技术是指20世纪80年代末所出现的数据挖掘技术，这些数据挖掘技术大多可以从数据仓库中提取人们所感兴趣的、事先不知的、隐含在数据中的有用的信息和知识，并将这些知识用概念、规则、规律和模式等方式展示给用户，使用户得以解决信息时代中的“数量过量，信息不足”的矛盾。现代数据挖掘技术应该是从数据库中知识发现技术(KDD)研究的起步，知识发现技术是随着数据库开始存储了大量业务数据，并采用机器学习技术分析这些数据、挖掘这些数据背后的知识而发展起来的。
3. 数据挖掘与数据挖掘技术
有利于提高数据的运用能力，促进物联网的发展进步。
4. 数据分析和数据工程
大数据管理与应用这个专业考研方向主要分为计算机科学和统计学这两大方面，大数据主要就是研究统计学的，实现方法则是由计算机来实现的。可以是数据管理，数据分析，计算机科学与技术，大数据处理等多方面选择。
以后可以从事大数据分析工程师，网络工程管理等工作，也可以从事科研工作，继续进行数据研究和开发。大数据可以是这几年兴起的比较热门的概念了，也非常受欢迎，同学可根据自己的喜好进行考研方向的选择。
5. 数据工程与分析
信息安全专业的就业方向主要是去毕业生可在政府机关、国家安全部门、银行、金融、证券、通信等领域从事各类信息安全系统、计算机安全系统的研究、设计、开发和管理工作，也可在IT领域从事计算机应用工作。
数据科学与大数据技术相对于信息安全来说，此专业属于比较新的一种专业，还有许多未知的技术正在探索中，前途一片光明。数据科学与大数据技术的就业方向主要是大数据技术、大数据研究、数据管理、数据挖掘、算法工程、应用开发。
可以根据自己的需求和兴趣还有未来职业规划进行选择。每个专业存在都有它的道理，有些专业是为企业而生，有些则是国家发展需要，大数据和信安这两个专业本质上都是计算机类，看你感兴趣的方向，选择即可。
6. 数据挖掘与知识工程
研究方向：计算机网络、实时计算机应用、CIMS、计算机图形学、并行计算、网络信息安全、数据库、情感计算、数据挖掘、分布式计算、知识工程、计算机视觉、自动推理等等，一般大家考的比较多的要么是综合性的985院校，要么是以理工科见长的211，当然如果想竞争小一些的话，一些师范类的211也是可以的，就是专业实力没有那么好了呢。考研网课现在越来越被大家认可，而且比较方便和快捷，一般几百到几千的都有呢，我觉得你可以去找些资源听听看呢，我舍友报的是天道考研，我有时候会拿他的账号来听听课，我觉得英语老师讲的特别好，你综合你的预算来选择吧，我是没预算呢，哈哈。
7. 数据挖掘及技术
不算是，但是年纪大了不会倾向于坐在这个位置。大数据分析和数据挖掘说到底还是对数据进行一个操作，只能算是系统的一个部分而已，但是随着经验积累，如果发展方向正确的话，实际上是有机会掌握整个系统的架构和设计方式的，肯定就不会屈于这个比较底层的位置的。
8. 数据工程与数据挖掘哪个好
从发展前景来看，人工智能、大数据、计科等这些专业都有比较广阔的发展前景，专业之间也并没有好坏之分，只是在不同的发展阶段，各个专业的热度会有所区别，人才需求的情况也有所区别。
对于处在本科阶段的同学来说，在选择专业的时候，首先还是考虑自己的兴趣爱好，这是能实现自我驱动非常重要的因素，也能促使自己在这个专业方向上走得更远。在实现自我驱动的过程中，通常要考虑四方面因素，其一是设立一个明确的目标，其二是设立具体的时间节点和奖惩措施，其三是要充满热情，其四是要有兴趣，虽然兴趣放在最后，但是兴趣却是一个根本的推动力。
9. 数据工程与数据挖掘的区别
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，末后加载到数据仓库，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。
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很抢手的大数据人才，他们所从事的是热门的分析师工作。