1.数据挖掘算法研究。目前数据挖掘的主流算法包含统计学习类算法和机器学习类算法（监督学习、半监督学习、强化学习等）、而机器学习算法里面最热门的就是深度神经网络算法，主要工作是找到更加先进的算法或改进这些算法，使其在数据挖掘方面更有效率，或者将这些算法做成工具，使用起来更方便，降低算法门槛。
数据挖掘的主要研究有哪些方向？
数据挖掘主要研究方向包含算法研究和应用研究两个方面。1.数据挖掘算法研究。目前数据挖掘的主流算法包含统计学习类算法和机器学习类算法（监督学习、半监督学习、强化学习等）、 而机器学习算法里面最热门的就是深度神经网络算法，主要工作是找到更加先进的算法或改进这些算法，使其在数据挖掘方面更有 效率，或者将这些算法做成工具，使用起来更方便，降低算法门槛。
2.应用研究，主要是大数据分析范畴。数据挖掘在人文社科、经济、医疗、理工科等各个领域都有极强的应用前景。第一步，选定某个自己擅长的领域，找到获取该领域数据的途径，这一步看似简单，其实很难，一方面是需要的数据量非常大而 且要全面，另一方面是要尽可能保证获取的数据的真实性，这个前提没做好，后面的分析毫无意义。
第二步，数据清理，必须了解数据清理的常用算法，对数据进行冗余清理和标准化处理等。第三步，选择合适的算法，不断做实验，获得实验结论第四步，建立适当的结论评价标准，判断第三步的结论是否有实际意义，如果结论存在明显错误或者无法自洽，则从新选择算法 ，如果换了多个算法，结论仍然无意义，则考虑是数据存在问题，很可能需要从新找数据，或者考虑之前的数据不够充分，还需要 补充其他方面的数据重新分析。
我上一份工作是数据分析师，现在的工作是数据挖掘工程师，因此我可以以我自己的实际经验来回答这个问题。数据分析师和数据挖掘工程师，同属于数据领域的洞察者，但是两者的工作内容却有着不小的区别。对于一个数据分析师来说，最重要的并不是编程技能，而是逻辑分析能力、业务理解能力、报告展示能力等。数据分析师：数据分析师使用的主要工具可以是编程，但并非必要；因为现在已经存在大量的强大、易用的数据分析工具，比如Excel、Tableau、SPSS、SAS等，即使你没有编程能力，仍然能胜任绝大多数的数据分析工作；但是相对于数据挖掘工程师，你还额外需要一些能力，比如数据可视化的能力、写数据报告的能力、在领导甚至许多人面前做报告、讲演的能力等；同时，由于现在互联网公司都在讲大数据，数据的存储基本上在各种大数据平台和数据库中，因此你有必要掌握Hive、HDFS、MySQL等的使用，SQL的熟练掌握是不可避免的。
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。
