直接分享個人看法。

假設是技術能力都過關，不是很水，有研發能力。

個人單幹的話（小團隊也算），應該是計算機視覺領域更合適。為什麼呢？從我的工作經歷來講，資料探勘領域的第一個問題就是資料從哪來。個人從不同渠道蒐集整理資料的難度太大和可操作性低，費時費力，自己一般是搞不動的，沒有大量的有價值資料，資料探勘也就無從談起。第二點，很多資料都是企業的核心資產或者商業機密，是不大可能隨便給第三方的個人或者小公司小團隊的。個人單幹資料探勘工作在業務拓展上有諸多不利。

相反，計算機視覺在資料採集標註訓練上相對於資料探勘容易得多。光是公開可用的圖片資料集都很多。而使用這些圖片影片資料進行的工作是可以留存的，但你的資料探勘工作如何方便地從一份電影資料遷移到遊戲資料呢？？

燒錢這塊？就個人單幹而言，初期計算機視覺領域要比資料探勘更花錢，要用GPU訓練，影片圖片資料量儲存也很大。但這不是絕對的，資料探勘遇到有幾十億資料或者對計算速度有高要求的情況，伺服器的消費也不少。

兩者的市場前景沒有明顯的孰優孰絕，短期內來說計算機視覺的熱度應該稍好，也有小團隊的成功案例，畢竟是實打實可以看得見摸得著的東西，應用落地普及的速度要快很多。而資料探勘的歷史悠久，更具戰略價值。所以不太好說哪方面的前景好，說不定二者結合，做計算機視覺領域的圖片影片資料探勘更牛更有前途！

個人理解，計算機視覺的技術難度會更高一些。主要原因是兩者所需要處理的資料和解決的問題方法有比較大的差異：

1.計算機視覺處理的資料更多是圖片和影片相關的資料。這類資料一般是非結構化的資料，處理難度會大一些。

資料探勘相對而言處理的資料是結構化的資料（比如身高、體重、收入類似可以用數值直接度量或者很容易轉化成直接可以用數值度量的資料

2.計算機視覺裡面處理處理問題用的方法一般相對而言會高深一些。計算機裡面的機器學習問題一般用的深度學習技術相對而言會更多一些。但一般資料探勘裡面的機器學習問題用傳統的機器學習方法相對而言會更多一些。

至於數學能力和寫程式碼能力，個人感覺，計算機視覺要相對而言要求會更高一些，主要原因是計算機視覺裡面用到的深度學習方法本身對數學和程式碼能力的要求也會高一些。