個人感覺資料探勘是一個比較大的概念，可以理解為：
資料探勘=業務知識+自然語言處理技術（NLP）+計算機視覺技術（CV）+機器學習/深度學習（ML/DL）
（1）其中業務知識具體指的是個性化推薦，計算廣告，搜尋，網際網路金融等；NLP，CV分別是處理文字，影象影片資料的領域技術，可以理解為是將非結構化資料提取轉換成結構化資料；最後的ml/dl技術則是屬於模型學習理論；
（2）在選擇崗位時，各個公司都沒有一套標準的稱呼，但是所做的事情無非2個大方向，一種是主要鑽研某個領域的技術，比如自然語言處理工程師，計算機視覺工程師，機器學習工程師等；一種是將各種領域技術應用到業務場景中去解決業務需求，比如資料探勘工程師，推薦系統工程師等；具體的稱呼不重要，重要的是平時的工作內容；
PS：在網際網路行業，資料探勘相關技術應用比較成功的主要是推薦以及計算廣告領域，而其中涉及到的資料主要也是文字，所以NLP技術相對來講比較重要，至於CV技術主要還是在人工智慧領域（無人車，人臉識別等）應用較多，本人瞭解有限，相關的描述會較少；
3.根據之前的分析，也可以看到該崗位所需要的3種基本能力分別是業務經驗，演算法能力與工程能力；
入門
1.工程能力
（1）程式設計基礎：需要掌握一大一小兩門語言，大的指C++或者JAVA，小的指python或者shell指令碼；需要掌握基本的資料庫語言；
建議：MySQL + python + C++；語言只是一種工具，看看語法就好；
（2）開發平臺：Linux；
建議：掌握常見的命令，掌握Linux下的原始碼編譯原理；
（3）資料結構與演算法分析基礎：掌握常見的資料結構以及操作（線性表，隊，列，字串，樹，圖等），掌握常見的計算機演算法（排序演算法，查詢演算法，動態規劃，遞迴等）；
建議：多敲程式碼，多上OJ平臺刷題；
（4）海量資料處理平臺：hadoop（mr計算模型，java開發）或者spark（rdd計算模型，scala開發），重點推薦後者；
建議：主要是會使用，有精力的話可以看看原始碼瞭解叢集排程機制之類的；
2.演算法能力
（1）數學基礎：機率論，數理統計，線性代數，隨機過程，最最佳化理論
建議：這些是必須要了解的，即使沒法做到基礎紮實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時透過查閱資料可以做到無障礙理解；
（2）機器學習/深度學習：掌握常見的機器學習模型（線性迴歸，邏輯迴歸，SVM，感知機；決策樹，隨機森林，GBDT，XGBoost；貝葉斯，KNN，K-means，EM等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（CNN，RNN等）；
建議：這裡的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；
（3）自然語言處理：掌握常見的方法（tf-idf，word2vec，LDA）；
3.業務經驗
（1）瞭解推薦以及計算廣告相關知識；
（2）透過參加資料探勘競賽熟悉相關業務場景，常見的比賽有Kaggle，阿里天池，datacastle等；
PS:以上都是一些入門級別的介紹，在長期的學習中，應該多看頂會paper，多讀開原始碼，多學習優秀解決方案；
個人感覺資料探勘是一個比較大的概念，可以理解為：
資料探勘=業務知識+自然語言處理技術（NLP）+計算機視覺技術（CV）+機器學習/深度學習（ML/DL）
（1）其中業務知識具體指的是個性化推薦，計算廣告，搜尋，網際網路金融等；NLP，CV分別是處理文字，影象影片資料的領域技術，可以理解為是將非結構化資料提取轉換成結構化資料；最後的ml/dl技術則是屬於模型學習理論；
（2）在選擇崗位時，各個公司都沒有一套標準的稱呼，但是所做的事情無非2個大方向，一種是主要鑽研某個領域的技術，比如自然語言處理工程師，計算機視覺工程師，機器學習工程師等；一種是將各種領域技術應用到業務場景中去解決業務需求，比如資料探勘工程師，推薦系統工程師等；具體的稱呼不重要，重要的是平時的工作內容；
PS：在網際網路行業，資料探勘相關技術應用比較成功的主要是推薦以及計算廣告領域，而其中涉及到的資料主要也是文字，所以NLP技術相對來講比較重要，至於CV技術主要還是在人工智慧領域（無人車，人臉識別等）應用較多，本人瞭解有限，相關的描述會較少；
3.根據之前的分析，也可以看到該崗位所需要的3種基本能力分別是業務經驗，演算法能力與工程能力；
入門
1.工程能力
（1）程式設計基礎：需要掌握一大一小兩門語言，大的指C++或者JAVA，小的指python或者shell指令碼；需要掌握基本的資料庫語言；
建議：MySQL + python + C++；語言只是一種工具，看看語法就好；
（2）開發平臺：Linux；
建議：掌握常見的命令，掌握Linux下的原始碼編譯原理；
（3）資料結構與演算法分析基礎：掌握常見的資料結構以及操作（線性表，隊，列，字串，樹，圖等），掌握常見的計算機演算法（排序演算法，查詢演算法，動態規劃，遞迴等）；
建議：多敲程式碼，多上OJ平臺刷題；
（4）海量資料處理平臺：hadoop（mr計算模型，java開發）或者spark（rdd計算模型，scala開發），重點推薦後者；
建議：主要是會使用，有精力的話可以看看原始碼瞭解叢集排程機制之類的；
2.演算法能力
（1）數學基礎：機率論，數理統計，線性代數，隨機過程，最最佳化理論
建議：這些是必須要了解的，即使沒法做到基礎紮實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時透過查閱資料可以做到無障礙理解；
（2）機器學習/深度學習：掌握常見的機器學習模型（線性迴歸，邏輯迴歸，SVM，感知機；決策樹，隨機森林，GBDT，XGBoost；貝葉斯，KNN，K-means，EM等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（CNN，RNN等）；
建議：這裡的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；
（3）自然語言處理：掌握常見的方法（tf-idf，word2vec，LDA）；
3.業務經驗
（1）瞭解推薦以及計算廣告相關知識；
（2）透過參加資料探勘競賽熟悉相關業務場景，常見的比賽有Kaggle，阿里天池，datacastle等；
PS:以上都是一些入門級別的介紹，在長期的學習中，應該多看頂會paper，多讀開原始碼，多學習優秀解決方案；