1、高维数据挖掘

高维数据挖掘是基于高维度的一种数据挖掘，它和传统的数据挖掘最主要的区别在于它的高维度。目前高维数据挖掘已成为数据挖掘的重点和难点。随着技术的进步使得数据收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，如各种类型的贸易交易数据、Web 文档、基因表达数据、文档词频数据、用户评分数据、WEB使用数据及多媒体数据等，它们的维度（属性）通常可以达到成百上千维，甚至更高。

由于越来越多的数据被收集，分析和挖掘的维度也越来越多，传统的数据挖掘方法已经难以处理如此庞大的高维数据，而高维数据挖掘技术恰恰解决了这一问题，可以有效处理高维数据。

2、深度学习

深度学习是实现机器学习的一种方式或一条路径。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。比如其按特定的物理距离连接;而深度学习使用独立的层、连接，还有数据传播方向，比如最近大火的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能，让机器认知过程逐层进行，逐步抽象，从而大幅度提升识别的准确性和效率。

深度学习是机器学习的一个分支，利用多层神经网络模型，从大量输入数据中自动提取特征，从而建立模型，可以大大提高数据挖掘的准确性，并且可以解决一些无法用传统方法解决的问题。

3、云计算技术

云计算 （Cloud Computing）是基于互联网的相关服务的增加、使用和交互模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。

云计算技术可以让数据挖掘更加便捷、快速，可以充分利用云计算技术，同时处理大量数据，提高数据挖掘的速度和效率。

4、大数据可视化

数据可视化，是关于数据视觉表现形式的科学技术研究。其主要目的是借助图形手段，清晰、有效地进行传达与沟通信息，其中，数据的可视化表示被定义为一种以某种形式提取的信息，包括相关数据可视化，是关于数据视觉表现形式的科学技术研究。

大数据可视化是指将大量数据、信息以可视化的形式展现出来，可以从中快速获取有效信息，从而提高数据挖掘的效率。

5、机器学习

机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。

机器学习是一种计算机算法，可以基于给定的训练数据，在充分理解数据的基础上，自动生成规则，从而提高数据挖掘的准确性。