大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。
所以总体可以认为深度学习跟机器学习都属于数据挖掘的方法。
(1)分类
分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类。
比如大家在电商商平台上的各类产品，肯定要按照产品属性进行分类，对应的数据挖掘的分类，就是利用属性去寻找有共同特点的数据对象，归到一个大集合。
(2)回归分析
回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。
比如，大家有了过去三年的销售数据，大家就可以抽象出影响销售的因素，对未来的销售数据做出预测。
(3)聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。
（4）关联规则
关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。
大家最喜欢举得例子，就是爸爸去超市购物的例子，爸爸去超市买奶粉，如果在旁边放上爸爸喜欢的啤酒起子、酒精饮料，肯定能引导消费。
(5)神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、
分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不 严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。
目前的大数据处理，已经不是结构数据为天下，而是有大量文本、音频、视频、图像等非线性数据，所以基于神经网络的深度学习算法，目前已经蓬勃发展，不可阻挡的改变着一切。
(6)Web数据挖掘。Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的集合C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。
这个偶个人的理解，更像是用户行为画像，目前基于HTML5的前端页面，已经有了充足的信息获取能力，比起之前的HTML静态页面，实在太强了。以前困惑大家的用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等已经慢慢得到了解决。