Gartner’s 2014 Hype Cycle for Emerging Technologies Maps the Journey to Digital Business对比可见最大特点是
Big Data is Out, Machine Learning is in对其有人给出解释是 Big data is no where to be seen the hype cycle 2015 where as last year it is shown to enter trough of disillusionment. This may mean that the most talked about big data related technologies are now into practice and no more a hype.
但大数据相关领域如Internet of Things，Machine Learning，Citizen Data Scientist，Data security，Digital Humanism还是保持很高热度。
回复 ( 10 )
大数据和人工智能是相辅相成的东西，在人工智能没有彻底成熟之前，大数据并不会成熟，相同，在大数据没有彻底成熟之前，人工智能也不会彻底成熟，现在的数据量虽然大，但是数据挖掘工作相互独立性太强，虽然可以通过一类数据得到指示性的结果，但是每类数据之间的联系并没有建立起来，这样的数据挖掘还太初期，相互没有联系，比如票价预测，只是通过历史上的票价曲线以及一些购票行为得到预测结果，但是并没有结合诸如天气，某些社会突发因素等等，进行建模，模型变量的单一，各类数据之间没有联系，数据挖掘的角度很深度也不足够，很多地方都可以看出大数据还处在一个很初级的阶段，放心吧，大数据不是转瞬即逝的热点，这会是以后渗透在我们生活每一处细节的东西，这个行业距离成熟都有很长的路要走，更不要提饱和了
放一下这个技术成熟度曲线图在
Gartner’s 2014 Hype Cycle for Emerging Technologies Maps the Journey to Digital Business对比可见最大特点是
Big Data is Out, Machine Learning is in对其有人给出解释是 Big data is no where to be seen the hype cycle 2015 where as last year it is shown to enter trough of disillusionment. This may mean that the most talked about big data related technologies are now into practice and no more a hype.
但大数据相关领域如Internet of Things，Machine Learning，Citizen Data Scientist，Data security，Digital Humanism还是保持很高热度。
–
谢邀，都是过来人，在下非常能理解这种忧虑
中国有句古话：男怕入错行
职业选择相信对每个人来说都是非常重要的
具体数据就不放了，举个17年前的例子：
腾讯1998年11月11日成立的时候
当时主要业务是「BP机寻呼系统」
后来发现整个市场趋于饱和
于是改做「互联网寻呼系统」
这套系统一直卖到1999年的夏天
重点是：全程只赔不赚。
pony马化腾1999年2月顶着其他股东的压力
执意开发「OICQ」
原话是：
回到问题
BAT刚满十八岁，数据挖掘还能火几年没人能预测
我们都是在摸着石头过河，没有前人的历史经验和教训做参考
整个世界正处于一个高速发展、信息爆炸的时代
未来某一天，人工智能和机器学习将颠覆所有传统行业
所以，传统行业的专家们比你更加烦恼
智者顺时而谋，愚者逆理而动。
吾以为好好修炼数据科学这门技术，将来定会有用武之地。
只要大方向选对了，小方向慢慢调整即可。
以上
–
如果有更多问题，欢迎Live中交流：Han Hsiao 的 Live －－ 点数成金：如何从数据中发现金矿？
说难听点，真以为会个hadoop，会调用sk-learn跑个svm，拿别人的模型跑个cnn、rnn就是搞这行的啦，这东西，脑子不笨的人，三个月稳稳学会了。
作为phd，核心竞争力肯定还是论文啊，深入了解原理，时刻关注各顶会的动向，b类以上的paper总归要个三五篇吧，自己领域的顶会总归要有那么几篇吧，然后找准个小领域，玩命往里做，努力成为给别人挖坑的人。教研室师兄，博二已经两篇tkde，两篇tmm，再加几篇顶会。结果不说国外那些大神，光国内都照样还是被各路大神碾压，申个msra的实习都差点没过。
真打算好好读博士，msra是能去还是要去的，国外交流也是必须的，积攒自己的核心竞争力。当然要是只求混日子，发几篇水期刊，就当我啥也没说。
不管什么专业，什么方向，真正的大牛是不会考虑去会不会饱和，饱和只会影响浑水摸鱼的人。个人认为，现在谈饱和也太早了，数据挖掘在各个领域的应用才刚刚起步，人工智能离我们也还有一定距离，想这些问题还不如多看几页paper，领域顶层的人不会被所谓的饱和影响，或者说如果有影响那也不大。
谢邀。实际开发不是这一块的，很难说。不过个人觉得远没有到饱和。
现在的数据挖掘更多基于互联网的大数据，实际上随着个人用户使用电脑的早龄化，周期延长，以及存储设备的多样化，容量和读取速度增加，未来的数据挖掘同样像个人开展。而数据挖掘本身，从整理分类到检索，工作逐渐的细分化，可以展开的工作也很多。
跳出个人，就企业软件来说，数据存储依赖于早期设计，尤其是dba设计至关重要，设计不好对于前期开发和后期维护以及新功能追加都有很大牵制。如果数据挖掘未来能发展到弱化架构dba的工作和影响，对于开发的风险来说能下降好几个层次。现在企业级软件已经到了一定高度了，数据挖掘和分析也许在等待一次革命你。
相对来说，数据挖掘更偏向于精，所以不在人多，在于人的能力。
声明:
答主只是个学士，看到的不全面，如果有讲的不好的地方，还请见谅。
内容：
我看到的是从学术界，到工业界，几乎都在找那些会数据挖掘的人。
先说下学术界。
这个就是参加暑期夏令营的时候的见闻了。我认识的一些朋友，出去参加面试，跟老师聊SVM、NN、遗传算法的基本上都被要了，哪怕是跨了很大领域的。比如计算机到经济，数学到心理学……
然后有个同班同学，数学转生命科学，去了浙大和上海生命科学研究院，被对方当成宝贝→_→快到要填推免那些日子天天打电话催着。
然后有个教物理的老师，下班的时候抱着本PRML在那里看，据说是因为做出来的机器人智能太低……骗不到基金了。
然后还有个带我装逼带我飞的老师，现在手上基金应该有200万+了，做的方向，在这里就不好透露了。反正原理就是统计学习，数据挖掘里的方法。
再说下工业界:
国内某教育机构找我们公司合作项目，在闲聊的时候，该教育机构董事长问我们，我手里有几百万学生的数据，不知道这一块你们能不能帮我利用好，帮我做一些推荐业务，或者帮我更加精准的定位潜在客户。
还有就是某国企，每次跟我们公司合作完之后，都会向我们要统计数据。其实我一直在想假如这些统计数据都做成可视化，而且是特别好看的那种可视化，不知道会不会让那个企业把业务都交给我们公司来做23333。
总结：个人看来这一块才刚起来呢。很多地方都可以有还有很大的发展。
比如学数学的人，理论有余，代码不足。
学计算机的人，代码有余，理论不足。
假如一个人能做到从数学理论到算法到基础平台的搭建再到项目的应用全部通吃。
那真是了不得啊 !
以上是个人的一点微薄之见。
不会过时的
利用统计学的方法做数据挖掘叫机器学习，机器学习中有个比较好的深度机器学习模型叫卷积神经网络。人工智能的基础是深度学习。万法归一，阿弥陀佛
哈哈，唱唱反调。
会饱和的，现在是个学校的研究生都是大数据数据挖掘，这里的研究生专业包括但不限于计算机、电子、数学、经济、生物（逃
立帖为证，但愿到2020年知乎还在。