雲計算：就是個炒得很熱的商業概念，其實說白了就是將計算任務轉移到服務器端，用戶只需要個顯示器就行了，不過服務器的計算資源可以轉包。當然，要想大規模商業化，這裏還有些問題，特別是隱私保護問題。
大數據：說白了就是數據太多了。如今幾兆的數據在20年前也是大數據。但如今所說的大數據特殊在哪呢？如今的問題是數據實在是太多了，這已經超過了傳統計算機的處理能力（區別與量子計算機），所以對於大數據我們不得不用壹些折衷的辦法（比如數據挖掘），就是說沒必要所有數據都需要精確管理，實際上有效數據很有限，用數據挖掘的方法把這些有限的知識提取出來就行了。·此外，數據抽樣，數據壓縮也是解決大數據問題的壹些策略。
數據挖掘：從數據中提取潛在知識，這些知識可以描述或者預測數據的特性。有代表性的數據挖掘任務包括關聯規則分析、數據分類、數據聚類等，這些妳在任壹本數據挖掘教材都可以了解。下面我說說和大數據的區別：數據挖掘只是大數據處理的壹個方法。馬雲所說的大數據，或者如今商業領域所說的大數據，實際上指的就是數據挖掘，其實真正所謂大數據，或者Science雜誌中提到的大數據，或者奧巴馬提出的大數據發展戰略，我的理解是，這些都遠遠大於數據挖掘的範疇，當然數據挖掘是其中很重要的壹個方法。真正目的是如何將大數據進行有效管理。
機器學習：這個詞很虛，泛指了壹大類計算機算法。重點是學習這個詞，如果想讓計算機有效學習，目前絕大多數方法都采用了叠代的方法。所以在科研界，只要是采用了這種叠代並不斷逼近的策略，壹般都可以歸到機器學習的範疇。此外，所謂學習，肯定要知道學什麽，這就是所謂訓練集，從訓練集數據中計算機要學到其中的某個壹般規律，然後用壹些別的數據（即測試集）來看看學得好不好，之後才能用於實際應用。所以，選取合適的訓練集也是個學問。
模式識別：意思就是模式的識別。模式多種多樣，可以是語言，可以是圖像，可以是事物壹些有意義的模塊，這些都算。所以總體來說，模式識別這個詞我是覺得有點虛，倒是具體的人臉圖像識別、聲音識別等，這些倒是挺實在的。也許是我不太了解吧。
另外說說妳的其他問題。
傳統分析方法不包括數據挖掘。對於數據分析這塊我不是很了解，不過可以肯定的是，傳統分析都有壹定的分析方向，比如我就想知道這兩個商品的關聯情況，那我查查數據庫就行了。數據挖掘雖說有些歷史，不過也挺時髦的，它是自動將那些關聯程度大的商品告訴妳，這期間不需要用戶指定數據分析的具體對象。
如果想應對大數據時代，數據挖掘這門課是少不了的。此外對數據庫，特別是並行數據庫、分布式數據庫，最好了解點。至於機器學習和模式識別，這些總的來說和數據挖掘關系不太大，除了壹些特殊的領域外。
總之，概念挺熱，但大數據還很不成熟，無論從研究上還是商業化上。我目前在作大數據背景下的算法研究，說實話，目前基本沒有拓展性非常強的算法，所以未來大數據的發展方向，我也挺迷茫。
PS：將數據挖掘應用於商業，最最重要的就是如何確定挖掘角度，這需要妳對具體應用的領域知識非常了解，需要妳有非常敏銳的眼光。至於數據挖掘的具體算法，這些就交給我們專門搞研究的吧！（對算法的理解也很重要，這可以把算法拓展到妳的應用領域）