大數據分析與挖掘的主要技術包括以下幾個方面：

1、數據融合技術：這涉及到將來自不同源的數據整合在一起，以便進行更全面的分析。技術如基于對象的數據連接和相似性連接等，都是為了更好地融合和利用大數據。

2、機器學習技術：機器學習是大數據分析的核心，包括分類、回歸、聚類、降維和關聯規則學習等方法。這些技術幫助模型從數據中學習模式和規律，并用于預測和決策。

3、網絡挖掘技術：隨著社交網絡和其他類型網絡數據的興起，網絡挖掘成為了一個重要的領域。這包括分析網絡結構、節點關系以及網絡動態等。

4、特異群組挖掘：這是一種新型的數據挖掘技術，它關注于發現數據中的異常或特殊模式，這些模式可能對特定應用有重要意義。

5、圖挖掘技術：圖挖掘關注于從圖形結構的數據中提取信息，例如社會網絡、推薦系統和知識圖譜等。

6、用戶興趣分析：通過對用戶行為數據的分析，了解用戶的偏好和興趣點，常用于推薦系統和個性化服務。

7、網絡行為分析：分析用戶在網絡上的行為模式，可以用于網絡安全、用戶畫像構建等領域。

8、情感語義分析：通過對文本內容的情感傾向進行分析，可以理解公眾情緒或評價產品、服務的用戶反饋。

9、可視化技術：數據可視化幫助分析師更直觀地理解數據，發現數據中的模式和趨勢。

10、實時分析技術：隨著數據流的不斷產生，實時分析技術能夠快速處理和分析數據，提供即時的見解和決策支持。

11、云計算平臺：云平臺提供了必要的計算資源和存儲能力，使得大規模數據處理成為可能。

12、分布式計算框架：如Hadoop和Spark等，它們允許數據在多個計算節點上并行處理，加快了數據處理速度。

13、高性能計算：使用高性能計算機(HPC)來加速復雜的數據分析任務。

綜上，這些技術并不是孤立使用的，通常會結合多種技術來解決實際問題。大數據分析與挖掘的目標是從大量的、不完全的、有噪聲的數據中提取有價值的信息和知識，這對于企業決策、市場分析、科學研究等多個領域都至關重要。隨著技術的不斷發展，大數據分析與挖掘的方法和技術也在不斷進步和創新，以適應不斷變化的數據環境和分析需求。