大数据挖掘的技术及方法包括但不限于以下几种：

1、回归分析：反映事务数据库中属性值在时间上的特征，可生成映射数据项到实值预测变量的函数，研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。回归分析可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。

2、聚类：把一组数据按照相似性和差异性分为几个类别，目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。聚类分析可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。

3、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。关联规则挖掘技术能对数据与数据之间的依赖关系进行准确描述，可以对给定事物数据库进行深入分析，寻找各数据和项目之间的内在联系，然后将所有符合支持度和置信度的，符合一定标准的关联规则进行罗列。

4、神经网络：一种模拟人脑信息处理机制的机器学习算法。通过对数值数据进行处理，并在处理过程中表现出一种思维、学习和记忆能力。

5、统计学习：一种预测方法，需要对数据进行深入分析，找出不能通过的规律，然后对所发现的规律进一步研究和分析，并结合实际情况对数据发展趋势进行预测。

大数据挖掘的方法有很多，每一种方法都有其特定的使用场景和优势。在实际应用中，需要根据具体的数据类型和问题来选择合适的方法。