大数据分析与挖掘的主要技术包括以下几个方面：

1、数据融合技术：这涉及到将来自不同源的数据整合在一起，以便进行更全面的分析。技术如基于对象的数据连接和相似性连接等，都是为了更好地融合和利用大数据。

2、机器学习技术：机器学习是大数据分析的核心，包括分类、回归、聚类、降维和关联规则学习等方法。这些技术帮助模型从数据中学习模式和规律，并用于预测和决策。

3、网络挖掘技术：随着社交网络和其他类型网络数据的兴起，网络挖掘成为了一个重要的领域。这包括分析网络结构、节点关系以及网络动态等。

4、特异群组挖掘：这是一种新型的数据挖掘技术，它关注于发现数据中的异常或特殊模式，这些模式可能对特定应用有重要意义。

5、图挖掘技术：图挖掘关注于从图形结构的数据中提取信息，例如社会网络、推荐系统和知识图谱等。

6、用户兴趣分析：通过对用户行为数据的分析，了解用户的偏好和兴趣点，常用于推荐系统和个性化服务。

7、网络行为分析：分析用户在网络上的行为模式，可以用于网络安全、用户画像构建等领域。

8、情感语义分析：通过对文本内容的情感倾向进行分析，可以理解公众情绪或评价产品、服务的用户反馈。

9、可视化技术：数据可视化帮助分析师更直观地理解数据，发现数据中的模式和趋势。

10、实时分析技术：随着数据流的不断产生，实时分析技术能够快速处理和分析数据，提供即时的见解和决策支持。

11、云计算平台：云平台提供了必要的计算资源和存储能力，使得大规模数据处理成为可能。

12、分布式计算框架：如Hadoop和Spark等，它们允许数据在多个计算节点上并行处理，加快了数据处理速度。

13、高性能计算：使用高性能计算机(HPC)来加速复杂的数据分析任务。

综上，这些技术并不是孤立使用的，通常会结合多种技术来解决实际问题。大数据分析与挖掘的目标是从大量的、不完全的、有噪声的数据中提取有价值的信息和知识，这对于企业决策、市场分析、科学研究等多个领域都至关重要。随着技术的不断发展，大数据分析与挖掘的方法和技术也在不断进步和创新，以适应不断变化的数据环境和分析需求。