大数据挖掘是指通过技术手段对海量数据进行深入的分析和挖掘，从中发现有用的信息和知识。大数据挖掘的方法主要包括数据预处理、特征选择、数据降维、聚类、分类、关联规则挖掘、时序模式挖掘等多种技术。下面将逐一介绍这些方法及其应用。
数据预处理是大数据挖掘的第一步，也是非常重要的一步。数据预处理主要包括数据清洗、数据集成、数据变换与规约等。其中数据清洗是必不可少的一步，因为原始数据中常常存在噪声、缺失值等问题，如果不进行清洗处理，会影响后续的数据挖掘结果。
特征选择是指从原始数据中选出最具有代表性的特征作为建模依据。特征选择的目标是尽可能地减少冗余特征，同时保留具有代表性的特征，以提高模型精度和泛化能力。特征选择可以采用过滤、包装和嵌入三种方法，其中过滤法速度较快，但需要先确定好特征权重，它主要依靠统计量来进行特征选择。包装法通过反复训练模型，从而来确定最佳特征组合。嵌入法则是在学习算法的过程中进行特征选择。
数据降维是指将原始数据集中的高维空间转化成低维空间进行分析。数据降维可以使得数据在可视化和理解上更加方便，同时也可以避免维度灾难问题的发生。数据降维的常用方法主要有主成分分析(PCA)、线性判别分析(LDA)等。
聚类是一种无监督学习方法，它可以将相似的对象归为一类。聚类算法的目标是使同一类别内的元素尽量相似，且不同类别之间尽量不同。聚类算法常用的有k-means、层次聚类等。
分类是一种有监督学习方法，它通过对已知类别的样本进行学习，然后对未知样本进行分类预测。在大数据挖掘中，分类算法是非常重要的一种方法，它可以用来对用户行为进行判别，从而提高个性化推荐的精度和召回率。分类算法常用的有决策树、朴素贝叶斯、支持向量机等。
关联规则挖掘是一种在交易数据库或其他数据集中发现事物间普遍性联系的方法。它可以用来分析一些关联性比较明显的数据，例如购物清单、搜索记录等。关联规则挖掘算法主要有Apriori算法、FP-Growth算法等。
时序模式挖掘是指从带有时间属性的数据序列中挖掘出时间上具有相关性的模式，例如周期性、趋势、周期偏差等。时序模式挖掘算法主要有序列模式挖掘算法、基于模型的时序挖掘算法等。
总之，大数据挖掘方法非常多，在实际应用中需根据数据类型和具体问题进行选择。同时，了解各种方法的优缺点，合理地组合应用，可以取得更好的挖掘结果。