每日一發小視頻
個人理解，計算機視覺的技術難度會更高一些。主要原因是兩者所需要處理的數據和解決的問題方法有比較大的差異：
1.計算機視覺處理的數據更多是圖片和視頻相關的數據。這類數據一般是非結構化的數據，處理難度會大一些。
數據挖掘相對而言處理的數據是結構化的數據（比如身高、體重、收入類似可以用數值直接度量或者很容易轉化成直接可以用數值度量的數據
2.計算機視覺裡面處理處理問題用的方法一般相對而言會高深一些。計算機裡面的機器學習問題一般用的深度學習技術相對而言會更多一些。但一般數據挖掘裡面的機器學習問題用傳統的機器學習方法相對而言會更多一些。
至於數學能力和寫代碼能力，個人感覺，計算機視覺要相對而言要求會更高一些，主要原因是計算機視覺裡面用到的深度學習方法本身對數學和代碼能力的要求也會高一些。
統計學的世界
直接分享個人看法。
假設是技術能力都過關，不是很水，有研發能力。
個人單幹的話（小團隊也算），應該是計算機視覺領域更合適。為什麼呢？從我的工作經歷來講，數據挖掘領域的第一個問題就是數據從哪來。個人從不同渠道蒐集整理數據的難度太大和可操作性低，費時費力，自己一般是搞不動的，沒有大量的有價值數據，數據挖掘也就無從談起。第二點，很多數據都是企業的核心資產或者商業機密，是不大可能隨便給第三方的個人或者小公司小團隊的。個人單幹數據挖掘工作在業務拓展上有諸多不利。
相反，計算機視覺在數據採集標註訓練上相對於數據挖掘容易得多。光是公開可用的圖片數據集都很多。而使用這些圖片視頻數據進行的工作是可以留存的，但你的數據挖掘工作如何方便地從一份電影數據遷移到遊戲數據呢？？
燒錢這塊？就個人單幹而言，初期計算機視覺領域要比數據挖掘更花錢，要用GPU訓練，視頻圖片數據量存儲也很大。但這不是絕對的，數據挖掘遇到有幾十億數據或者對計算速度有高要求的情況，服務器的消費也不少。
兩者的市場前景沒有明顯的孰優孰絕，短期內來說計算機視覺的熱度應該稍好，也有小團隊的成功案例，畢竟是實打實可以看得見摸得著的東西，應用落地普及的速度要快很多。而數據挖掘的歷史悠久，更具戰略價值。所以不太好說哪方面的前景好，說不定二者結合，做計算機視覺領域的圖片視頻數據挖掘更牛更有前途！
