数据挖掘学涉及的技术包括：

统计学：

统计学是数据挖掘的基础，涉及描述性统计、推断性统计、概率论、回归分析、假设检验等方法，帮助理解数据分布和趋势。

编程语言：

常用的编程语言包括Python、R、SQL和Java等。Python因其丰富的数据处理库（如NumPy、Pandas、Scikit-learn、Matplotlib）而受到青睐，R在统计分析和数据可视化方面功能强大，SQL用于数据库查询和管理，Java在大数据框架（如Hadoop）中应用广泛。

机器学习：

机器学习是数据挖掘的核心技术，通过监督学习、无监督学习和半监督学习等方法，自动从数据中学习规律并进行预测和分类。常见的算法包括决策树、支持向量机（SVM）、朴素贝叶斯、K近邻（K-NN）、K-means、层次聚类、DBSCAN等。

数据库技术：

包括数据库查询和管理，熟悉SQL和NoSQL数据库对于数据挖掘至关重要。

人工智能：

涉及自然语言处理、专家系统等，用于从数据中提取有用的信息和知识。

信息检索：

用于从大量数据中检索相关信息。

模式识别：

用于识别数据中的模式和规律。

数据可视化：

将数据以图形的方式展示，帮助理解和解释数据。

大数据处理：

包括分布式数据处理工具如Hadoop和Spark，用于高效处理海量数据集。

文本挖掘：

从文本数据中提取有用的信息和模式。

时间序列分析：

用于分析数据随时间变化的趋势和规律。

关联规则：

发现数据集中不同项之间的关系，常用于购物篮分析等。

这些技术共同作用，使数据挖掘能够从海量数据中提取有用的信息和知识，支持企业决策、产品优化和业务创新。