大数据挖掘与传统数据挖掘在处理规模、技术手段、应用领域等方面存在显著差异。
1. 处理规模：传统数据挖掘通常针对的是结构化数据，如数据库中的表格数据，其数据量相对较小，易于处理。而大数据挖掘则涉及到非结构化或半结构化的数据，如文本、图像、音频等，这些数据的体量往往非常庞大，需要采用分布式计算、云计算等技术来处理。
2. 技术手段：传统数据挖掘主要依赖于统计学方法和机器学习算法，如回归分析、聚类分析、分类算法等。而大数据挖掘则更多地依赖于分布式计算框架和大数据处理技术，如Hadoop、Spark、MapReduce等，以及各种数据挖掘算法，如关联规则挖掘、序列模式挖掘、异常检测等。
3. 应用领域：传统数据挖掘广泛应用于金融、医疗、电商等领域，通过对结构化数据的分析，为企业提供决策支持。而大数据挖掘则更侧重于互联网、物联网、社交媒体等新兴领域，通过对非结构化或半结构化数据的挖掘，发现新的业务机会和价值。
4. 数据预处理：传统数据挖掘在数据预处理阶段，通常需要对数据进行清洗、转换、归一化等操作，以便于后续的数据分析。而大数据挖掘则更加注重数据的实时性、多样性和复杂性，因此在数据预处理阶段，需要采用更加高效、灵活的方法，如流式处理、增量学习等。
5. 结果解释：传统数据挖掘的结果通常较为直观，可以直接用于决策支持。而大数据挖掘的结果则需要通过可视化、知识图谱等方式进行解释，以便更好地理解数据背后的含义。
6. 可扩展性：传统数据挖掘由于数据量较小，通常可以采用单机或小规模集群的方式进行处理。而大数据挖掘由于数据量巨大，需要采用分布式计算框架和云平台，实现大规模并行处理，因此具有更强的可扩展性。
7. 成本效益：传统数据挖掘由于数据量较小，处理成本相对较低。而大数据挖掘由于数据量巨大，需要投入大量的硬件资源和人力成本，因此成本较高。但从长远来看，大数据挖掘能够为企业带来更大的商业价值，因此具有较高的成本效益。
总之，大数据挖掘与传统数据挖掘在处理规模、技术手段、应用领域等方面存在显著差异。随着大数据技术的发展，大数据挖掘将在更多领域发挥重要作用，为各行各业带来新的机遇和挑战。
