数据挖掘专业的学生或从业者通常需要学习以下几种软件：

Python：

Python是目前最受欢迎的数据挖掘工具之一，具有强大的数据处理和分析能力，丰富的库和框架支持，以及广泛的社区资源。Python适用于数据清洗、数据预处理、建模和可视化。常用的Python库包括Pandas、NumPy、Scikit-learn、TensorFlow和Keras等。

R：

R是一种专门为统计分析和数据挖掘设计的编程语言。R拥有丰富的统计和图形工具，适用于数据探索、建模和可视化。R的CRAN（Comprehensive R Archive Network）提供了大量的包和函数，帮助用户处理各种数据挖掘任务。常用的R包包括ggplot2、dplyr和tidyr等。

SQL：

SQL（Structured Query Language）是一种用于管理和操作关系型数据库的语言。在数据挖掘中，SQL常用于数据的提取、筛选和聚合。熟练掌握SQL可以帮助进行复杂的数据查询和数据预处理。

Tableau：

Tableau是一种大数据前端分析挖掘工具，易于上手，适合进行数据可视化。

FineBI：

FineBI是另一个大数据前端分析挖掘工具，同样易于使用。

RapidMiner：

RapidMiner是一个流行的数据挖掘工具，支持数据预处理、建模、可视化和部署。它具有直观的图形界面，适合希望从事算法开发的用户。

Weka：

Weka是一个开源的机器学习和数据挖掘软件，具有强大的功能，但界面相对简单。

KNIME：

KNIME是一个开源的数据分析、报告和集成平台，适合进行数据挖掘和数据处理。

Hadoop：

Hadoop是一个分布式计算框架，用于处理大规模数据集。

Spark：

Spark是一个快速、通用的大数据处理引擎，支持批处理、实时流处理、机器学习和图计算等多种应用场景。

SPSS：

SPSS（Statistical Package for the Social Sciences）是一个广泛使用的统计分析软件，也提供了数据挖掘功能。SPSS Modeler（原名Clementine）是一个业界领先的数据挖掘平台，具有专业性、易用性、扩展性、高性能等特点。

建议根据具体需求和兴趣选择合适的软件进行深入学习。例如，对于初学者，可以从Python和R开始，因为它们有丰富的学习资源和社区支持。对于需要处理大规模数据集的场景，可以学习Hadoop和Spark。对于希望从事算法开发的用户，可以选择RapidMiner或KNIME。