數據挖掘的主要有6個任務:關聯分析、聚類分析、分類、預測、時序模式、偏差分析
1.關聯分析，關聯規則挖掘由Rakesh Apwal等人首先提出。兩個或兩個以上變量的取值之間存在的規律性稱為關聯。數據關聯是數據庫中存在的壹類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。
2.聚類分析，聚類是把數據按照相似性歸納成若幹類別，同壹類中的數據彼此相似，不同類中的數據相異。聚 類分析可以建立宏觀的概念，發現數據的分布模式，以及可能的數據屬性之間的相互關系。
3.分類就是找出壹個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這 種描述來構造模型，壹般用規則或決策樹模式表示。分類是利用訓練數據集通過壹定的算法而求得分類規則。分類可被用於規則描述和預測。
4.預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特征進行預測。 預測關心的是精度和不確定性，通常用預測方差來度量。
5.時序模式是指通過時間序列搜索出的重復發生概率較高的模式。與回歸壹樣，它也是用己知的數據預測未來的值，但這些數據的區別是變量所處時間的不同。
6.偏差分析，在偏差中包括很多有用的知識，數據庫中的數據存在很多異常情況，發現數據庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。