数据挖掘的任务主要是关联分析、聚类分析、分类、预测、时序模式和偏差分析等。

关联规则挖掘是由拉克什·艾活（Rakesh Apwal)等人首先提出来的。两个或两个以上变数的取值之间存在某种规律性，就称为关联。数据关联是资料库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析（Association Analysis）的目的是找出资料库隐藏的网际网路。一般用支持度和可信度两个阙值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合要求。

2.聚类分析

聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。聚类分析（Clustering Analysis)可以建立巨观的概念，发现数据的分布模式，以及可能的数据属性之间的 相互关係。

3. 分类

分类（Classification)就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。

4. 预测

预测（predication)是指利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特徵进行预测。预测关心的是精度和不确定性，通常用预测方差来度量

5. 时序模式

时序模式（Time-series pattern)是指通过时间序列搜寻出的重複发生率较高的模式。与回归一样，它也是用已知的数据预测未来的值，但这些数据的区别是变数所处时间的不同。

6. 偏差分析（Deviation Analysis)

在偏差中包括很多非常有用的知识，资料库中的数据存在很多异常情况，发现资料库中数据存在的异常情况是非常重要的。偏差检验的基本方法就是寻找检查结果与参照之间的差别。