比较有代表性的分类知识挖掘技术有：
a、决策树：通过一系列规则对数据进行分类；
b、贝叶斯分类（BayesianClassification）：
c、神经网络：
d、遗传算法与进化理论：
e、类比学习（AnalogyLearning）：
f、其他：非线性回归方法；粗糙集方法；模糊集方法；
（2）聚类
聚类是把一组个体按照相似性归成若干类别，他的目的是使得属于同一类别的个体之间的差别尽可能的小，而不同类别上的个体间的差别尽可能的大。
代表性方法：
a、基于划分的聚类方法：
b、基于层次的聚类方法：凝聚（Agglomeration）；分裂（Division）；
c、基于密度的聚类方法：
d、基于网络的聚类方法：
e、基于模型的聚类方法：
4、预测型知识挖掘
预测型知识（Prediction）是指由历史的和当前的数据产生的能够推测未来数据趋势的知识；
a、趋势预测模式；
b、周期分析模式；
c、序列模式；
d、神经网络；
5、特异型知识挖掘
特异型知识（Exception）是源数据中所蕴含的极端特例或明显区别于其他数据的知识描述，它揭示了事物偏离常规的异常规律；
a、孤立点分析：
b、序列异常分析：
c、特异规则发现：
1.6、不同数据存储形式下的数据挖掘问题
1、事物数据库中的数据挖掘：
2、关系型数据库中的数据挖掘：
3、数据仓库中的数据挖掘：
4、在关系模型基础上发展的新型数据库中的数据挖掘：面向对象数据库；对象-关系数据库；
5、面向应用的新型数据源中的数据挖掘：空间数据库；事态数据库；工程数据库；多媒体数据库；
6、Web数据源中的数据挖掘：
关键问题：异构数据源环境；半结构化的数据结构；动态变化的应用环境；
3个主要研究流派：
Web结构挖掘（WebStructureMining）：挖掘Web上的链接结构；
Web使用挖掘（WebUsageMining）：对Web上的Log日志记录的挖掘；
Web内容挖掘（WebContentMining）：基于关键词的Web内容挖掘等等；
1.7、粗糙集方法及其在数据挖掘中的应用
粗糙集理论是一种研究不精确、不确定性知识的数学工具；
1、粗糙集中的一些重要概念：
1.8、数据挖掘的应用分析
1、数据挖掘与CRM（客户关系管理）
2、数据挖掘应用的成功案例分析
a、数据挖掘在体育竞技中的应用：
b、数据挖掘在商业银行中的应用：CRM；金融投资；欺诈甄别；
c、电信行业：
d、科学探索：
e、信息安全：
第二章：知识发现过程与应用结构
2.1、知识发现的基本过程：
（1）问题定义阶段：要发现何种知识；
（2）数据抽取阶段：
（3）数据预处理阶段：当数据挖掘的对象是数据仓库时，数据预处理一般在数据仓库生成时已经完成了，但当源数据来自多数据源时，数据预处理就是一个重要的步骤了；
（4）数据挖掘阶段：选定合适的挖掘算法；
（5）知识评估阶段：对发现出来的模式进行评估，剔除无关模式；若模式不满足要求，可能要回退到前续阶段，重新执行；
2.2、数据库中的知识发现处理过程模型
几个比较有代表性的KDD模型架构：
1、阶梯处理过程模型：
源数据—（数据选择）—>目标数据—（数据预处理）—>预处理后的数据—（数据缩减）—>缩减后的数据—（数据挖掘）—>模式—（模式解释与评估）—>知识；
每个处理阶段都可以借助相应的处理工具来完成工作；
2、螺旋处理过程模型
——>定义问题——>抽取数据——>清洗数据——>数据工程——>算法工程——>运行挖掘算法——>分析结果——>（循环）；
3、以用户为中心的处理模型
该模型特别注重对用户和数据库交互的支持。
4、联机KDD模型
OLAM（OnLineAnalyticalMining，联机分析挖掘）是对OLAP的发展；需要可视化技术的支撑；
把OLAM划分成若干抽象层次，每个抽象层次都有明确的任务；
5、支持多数据源多知识模式的KDD处理模型
2.3、知识发现软件或工具的发展
1、通用型数据挖掘工具
2、面向特定领域的数据挖掘工具
2.5、数据挖掘语言介绍
1、数据挖掘查询语言
DBMiner中的DMQL（DataMiningQueryLanguage）；
MSQL：一种类似SQL的语言；
2、数据挖掘建模语言
PMML（PredictiveModelMarkupLanguage，预言模型标记语言）：一种基于XML的语言；
3、通用数据挖掘语言
结合上述两种语言的特点；
微软提出的OLEDBforDataMining（DM），扩充了SQL语言语法，调用API实现数据挖掘功能，与关系型数据库自然的集成；