数据挖掘功能用于指定数据挖掘任务要找的模式类型．一般而言，数据挖掘任务可以分两类：描述和预测．描述性挖掘任务描述数据库中的数据的一般性质．预测性挖掘任务对当前数据进行推断，以做出预测．
概念／类描述：特征化和区分
- 数据特征化
- 数据区分
挖掘频繁模式，关联和相关
关联分析．假设作为AllElectronics的市场部经理，想确定在相同的事务中，哪些商品经常被一起购买．从AllElectronics事务数据库中挖掘出来的这种规则的一个例子是
buys (X, "computer") => buys(X, "software") [support = 1%, confidence = 50%]
其中，X是变量，代表顾客．50%的置信度或可信性表示，如果一位顾客购买计算机，则购买软件的可能性是50%．1%的支持度意味所分析的所有事务的1%显示计算机与软件一起购买．这个关联规则涉及单个重复的属性或谓词（即 buys）．包含单个谓词的关联规则称作单维关联规则（single-dimensional association rule）．去掉谓词符号，上面的规则可以简单地写成 "computer => software [1%, 50%]"．
假设给定涉及购买的AllElectronics关系数据库．数据挖掘系统还可以发现如下形式的规则：
age(X, "20...29") ^ income(X, "20K...29K") => buys(X, "CD player") [support = 2%, confidence = 60%]
该规则指出，所研究的AllElectronics顾客，2%是20 ~ 29岁，年收入为2000 ~ 29000，并且在AllElectronics购买了CD播放机．这个年龄和收入组的顾客购买CD机的概率为60%．注意，这个属性称为一维，上面的规则可以称作多维关联规则 (multidimensional association rule)．
分类和预测
聚类分析
离群点分析
演变分析