數據挖掘是為了從現有數據中獲得信息，但它也不是萬能，能夠發現的知識主要是以下5種：
1.概念知識
類別特徵的概括性描述知識。根據數據的微觀特徵發現同類事物帶有普遍性的、較高層次概念的共同性質，是一種對數據的概況、提煉和抽象。
2.關聯知識
主要反映一個事件和其他事件之間依賴或者關聯性。如果兩項或者多項屬性之間存在關聯，那麼其中一項的屬性值就可以根據其他屬性值進行預測。這類知識發現方法中最有名的就是Apriori算法。
3.分類知識
主要反映同類事物的共同特徵和不同事物之間的差異。
4.預測性知識
根據歷史數據和當前數據對未來數據進行預測，主要是時間序列預測。
5.偏差性知識
這是對差異和階段特例的揭示，如數據聚類的離群值等。
相較於挖掘能夠發現的知識而言,數據挖掘的方法類型很多，大致可以分為7類
1.決策樹方法（信息論方法）
這類方法給予信息論原理，直觀容易理解。一般來說這類方法效果好，影響力大。代表算法：ID3算法、C4.5算法、IBLE算法。
2.聚類方法
比較樣本距離，距離近的歸為一類，距離遠的分屬在不同的類中。代表算法：k均值、Clara算法、變色龍算法。
3.統計分析方法
利用統計學原理對數據進行分析，這方面有大量的商業軟件可以選用。
4.仿生物技術
代表算法：神經網絡算法和遺傳算法，當然包括兩者的其他衍生或近似算法，如鳥群算法。
5.可視化技術
對傳統圖標功能的一種擴充，讓用戶對數據的剖析更清晰。
6.模糊數學方法
我最喜歡的一類方法，包括模糊評判、模糊決策、模糊模式識別和模糊聚類。可以參考我以前的有關Aforge.net的博文。
7.其他
其他就是其他，比如SVM、文件挖掘、最近鄰方法等。