本书共分6章。第1章介绍数据挖掘技术的发展背景与用途，Weka简介和示例数据集介绍；第2章介绍数据挖掘的对象，即数据的基本概念，包括样本与实例，数据类型，以及weka使用的ARFF格式文件；第3章介绍分类算法，首先介绍分类方法的一般化评价指标，然后依次介绍决策树方法（包括ID3算法，C4.5算法，带嫁接功能的C4.5算法，分类与回归树以及减少-误差剪枝决策树），分类规则方法（包括分类规则算法的基本思想，覆盖算法，决策列表算法，基于全局优化的分类规则算法，涟波下降算法，1-rule分类算法，简单连接规则和简单分类规则），贝叶斯方法（包括贝叶斯方法基础，朴素贝叶斯方法，多项式贝叶斯方法，贝叶斯网络，隐匿朴素贝叶斯方法），分类函数方法（包括logistic回归，Winnow分类器，多层感知机，径向基函数网络，序列最小优化算法，核logistic回归，投票感知机，随机梯度下降算法）和惰性方法（包括惰性方法的基本思想，K最近邻分类器）；第4章主要介绍预测算法，首先介绍了预测器的一般化评价指标，然后依次介绍预测规则方法（包括简单连接规则，简单分类规则），预测函数方法（多重线性回归，简单线性回归，最小中值平方线性回归，基于投影的线性回归，保序回归和序列最小优化回归）；第五章介绍聚类算法，包括K-均值聚类，X-均值聚类，层次聚类，增量聚类，基于概率的聚类，基于密度的聚类，CLOPE聚类；第6章介绍基于频繁模式的关联规则算法，包括模式挖掘的基本概念，Apriori算法，FP-Growth算法。