1. 数据挖掘典型案例
数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析您提供的数据，并查找特定类型的模式和趋势。
算法使用此分析的结果来定义用于创建挖掘模型的最佳参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。[1]
算法根据您的数据创建的挖掘模型可以采用多种形式，这包括：
说明数据集中的事例如何相关的一组分类。
预测结果并描述不同条件是如何影响该结果的决策树。
预测销量的数学模型。
说明在事务中如何将产品分组到一起的一组规则，以及一起购买产品的概率。
2. 数据挖掘案例分析
1、分类：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等。
2、回归分析：反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
3、聚类分析：把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小。
4、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系。
5、特征分析：从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。
6、变化和偏差分析：偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。
7、Web页挖掘：随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集有关的信息。
3. 数据挖掘典型案例Target和怀孕预测指数中
STAR原则，即Situation（情景）、Task（任务）、Action（行动）和Result（结果）。
S，情景，应聘者在所从事岗位期间曾经做过的某件重要的且可以当作我们考评标准的事件所发生的背景。
T，任务，应聘者执行的任务与角色，考察该应聘者是否做过其描述的职位及其是否具备该岗位的相应能力。
A，行动，应聘者在其所描述的任务当中所担任的角色是如何操作与执行任务的。
R，结果，该项任务在行动后所达到的效果。
通过这些过程，可以全面了解应聘者的知识、经验、技能的掌握程度以及他的工作风格、性格特点等与工作有关的方面。
4. 数据挖掘你必须知道的32个经典案例
将客户在电商平台的购物数据进行处理和挖掘，能够得知不同地区的人的生活习惯，例如衣服的尺寸大小，饮食的喜好等，都可以通过数据挖掘，数据化的方式推测出不同地区人的饮食习惯以及身高和体重等数据，这一系列的方式将有助于销售的进行以及相关资源的调配。
5. 数据挖掘成功案例
中国最早做大数据的企业金电联行是我国最早通过大数据、云计算技术创新信用领域的第一家大数据信用信息服务机构，是央行首批备案的全国性企业征信机构，拥有我国第一个自主知识产权的大数据信用技术体系(云数据挖掘、云信用计算、云结构服务)。