本书内容丰富、结构清晰，共分为七章。第一章详细介绍了数据挖掘的准备工作，帮助理清数据挖掘含义、步骤与任务，加强对数据类型、属性类型基础知识的认知，以及实现具体的一项数据处理任务，为后续数据挖掘任务的实施提供了学习的基础。数据挖掘的任务主要包括分类与回归、时间序列预测、关联规则挖掘、聚类、离群点检测、推荐等，在后续的五章中，对每项数据挖掘任务进行了深入探讨。第二章聚焦于分类与回归，涵盖了决策树及其集成方法（如随机森林、Xgboost）、回归方法（包括各类回归）、支持向量机、各类神经网络（如ANN、图神经网络等）以及贝叶斯模型（如朴素贝叶斯、贝叶斯信念网络）。第三章专注于时间序列预测，主要包括一维时间序列预测与多维时间序列预测方法。第四章详细介绍了关联规则挖掘的两类经典方法：Apriori算法和FP-growth算法。第五章探讨了聚类方法，包括K-means系列、层次聚类、基于密度的聚类、神经网络聚类以及模糊聚类。第六章和第七章分别介绍了离群点检测和协同过滤推荐。