数据挖掘技术中的算法种类繁多，这些算法可以帮助我们从海量数据中挖掘出有用的信息和知识。下面我将介绍一些常用的数据挖掘算法。
关联规则挖掘（association rule mining）是基于频繁项集（frequent itemset）的一种数据挖掘技术，它可以挖掘出数据集中频繁出现的关联模式（association pattern），也可以找到不同属性之间的关联关系。常见的关联规则挖掘算法有 Apriori 算法、FP-Growth 算法等。
分类算法（classification algorithm）是一种监督学习（supervised learning）方法，通过训练数据集来建立一个分类模型，然后将新数据点分类至预设类别之中。常见的分类算法有决策树（decision tree）、支持向量机（support vector machine）和 K-近邻算法（K-nearest neighbors algorithm）。
聚类算法（clustering algorithm）是无监督学习（unsupervised learning）的一种方法，它可以将数据按照相似度分成若干类别，然后进一步分析这些类别的特征。常见的聚类算法有 K-Means 算法、DBSCAN 算法、层次聚类算法等。
可视化算法（visualization algorithm）常用于数据挖掘中对数据的分析和展示。它可以将复杂的数据结果转换成直观的图形展示，更好地理解数据之间的关系和趋势。常见的可视化算法有 Heat Map 算法、Scatter Plot 算法、Parallel Coordinates 算法等。
迭代法（iterative method）是一种不断迭代计算的方法，用于求解最优化问题。例如在矩阵分解（matrix factorization）中，迭代法可以通过多次矩阵运算求出最优的分解结果。常见的迭代法算法有随机梯度下降法（Stochastic gradient descent, SGD）、坐标下降法（Coordinate descent, CD）等。
特征选择算法（feature selection algorithm）是用来选择最相关的特征变量，排除无用变量，以提高模型预测准确性。常见的特征选择算法有过滤式（filter）、包裹式（wrapper）、嵌入式（embedded）等。
异常检测算法（anomaly detection algorithm）常用于发现诸如欺诈行为、设备故障和异常点等异常情况。常见的异常检测算法有基于统计学的方法、聚类方法、支持向量机方法、深度学习方法等。
总结来看，数据挖掘技术中的算法种类繁多，需要根据实际问题的特点与需求选择适合的方法进行分析及处理。