大数据分析中的数据挖掘方法包括：分类、聚类、关联规则挖掘、时序模型、异常检测等。
分类是将数据划分为不同类别的过程，属于监督学习的一种方法。它通过对已知类别的训练数据建立模型，然后应用该模型预测新数据的类别。在分类中，常用的算法有决策树、朴素贝叶斯、支持向量机等。其中，朴素贝叶斯算法是一种经典的分类算法，它基于贝叶斯定理，利用已知类别的数据集来推断新数据的类别，具有速度快、准确率高等优点。
聚类是将数据分为不同组的过程，属于无监督学习的一种方法。它通过发现数据的内在结构，将相似的数据放在同一组中，并将不相似的数据放在不同组中。在聚类中，常用的算法有k-Means、DBSCAN、层次聚类等。其中，k-Means算法是一种常用的聚类算法，它将数据分为k个簇，通过最小化每个簇内的误差平方和来求解簇心。
关联规则挖掘是发现数据集中有趣的关联关系的过程。它通常用于市场篮子分析、交叉销售等领域。在关联规则挖掘中，常用的算法有Apriori、FP-Growth等。其中，Apriori算法是一种基础的频繁项集挖掘算法，它通过连续删减非频繁项集来求解频繁项集。
时序模型是描述时间相关数据的模型，通常用于预测未来的趋势和周期。在时序模型中，常用的算法有ARIMA、Holt-Winters等。其中，ARIMA算法是一种基础的时序模型算法，它包括自回归、整合和移动平均三个部分。
异常检测是发现数据中异常点的过程。它通常用于网络安全、金融欺诈等领域。在异常检测中，常用的算法有LOF、HBOS、Isolation Forest等。其中，LOF算法是一种基础的异常检测算法，它通过计算数据点与邻居的距离来检测异常点。
除了上述方法，还有一些其他的数据挖掘技术，如神经网络、决策规则等。这些方法的选择取决于数据的特点和分析的目的。在实际应用中，通常需要组合多种方法来完成数据挖掘任务。
总之，数据挖掘是大数据分析中不可缺少的一个环节，它可以帮助我们从海量的数据中发现有价值的信息，为业务决策提供重要支撑。