本书介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树、关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存在缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘任务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。.
本书逻辑严密、内容翔实、极富实践性，适合作为高等学校本科生或研究生的教材，也可供相关技术人员参考。
正如所有受到商业注目的新兴技术一样，数据挖掘的运用也是极其多样化的。言过其实的报导声称可以建立算法：在数据的海洋里发现秘密。但事实上机器学习中没有魔术，没有隐藏的力量，没有炼金术。有的只是一些可以将有用的信息从原始数据中提炼出来的清晰明了的实用技术。本书叙述了这些技术并展示了它们是如何工作的。..
本书对1999年的初版做了重大的改动。虽说核心概念没有变化，但本书做了更新，反映出过去五年的变化。新版的重要部分包括了30种新的技术；一个加强了互动界面的Weka机器学习工作平台；有关神经网络的完整信息，一个有关贝叶斯网络的新章节；诸如此类，不胜枚举。
本书提供了机器学习理论概念的完整基础，此外还对实际工作中应用的相关工具和技术提了一些建议，在本书中你将发现：成功数据挖掘技术的核心算法——历经考验的真实技术及领先前沿的方法。转换输入或输出，改善性能的方法。可下载的Weka软件，它集合了能承担数据挖掘任务的机器学习算法，包括对数据进行预处理。分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。...


Ian H．Winen新西兰怀卡托大学计算机科学系教授，ACM和新西兰皇家学会成员，曾荣获2004年国际信息处理研究协会(IFIP)颁发的Namur奖项。他的著作包括《Managing Gigabytes：Compressing and Indexing Documents and Images》、《How to Build a Digital Library》以及众多的期刊和学会文章。.
Eibe Frank新西兰怀卡托大学计算机科学系高级讲师，在机器学习领域有广泛的论文发表，是《MachineLearningJourna!》和《Journal of Artifiicial Intelligence Research》的编委。