數據挖掘中常見的技術和算法包括以下幾種：

1、決策樹：決策樹是一種常用的分類和回歸方法，它以樹形結構表示決策集合，通過訓練數據學習出分類或回歸的決策規則。

2、聚類分析：聚類分析是一種將數據集劃分為若干個相似群體的方法，它可以根據數據的相似性進行分類，也可以用于異常檢測。常見的聚類算法包括K-means、層次聚類、DBSCAN等。

3、關聯規則挖掘：關聯規則挖掘用于發現數據集中項之間的有趣關系，常見算法包括Apriori和FP-Growth等。

4、神經網絡：神經網絡是一種模擬人腦神經元結構的計算模型，通過訓練可以學習和預測數據之間的關系。常見的神經網絡包括多層感知器、卷積神經網絡、循環神經網絡等。

5、貝葉斯分類器：貝葉斯分類器基于貝葉斯定理進行分類，適用于小樣本數據集，常用的算法包括樸素貝葉斯分類器和貝葉斯網絡等。

6、支持向量機：支持向量機是一種常用的分類和回歸方法，它通過找到能夠將不同類別的數據點最大化分隔的決策邊界來實現分類或回歸。

7、集成學習：集成學習是一種通過構建多個模型并將它們的預測結果組合起來以提高預測準確性的方法，常用的算法包括隨機森林、梯度提升機等。

8、遺傳算法：遺傳算法是一種模擬生物進化過程的優化算法，它通過基因突變、交叉和自然選擇等過程尋找最優解，常用于解決搜索和優化問題。

9、主成分分析：主成分分析是一種降維技術，它通過找到數據中的主要成分并去除無關的細節，將高維數據降維為低維數據，便于分析和可視化。

10、核方法：核方法是一種將數據映射到高維空間的方法，它通過非線性映射將數據在高維空間中進行線性分類或回歸分析。

以上是數據挖掘中常見的一些技術和算法，它們在不同的場景和問題中都有廣泛的應用。實際應用中，需要根據具體的問題和數據特征選擇合適的技術和算法。