智能化数据挖掘实训平台提供了丰富的数据挖掘方法实现，是数据挖掘方法的集合，包括预测模型发现、聚类分析、分类与回归、关联分析、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现、离群点检测等。支持关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及Web。能够实现机器学习方法、统计方法、神经网络方法和数据库方法。机器学习方法中，可细分为归纳学习方法（决策树、规则归纳等）、基于范例学习、遗传算法等。平台支持回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别和非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）等。支持神经网络方法包括前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

智能化数据挖掘提供了面向电商客户分群挖掘、客户行为挖掘、营销挖掘、购物车挖掘、文本智能挖掘、客服数据挖掘、网络舆情挖掘、行为趋势预测、金融数据挖掘、运营数据挖掘、贸易数据挖掘、物流数据挖掘等实训案例。帮助学生由浅入深逐步掌握数据挖掘使用和开发，既能满足各类课程数据挖掘的应用实训，也能满足专业化深层次挖掘算法编写要求。