在機器學習的流程中數據挖掘是重要的一環。數據挖掘是從大量數據中提取隱藏的或未知，但可能有用信息的過程。這些數據最終會被加上標簽，用于模型的訓練。很多的數據科學家和機器學習工程師都有其熟悉的數據挖掘工具，但市場上也不乏許多開源的數據挖掘工具。

Apache Mahout

Apache Mahout是流行的分布式線性代數框架。該框架是具有數學表達能力的Scala DSL，能夠讓統計學家和數據科學家以更快的方式實現其算法。它構建了一個用于快速創建可擴展且性能驅動的機器學習應用程序的環境。

Apache Mahout有諸多優勢，比如它允許應用程序以更快的方式分析大型數據集;支持數學表達式Scala DSL;支持多個分布式后端，包括Apache Spark;適用于CPU/GPU/CUDA加速的模塊化本機求解器。

DataMelt

DataMelt或DMelt是用于數值計算，數學、統計、符號計算，數據分析和數據可視化的開源軟件。該平臺是Python，Ruby，Groovy等各種腳本語言的組合，以及其他Java軟件包。

DMelt是一個計算平臺，可以在各種操作系統上與不同的編程語言一起使用;DataMelt可以與Java平臺的幾種腳本語言一起使用，例如Jython(Python編程語言)，Groovy，JRuby(Ruby編程語言)和BeanShell;它可創建高質量的矢量圖形圖像(SVG，EPS，PDF等)，這些圖像可以包含在LaTeX和其他文本處理系統中。

ELKI

由Index-Structures或ELKI支持的開發KDD應用程序的環境，是用Java語言編寫的開源數據挖掘軟件。該平臺能夠研究算法，重點是聚類分析和離群值檢測中的無監督方法。

它提供了數據索引結構，例如R*樹，可顯著提高性能;方便該領域的研究人員和學生進行擴展;ELKI提供了大量可高度參數化的算法。

Knime

KNIME Analytics Platform用Java編寫，基于Eclipse，是用于承載數據科學任務的開源軟件。它是一種多語言軟件開發環境，包括一個集成開發環境(IDE)和一個可擴展的插件系統。Knime是一個免費的數據分析，報告和集成平臺。

它允許用戶從2000多個節點中進行選擇來構建工作流程;允許使用直觀的拖放式圖形界面，創建可視化工作流程，而無需編程。

Orange

Orange是一款開源的，基于組件的數據挖掘軟件，用于機器學習和數據可視化。它包括一系列數據可視化、搜索、預處理和建模技術，并且可以用作Python編程語言的模塊。

Orange具有交互式數據可視化功能，還可以執行簡單的數據分析;它包括交互式數據搜索，可通過清晰的可視化進行快速定性分析。

Rattle

Rattle用R語言編寫，是流行的用于數據挖掘的開源GUI，可顯示數據的統計和可視摘要。它可以轉換數據，以便可以對其進行建模。它根據數據構建無監督和受監督的機器學習模型，以圖形方式顯示模型的性能，并對新數據集進行評分以部署到生產中。

Rattle通過GUI展示R Statistics軟件的功能，它提供了可觀的數據挖掘功能;通過圖形用戶界面進行的所有交互都被捕獲為R腳本，可以獨立于Rattle界面在R中輕松執行;該工具可用于學習和發展R的技能，然后在Rattle中構建初始模型。

scikit-learn

scikit-learn是一個流行的Python庫，用于數據分析和數據挖掘，它建立在SciPy，Numpy和Matplotlib的基礎上。scikit學習的主要功能為分類、回歸、聚類、降維、模型選擇以及數據預處理。

scikit-learn包括用于預測數據分析的簡單有效的工具;它提供了流行的模型，包括降維、交叉驗證集成方法、參數調整等等。

Weka

Weka或Waikato知識分析環境是一種流行的開源機器學習軟件，可以通過圖形用戶界面，標準終端應用程序或Java API進行訪問。它是用于解決實際數據挖掘問題的機器學習算法的集合。它是用Java編寫的，幾乎可以在任何平臺上運行。

Weka包含大量用于標準機器學習任務的內置工具，它提供對著名工具箱，如scikit-learn，R以及Deeplearning4j的透明訪問。