数据挖掘中常见的技术和算法包括以下几种：

1、决策树：决策树是一种常用的分类和回归方法，它以树形结构表示决策集合，通过训练数据学习出分类或回归的决策规则。

2、聚类分析：聚类分析是一种将数据集划分为若干个相似群体的方法，它可以根据数据的相似性进行分类，也可以用于异常检测。常见的聚类算法包括K-means、层次聚类、DBSCAN等。

3、关联规则挖掘：关联规则挖掘用于发现数据集中项之间的有趣关系，常见算法包括Apriori和FP-Growth等。

4、神经网络：神经网络是一种模拟人脑神经元结构的计算模型，通过训练可以学习和预测数据之间的关系。常见的神经网络包括多层感知器、卷积神经网络、循环神经网络等。

5、贝叶斯分类器：贝叶斯分类器基于贝叶斯定理进行分类，适用于小样本数据集，常用的算法包括朴素贝叶斯分类器和贝叶斯网络等。

6、支持向量机：支持向量机是一种常用的分类和回归方法，它通过找到能够将不同类别的数据点最大化分隔的决策边界来实现分类或回归。

7、集成学习：集成学习是一种通过构建多个模型并将它们的预测结果组合起来以提高预测准确性的方法，常用的算法包括随机森林、梯度提升机等。

8、遗传算法：遗传算法是一种模拟生物进化过程的优化算法，它通过基因突变、交叉和自然选择等过程寻找最优解，常用于解决搜索和优化问题。

9、主成分分析：主成分分析是一种降维技术，它通过找到数据中的主要成分并去除无关的细节，将高维数据降维为低维数据，便于分析和可视化。

10、核方法：核方法是一种将数据映射到高维空间的方法，它通过非线性映射将数据在高维空间中进行线性分类或回归分析。

以上是数据挖掘中常见的一些技术和算法，它们在不同的场景和问题中都有广泛的应用。实际应用中，需要根据具体的问题和数据特征选择合适的技术和算法。