在数据挖掘领域，通常包含哪些核心任务？并且请列举一些典型的应用场景来说明这些任务的实际价值。

回答思路

1. 【回答框架 1】数据挖掘的主要任务可分为描述性和预测性两大类。描述性任务包括聚类、关联规则分析、异常检测和汇总，目的是发现数据中的常规模式；预测性任务包括分类、回归和时序预测，目标是用历史数据预测未知结果。
2. 【回答框架 2】聚类是将数据按相似度分成若干组，常用于客户细分、图像分割；关联规则挖掘用于发现项之间的共现关系，典型如购物篮分析识别商品组合；异常检测寻找偏离常规的样本，应用于欺诈检测和设备故障预警。
3. 【回答框架 3】分类任务根据已标注样本学习规则，对新样本归类，常见应用包括垃圾邮件过滤、信用风险评估；回归用于预测连续值，如房价、销售预测；时序预测针对时间序列，用于需求预测和股价趋势分析。
4. 【回答框架 4】在实际应用中，一个场景往往组合多种任务。例如推荐系统既用聚类做用户群划分，也用分类预测偏好；风控体系同时用异常检测识别欺诈，用回归评估违约率。
5. 【回答框架 5】这些任务的核心目标是提炼数据中的知识，为决策提供依据。选择任务需结合业务问题和数据特征，理解各任务的前提和评估指标。
6. 【关键点 1】数据挖掘任务分为描述性和预测性，描述性包括聚类、关联、异常检测，预测性包括分类、回归、时序预测。
7. 【关键点 2】聚类用于无监督分组，关联分析发现共现规则，典型如购物篮分析。
8. 【关键点 3】分类和回归是监督学习，分别处理离散和连续预测，常见于风控和预测场景。
9. 【关键点 4】实际场景常组合多种任务，需要根据业务目标和数据形态选择合适技术。
10. 【易错点 1】容易混淆分类和聚类：分类有标记数据，聚类无标记，误将聚类当作分类会忽略标签信息。
11. 【易错点 2】关联规则中的支持度和置信度并非因果，高置信度不意味着强关联，需结合提升度等指标。
12. 【易错点 3】预测模型需注意过拟合和数据泄漏，不能只追求训练精度而忽视泛化能力。