Weka là một tập hợp các thuật toán học máy (machine learning algorithms) cho các dịch vụ khai thác dữ liệu. Các thuật toán có thể được áp dụng trực tiếp cho một tập dữ liệu hoặc từ chương trình Java của bạn. Nó bao gồm công cụ cho tiền xử lý dữ liệu (data pre-processing), phân loại (classification), hồi quy (regression), phân cụm (clustering), quy tắc liên kết (association rules) và trực quan hóa (visualization). Nó cũng có sẵn để tạo ra các sơ đồ học máy mới.
Một cách sử dụng Weka là áp dụng một phương pháp học tập cho một tập dữ liệu và phân tích đầu ra của nó để tìm hiểu thêm về bản ghi. Thứ hai là dùng các mô hình đã học để làm dự đoán trên các thể hiện mới.
Thứ ba là sử dụng nhiều người học (learners) và so sánh hiệu suất của chúng để chọn một cho dự đoán. Trong giao diện Weka tương tác, có thể chọn phương pháp học tập cần thiết từ một menu. Một số phương pháp có tham số có thể điều chỉnh (tunable parameters), có thể tạo qua trang thuộc tính (property sheet) hoặc trình soạn thảo đối tượng (object editor). Một cấu trúc tính toán chung được dùng để tính hiệu suất của tất cả bộ phân loại.
Nó có thể chỉ cách các bộ lọc (filters) khác nhau có thể được dùng, liệt kê các thuật toán lọc và mô tả tham số của chúng. Weka cũng bao gồm các triển khai thuật toán cho học quy tắc liên kết, phân cụm dữ liệu không có giá trị lớp được chỉ định, và chọn thuộc tính liên quan trong dữ liệu.
Cách đơn giản nhất để dùng Weka là qua giao diện người dùng đồ họa (graphical user interface) gọi là Explorer (Khám phá). Điều này cung cấp truy cập vào một số cơ sở của nó bằng cách chọn menu và điền biểu mẫu. Ví dụ, có thể nhanh chóng đọc một tập dữ liệu từ tài liệu ARFF (hoặc bảng tính) và xây dựng một cây quyết định từ nó.
Giao diện Explorer cho phép chúng ta bằng cách trình bày các lựa chọn như menu, ép chúng ta làm việc theo thứ tự thích hợp bằng cách làm mờ (graying out) các lựa chọn cho đến khi chúng phù hợp, và hiển thị các tùy chọn như các biểu mẫu cần điền. Các tooltip (mẹo công cụ) hữu ích hiện lên khi chuột đi qua các phần tử trên màn hình để hiểu chúng làm gì. Giá trị mặc định hợp lý đảm bảo có thể lấy kết quả với nỗ lực tối thiểu — nhưng sẽ phải suy nghĩ về nó để hiểu kết quả có nghĩa gì.
Giao diện Knowledge Flow (Luồng Kiến thức) cho phép chúng ta tạo cấu trúc cho xử lý thông tin luồng (streamed information processing). Hạn chế của giao diện Explorer là nó ảnh hưởng mọi thứ trong bộ nhớ chính khi mở tập dữ liệu, nó tải trực tiếp tất cả vào.
Điều này có nghĩa là Explorer có thể dùng cho các bài toán nhỏ đến trung bình. Tuy nhiên, Weka bao gồm một số thuật toán tăng tiến (incremental algorithms) có thể dùng để xử lý tập dữ liệu lớn. Giao diện Knowledge Flow cho phép chúng ta kéo thả các hộp xác định thuật toán học và nguồn dữ liệu quanh màn hình và kết nối chúng thành cấu hình cần thiết.
Nó cho phép xác định một luồng dữ liệu (data stream) bằng cách kết nối các thành phần xác định nguồn dữ liệu, công cụ tiền xử lý, thuật toán học, phương pháp tính toán, và mô-đun trực quan hóa. Nếu bộ lọc và thuật toán học phù hợp cho học tăng tiến, dữ liệu sẽ được tải và xử lý thêm.