डेटा माइनिंग, पैटर्न पहचान तकनीकों का उपयोग करके रिपॉजिटरी में सहेजे गए बड़ी मात्रा में डेटा के माध्यम से स्थानांतरित करके उपयोगी नए सहसंबंधों, पैटर्न, और रुझानों को खोजने की प्रक्रिया है, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज की जा सके और रिकॉर्ड को नवीन तरीकों से सारांशित किया जा सके जो डेटा मालिक के लिए दोनों तार्किक और सहायक हों।
एक डेटा माइनिंग कार्य को डेटा माइनिंग क्वेरी के डिजाइन में परिभाषित किया जा सकता है, जिसे डेटा माइनिंग सिस्टम को इनपुट किया जाता है। एक डेटा माइनिंग क्वेरी को डेटा माइनिंग कार्य आदिम (task primitives) की शर्तों में दर्शाया जाता है। ये आदिम उपयोगकर्ता को खोज के दौरान डेटा माइनिंग सिस्टम के साथ पारस्परिक रूप से जुड़ने में सक्षम बनाते हैं ताकि खनन प्रक्रिया को निर्देशित किया जा सके या निष्कर्षों को कई कोणों या गहराई से परीक्षण किया जा सके।
डेटा माइनिंग का कार्य निम्नानुसार है:
खनन किए जाने वाले कार्य-प्रासंगिक डेटा का समुच्चय (The set of task-relevant data to be mined) – यह डेटाबेस के उन हिस्सों या सूचना के समुच्चय को परिभाषित करता है जिसमें उपयोगकर्ता रुचि रखता है। इसमें रुचि के डेटाबेस विशेषताएं या डेटा वेयरहाउस आयाम शामिल हैं (प्रासंगिक विशेषताओं या आयामों के रूप में परिभाषित)।
खनन किए जाने वाले ज्ञान का प्रकार (The kind of knowledge to be mined) – यह संचालित की जाने वाली डेटा माइनिंग फ़ंक्शन को परिभाषित करता है, जिसमें लक्षण वर्णन (characterization), भेदभाव (discrimination), संबंध या सहसंबंध विश्लेषण (association or correlation analysis), वर्गीकरण (classification), भविष्यवाणी (prediction), क्लस्टरिंग (clustering), बाहरी विश्लेषण (outlier analysis), या विकास विश्लेषण (evolution analysis) शामिल हैं।
खोज प्रक्रिया में उपयोग किए जाने वाले पृष्ठभूमि ज्ञान (The background knowledge to be used in the discovery process) – खनन किए जाने वाले डोमेन के बारे में यह ज्ञान खोज प्रक्रिया को निर्देशित करने और स्थापित पैटर्न की गणना करने में मदद करता है। अवधारणा पदानुक्रम (Concept hierarchies) पृष्ठभूमि ज्ञान का एक प्रसिद्ध रूप है, जो डेटा को अमूर्तता के कई तरीकों से खनन करने में सक्षम बनाता है।
पैटर्न मूल्यांकन के लिए दिलचस्पी के उपाय और थ्रेसहोल्ड (The interestingness measures and thresholds for pattern evaluation) – इनका उपयोग खनन प्रक्रिया को मार्गदर्शन करने के लिए या खोज के बाद, खोजे गए पैटर्न की गणना करने के लिए किया जा सकता है। कई प्रकार के ज्ञान में अलग-अलग दिलचस्पी के उपाय हो सकते हैं।
खोजे गए पैटर्न की कल्पना के लिए अपेक्षित प्रतिनिधित्व (The expected representation for visualizing the discovered patterns) – यह उस रूप को दर्शाता है जिसमें खोजे गए पैटर्न प्रस्तुत किए जाने हैं, जिसमें नियम, टेबल, चार्ट, ग्राफ, निर्णय ट्री, और क्यूब्स शामिल हो सकते हैं।
एक डेटा माइनिंग क्वेरी भाषा को इन आदिम को शामिल करने के लिए डिज़ाइन किया जा सकता है, जिससे उपयोगकर्ता डेटा माइनिंग सिस्टम के साथ लचीले ढंग से जुड़ सकें। एक डेटा माइनिंग क्वेरी भाषा एक प्राधिकरण का समर्थन करती है जिस पर उपयोगकर्ता-अनुकूल ग्राफिकल इंटरफेस बनाए जा सकते हैं। यह एक डेटा माइनिंग सिस्टम के अन्य डेटा सिस्टम के साथ संचार और पूर्ण डेटा प्रोसेसिंग वातावरण के साथ इसके एकीकरण को बढ़ावा देता है।
एक समावेशी डेटा माइनिंग भाषा डिजाइन करना चुनौतीपूर्ण है क्योंकि डेटा माइनिंग डेटा लक्षण वर्णन से विकास विश्लेषण तक कार्यों के एक विस्तृत स्पेक्ट्रम की रक्षा करता है। प्रत्येक कार्य की कई आवश्यकताएं हैं। एक प्रभावी डेटा माइनिंग क्वेरी भाषा के डिजाइन के लिए विभिन्न प्रकार के डेटा माइनिंग कार्यों की शक्ति, सीमा, और अंतर्निहित संरचना के व्यापक सीखने की आवश्यकता होती है।
