KDD का अर्थ नॉलेज डिस्कवरी इन डेटाबेस है। यह डेटा में ज्ञान खोजने की व्यापक प्रक्रिया को परिभाषित करता है और निश्चित डेटा माइनिंग तकनीकों के उच्च-स्तरीय अनुप्रयोगों पर जोर देता है। यह कृत्रिम बुद्धिमत्ता, मशीन लर्निंग, पैटर्न पहचान, डेटाबेस, सांख्यिकी, विशेषज्ञ प्रणालियों के लिए ज्ञान अधिग्रहण, और डेटा विज़ुअलाइज़ेशन जैसे कई क्षेत्रों के शोधकर्ताओं के लिए रुचि का क्षेत्र है।
ज्ञान खोज प्रक्रिया पुनरावृत्त और इंटरैक्टिव है, जिसमें नौ चरण शामिल हैं। प्रक्रिया हर चरण में पुनरावृत्त है, जिसका अर्थ है कि पिछले कार्यों पर वापस जाना आवश्यक हो सकता है। प्रक्रिया में कई रचनात्मक विधियां हैं इस अर्थ में कि कोई एक सूत्र प्रस्तुत नहीं कर सकता या प्रत्येक चरण और एप्लिकेशन प्रकार के लिए सही निर्णयों के लिए पूर्ण वैज्ञानिक वर्गीकरण नहीं बना सकता। इसलिए, प्रक्रिया और प्रत्येक चरण में कई आवश्यकताओं और संभावनाओं को समझना आवश्यक है।
समझ विकसित करना (Developing an understanding) - यह बुनियादी प्रारंभिक चरण है। यह रूपांतरण, एल्गोरिदम, प्रतिनिधित्व आदि जैसे कई निर्णयों के साथ क्या किया जाना चाहिए यह सीखने के लिए दृश्य सेट करता है। KDD उद्यम के प्रभारी व्यक्तियों को अंतिम उपयोगकर्ता के लक्ष्यों और उस वातावरण को सीखना और चरित्रित करना आवश्यक है जिसमें ज्ञान खोज प्रक्रिया दिखाई देगी (प्रासंगिक पूर्व ज्ञान शामिल है)।
टारगेट डेटा सेट बनाना (Creating a target data set) - यह डेटा सेट चुनना या चर या डेटा नमूनों के सबसेट को लक्षित करना हो सकता है, जिस पर खोज लागू की जानी है। यह प्रक्रिया आवश्यक है क्योंकि डेटा माइनिंग सुलभ डेटा से सीखता और खोजता है। यह मॉडल बनाने के लिए साक्ष्य आधार है। यदि कुछ महत्वपूर्ण एट्रिब्यूट गायब हैं, तो उस बिंदु से पूरा अध्ययन इस दृष्टिकोण से असफल हो सकता है, अधिक एट्रिब्यूट पर विचार किया जाता है।
डेटा सफाई और पूर्व-प्रसंस्करण (Data cleaning and pre-processing) - डेटा सफाई का अर्थ है लापता मूल्यों को भरकर, शोर डेटा को स्मूथ करके, आउटलेयर की पहचान करके और उन्हें हटाकर, और डेटा में विसंगतियों को हटाकर डेटा को साफ करना।
खोजपूर्ण विश्लेषण और मॉडल और परिकल्पना चयन (Exploratory analysis and model and hypothesis selection) - यह डेटा माइनिंग एल्गोरिदम का चयन करना और डेटा पैटर्न खोजने के लिए उपयोग की जाने वाली विधियों का चयन करना हो सकता है। इस प्रक्रिया में यह तय करना शामिल है कि कौन से मॉडल और पैरामीटर उपयुक्त हो सकते हैं और KDD प्रक्रिया के दीर्घकालिक मानदंडों के साथ एक विशेष डेटा-माइनिंग विधि का मिलान करना।
डेटा माइनिंग (Data mining) - इसका उपयोग एक विशिष्ट प्रतिनिधित्व रूप या ऐसे प्रतिनिधित्व के सेट में रुचि के पैटर्न को खोजने के लिए किया जाता है, जिसमें वर्गीकरण नियम या ट्री, रिग्रेशन, और क्लस्टरिंग शामिल हैं। उपयोगकर्ता पूर्ववर्ती चरणों को सही ढंग से लागू करके डेटा-माइनिंग विधि की महत्वपूर्ण मदद कर सकता है।
खोजे गए ज्ञान पर कार्य करना (Acting on the discovered knowledge) - यह ज्ञान का सीधे उपयोग करना है, जिसमें अतिरिक्त कार्रवाई के लिए किसी अन्य सिस्टम में ज्ञान को शामिल करना, या बस इसका दस्तावेजीकरण करना और इच्छुक पार्टियों को रिपोर्ट करना शामिल है। इस प्रक्रिया में पहले से स्वीकृत (या निकाले गए) ज्ञान के साथ संभावित संघर्षों की जांच और समाधान भी शामिल है।
