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।
KDD प्रक्रिया का मुख्य उद्देश्य बड़े डेटाबेस के संदर्भ में सूचना से डेटा निकालना है। यह डेटा माइनिंग एल्गोरिदम का उपयोग करके ऐसा करता है ताकि यह पहचाना जा सके कि क्या ज्ञान माना जाता है। डेटाबेस में नॉलेज डिस्कवरी को बड़े डेटा रिपॉजिटरी के प्रोग्रामेटिक, खोजपूर्ण विश्लेषण और मॉडलिंग के रूप में माना जाता है। KDD बड़े और कठिन डेटा सेट में वैध, उपयोगी, और समझने योग्य डिजाइन की पहचान करने की संगठित प्रक्रिया है।
KDD डेटा में वैध, नवीन, संभावित रूप से उपयोगी, और मूल रूप से तार्किक डिजाइन की पहचान करने की गैर-तुच्छ प्रक्रिया है। प्रक्रिया इंगित करती है कि KDD में कई चरण शामिल हैं, जिनमें डेटा तैयारी, पैटर्न खोज, ज्ञान मूल्यांकन, और परिशोधन शामिल हैं, सभी कई पुनरावृत्तियों में दोहराए जाते हैं। गैर-तुच्छ से तात्पर्य है कि कुछ खोज या निष्कर्ष निहित है; अर्थात्, यह संख्याओं के एक सेट के औसत मूल्य की गणना जैसे पूर्वनिर्धारित मात्राओं की आसान गणना नहीं है।
डेटा माइनिंग KDD प्रक्रिया का मूल है, जैसे कि एल्गोरिदम का अनुमान जो रिकॉर्ड की जांच करते हैं, मॉडल विकसित करते हैं, और पहले अज्ञात पैटर्न की खोज करते हैं। मॉडल का उपयोग जानकारी से ज्ञान निकालने, जानकारी का विश्लेषण करने, और जानकारी की भविष्यवाणी करने के लिए किया जाता है।
डेटा माइनिंग KDD प्रक्रिया में एक चरण है जिसमें स्वीकार्य कम्प्यूटेशनल दक्षता सीमाओं के तहत डेटा विश्लेषण और खोज एल्गोरिदम लागू करना शामिल है जो डेटा पर पैटर्न (या मॉडल) की एक विशिष्ट गणना करते हैं।
पैटर्न का क्षेत्र अक्सर अनंत होता है, और पैटर्न की गणना में इस स्थान में खोज का कुछ रूप होता है। व्यावहारिक कम्प्यूटेशनल बाधाएं उस उपस्थान पर गंभीर सीमाएं रखती हैं जिसका विश्लेषण डेटा-माइनिंग एल्गोरिदम द्वारा किया जा सकता है।
KDD प्रक्रिया में डेटाबेस का उपयोग कुछ आवश्यक चयन, पूर्व-प्रसंस्करण, सबसैम्पलिंग, और इसके परिवर्तनों के साथ किया जाता है; पैटर्न को इससे गिनने के लिए डेटा-माइनिंग विधियों (एल्गोरिदम) का उपयोग करना; और डेटा माइनिंग के उत्पादों की गणना करके गिने गए पैटर्न के उपसमूह को पहचानना जिन्हें ज्ञान माना जाता है।
KDD प्रक्रिया का डेटा-माइनिंग घटक उस एल्गोरिदमिक विधि से संबंधित है जिसके द्वारा पैटर्न को रिकॉर्ड से निकाला और गिना जाता है। पूर्ण KDD प्रक्रिया में खनन किए गए पैटर्न के मूल्यांकन और संभावित व्याख्या शामिल है ताकि यह तय किया जा सके कि किन पैटर्न को नए ज्ञान के साथ माना जा सकता है।
