डेटा माइनिंग पैटर्न पहचान प्रौद्योगिकियों का उपयोग करके भंडारों में संग्रहीत बड़ी मात्रा में डेटा के माध्यम से स्थानांतरित करके उपयोगी नए सहसंबंध, पैटर्न और रुझान खोजने की प्रक्रिया है, जिसमें सांख्यिकीय और गणितीय तकनीक शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज की जा सके और रिकॉर्ड को नए तरीकों से सारांशित किया जा सके जो तार्किक और डेटा मालिक के लिए उपयोगी दोनों हों।
यह चयन, अन्वेषण, और उच्च मात्रा की जानकारी के मॉडलिंग की प्रक्रिया है ताकि नियमितताओं या संबंधों को ढूंढा जा सके जो पहले अज्ञात थे ताकि डेटाबेस के मालिक के लिए स्पष्ट और लाभकारी परिणाम प्राप्त हो सकें।
डेटा माइनिंग डेटा साइंस के समान है। यह एक व्यक्ति द्वारा, एक विशेष स्थिति में, एक विशिष्ट डेटा सेट पर, एक उद्देश्य के साथ किया जाता है। इस चरण में कई प्रकार की सेवाएं शामिल हैं जैसे टेक्स्ट माइनिंग, वेब माइनिंग, ऑडियो और वीडियो माइनिंग, चित्रात्मक डेटा माइनिंग, और सोशल मीडिया माइनिंग। यह सॉफ्टवेयर के माध्यम से पूरा किया जाता है जो सरल या अत्यधिक विशिष्ट हो सकता है।
डेटा माइनिंग को आउटसोर्स करके, सभी काम कम परिचालन लागत के साथ तेजी से किया जा सकता है। विशिष्ट फर्म नई प्रौद्योगिकियों का उपयोग करके डेटा को सहेज सकती हैं जो मैन्युअल रूप से ढूंढना असंभव है। कई प्लेटफॉर्म पर टन डेटा उपलब्ध है, लेकिन बहुत सीमित ज्ञान सुलभ है।
डेटा में उपयोगी पैटर्न खोजने के दृष्टिकोण को कई नाम दिए गए हैं, जिनमें डेटा माइनिंग, नॉलेज एक्सट्रैक्शन, डेटा डिस्कवरी, डेटा हार्वेस्टिंग, डेटा आर्कियोलॉजी, और डेटा पैटर्न प्रोसेसिंग शामिल हैं। डेटा माइनिंग का उपयोग सांख्यिकीविदों, डेटा विश्लेषकों, और प्रबंधन सूचना प्रणाली (MIS) समुदायों द्वारा किया गया है।
इसने डेटाबेस क्षेत्र में लोकप्रियता भी हासिल की है। डेटाबेस में ज्ञान खोज की प्रक्रिया को 1989 (पियाटेत्स्की-शापिरो 1991) में पहले KDD वर्कशॉप में आविष्कार किया गया था ताकि यह बनाए रखा जा सके कि ज्ञान डेटा-संचालित खोज का अंतिम उत्पाद है। यह कृत्रिम बुद्धिमत्ता और मशीन लर्निंग क्षेत्रों में लोकप्रिय हुआ है।
KDD डेटा से उपयोगी ज्ञान खोजने की पूरी प्रक्रिया को परिभाषित करता है, और डेटा माइनिंग इस प्रक्रिया में एक विशिष्ट चरण को परिभाषित करता है। डेटा माइनिंग डेटा से पैटर्न निकालने के लिए विशिष्ट एल्गोरिदम का अनुप्रयोग है। KDD प्रक्रिया और डेटा-माइनिंग चरण (प्रक्रिया के भीतर) के बीच का अंतर इस वस्तु का एक केंद्रीय बिंदु है।
KDD प्रक्रिया में आगे के चरण, जिसमें डेटा तैयारी, डेटा चयन, डेटा सफाई, उपयुक्त पूर्व ज्ञान का समावेश, और खनन के परिणामों का उचित विश्लेषण शामिल हैं, यह सुनिश्चित करने के लिए महत्वपूर्ण हैं कि उपयोगी ज्ञान डेटा से बदला जाता है।
डेटा-माइनिंग तकनीकों का अंधा अनुप्रयोग (सांख्यिकीय साहित्य में सही ढंग से डेटा ड्रेजिंग के रूप में अस्वीकृत) एक खतरनाक गतिविधि हो सकती है, जो आसानी से अर्थहीन और अमान्य डिजाइन की खोज की ओर ले जाती है।
