डेटा माइनिंग पैटर्न पहचान प्रौद्योगिकियों के साथ-साथ सांख्यिकीय और गणितीय तकनीकों का उपयोग करके रिपॉजिटरी में संग्रहीत बड़ी मात्रा में डेटा के माध्यम से छानबीन करके सार्थक नए सहसंबंधों, पैटर्न, और प्रवृत्तियों की खोज करने की प्रक्रिया है।
यह अवलोकन संबंधी डेटासेट का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज की जा सके और रिकॉर्ड्स को नए तरीकों से सारांशित किया जा सके जो डेटा मालिक के लिए समझने योग्य और लाभदायक दोनों हों। डेटा माइनिंग के विभिन्न अनुप्रयोग हैं जो निम्नलिखित हैं -
डेटा वेयरहाउस और डेटा प्रीप्रोसेसिंग
डेटा वेयरहाउस सूचना विनिमय और डेटा माइनिंग के लिए आवश्यक हैं। भू-स्थानिक डेटा के क्षेत्र में, लेकिन, अभी तक कोई वास्तविक भू-स्थानिक डेटा वेयरहाउस मौजूद नहीं है। ऐसा वेयरहाउस बनाने के लिए भौगोलिक और अस्थायी डेटा असंगतताओं को हल करने के साधन खोजने की आवश्यकता होती है, जैसे सिमेंटिक्स, रेफरेंसिंग सिस्टम, ज्यामिति, सटीकता, और परिशुद्धता का सामंजस्य।
सामान्य रूप से गणितीय सॉफ्टवेयर के लिए, विषम स्रोतों (विभिन्न समय अवधि को कवर करने वाले डेटा सहित) से सूचना को एकीकृत करने और गतिविधियों की पहचान करने के लिए विधियों की आवश्यकता होती है। जलवायु और पारिस्थितिकी तंत्र डेटा के लिए, उदाहरण के लिए (जो स्थानिक और अस्थायी हैं), समस्या यह है कि स्थानिक डोमेन में बहुत अधिक घटनाएं हैं और अस्थायी डोमेन में बहुत कम हैं।
जटिल डेटा प्रकारों की माइनिंग
वैज्ञानिक डेटा सेट प्रकृति में विषम हैं, आमतौर पर अर्ध-संरचित और असंरचित डेटा शामिल हैं, जिसमें मल्टीमीडिया डेटा और जियो-रेफरेंस्ड स्ट्रीम डेटा शामिल हैं। स्पेसियो-टेम्पोरल डेटा, संबंधित कॉन्सेप्ट पदानुक्रम, और जटिल भौगोलिक संबंधों (जैसे, गैर-यूक्लिडियन दूरियों) को संभालने के लिए मजबूत विधियों की आवश्यकता है।
ग्राफ-आधारित माइनिंग
मौजूदा मॉडलिंग दृष्टिकोणों की सीमाओं के कारण कई भौतिक घटनाओं और प्रक्रियाओं को मॉडल करना अक्सर मुश्किल या असंभव होता है। वैकल्पिक रूप से, लेबल वाले ग्राफ़ का उपयोग संख्यात्मक डेटा सेट में मौजूद कुछ स्थानिक, टोपोलॉजिकल, ज्यामितीय, और अन्य संबंधपरक विशेषताओं को जीतने के लिए किया जा सकता है।
ग्राफ़ मॉडलिंग में, माइन किए जाने वाले प्रत्येक डेटा को ग्राफ़ में एक वर्टेक्स द्वारा दर्शाया जाता है, और वर्टेक्स के बीच एजेस वस्तुओं के बीच संबंधों का वर्णन करते हैं। उदाहरण के लिए, ग्राफ़ का उपयोग रासायनिक संरचनाओं और संख्यात्मक सिमुलेशन द्वारा उत्पन्न डेटा को मॉडल करने के लिए किया जा सकता है, जैसे फ्लूइड-फ्लो सिमुलेशन।
हालांकि, ग्राफ़ मॉडलिंग की सफलता कई शास्त्रीय डेटा माइनिंग कार्यों की स्केलेबिलिटी और दक्षता में सुधार पर निर्भर करती है, जैसे वर्गीकरण, लगातार पैटर्न माइनिंग, और क्लस्टरिंग।
विज़ुअलाइज़ेशन टूल्स और डोमेन-विशिष्ट ज्ञान
संख्यात्मक डेटा माइनिंग सिस्टम के लिए उच्च-स्तरीय ग्राफिकल यूजर इंटरफेस और विज़ुअलाइज़ेशन टूल्स की आवश्यकता होती है। इन्हें मौजूदा डोमेन-विशिष्ट डेटा सिस्टम और डेटाबेस सिस्टम के साथ एकीकृत किया जाना चाहिए ताकि शोधकर्ताओं और सामान्य उपयोगकर्ताओं को पैटर्न खोजने, खोजे गए पैटर्न की व्याख्या और विज़ुअलाइज़ करने, और निर्णय लेने में खोजे गए ज्ञान का उपयोग करने में मार्गदर्शन किया जा सके।
