डेटा माइनिंग रिपॉजिटरी में सहेजे गए भारी मात्रा में डेटा के माध्यम से स्थानांतरित करके उपयोगी नए सहसंबंधों, पैटर्न और प्रवृत्तियों को खोजने की प्रक्रिया है, जिसमें पैटर्न पहचान तकनीकों का उपयोग किया जाता 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 नए तरीकों से सारांशित किया जा सके जो डेटा मालिक के लिए तार्किक और सहायक दोनों हों।
डेटा माइनिंग की विभिन्न अवधारणाएं हैं जो निम्नलिखित हैं:
वर्गीकरण - वर्गीकरण एक मॉडल खोजने की प्रक्रिया है जो डेटा क्लास या कॉन्सेप्ट्स को दर्शाता है और अलग करता है, जिसका उद्देश्य उन ऑब्जेक्ट्स की क्लास का अनुमान लगाने के लिए मॉडल का उपयोग करने में सक्षम होना है जिनका क्लास लेबल अज्ञात है। व्युत्पन्न मॉडल प्रशिक्षण रिकॉर्ड्स के एक समूह के विश्लेषण पर आधारित है (यानी, डेटा ऑब्जेक्ट्स जिनका क्लास लेबल ज्ञात है)।
भविष्यवाणियां - भविष्यवाणी वर्गीकरण के समान है, सिवाय इसके कि भविष्यवाणी के लिए परिणाम भविष्य में गलत तरीके से प्रस्तुत किए जाते हैं।
व्यवसाय और अनुसंधान में भविष्यवाणी कार्यों के उदाहरणों में शामिल हैं:
भविष्य में तीन महीने बाद स्टॉक के मूल्य का अनुमान लगाना।
अगर गति सीमा बढ़ा दी जाए तो अगले साल यातायात मौतों में प्रतिशत वृद्धि का अनुमान लगाना।
टीम आंकड़ों की पत्राचार के आधार पर इस गिरावट के बेसबॉल वर्ल्ड सीरीज़ के विजेता का अनुमान लगाना।
भविष्यवाणी करना कि दवा खोज में एक निश्चित अणु एक फार्मास्युटिकल कंपनी के लिए लागत प्रभावी नई दवा शुरू करेगा या नहीं।
एसोसिएशन नियम और अनुशंसा प्रणालियाँ - एसोसिएशन नियम, या एफिनिटी विश्लेषण, बड़े डेटाबेस में आइटम्स के बीच ऐसे सामान्य एसोसिएशन पैटर्न खोजने के लिए डिज़ाइन किए गए हैं। नियमों का उपयोग कई तरीकों से किया जा सकता है। उदाहरण के लिए, ग्रॉसरी स्टोर ऐसी जानकारी का उपयोग उत्पाद प्लेसमेंट के लिए कर सकते हैं।
वे साप्ताहिक प्रचार प्रस्तावों या उत्पादों को बंडल करने के लिए नियमों का उपयोग कर सकते हैं। लगातार अस्पताल में भर्ती होने के दौरान रोगियों के लक्षणों पर अस्पताल डेटाबेस से प्राप्त एसोसिएशन नियम यह पता लगाने में मदद कर सकते हैं कि "कौन सा लक्षण किस अन्य लक्षण के बाद आता है" ताकि लौटने वाले रोगियों के लिए भविष्य के लक्षणों का अनुमान लगाया जा सके।
डेटा रिडक्शन - डेटा माइनिंग का उपयोग एक बड़े डेटाबेस में चयनित डेटा के लिए किया जाता है। जब बड़ी मात्रा में रिकॉर्ड्स पर डेटा विश्लेषण और माइनिंग की जाती है तो प्रोसेस करने में बहुत अधिक समय लगता है, जो इसे असंभव और अव्यवहारिक बना देता है।
डेटा विश्लेषण के लिए प्रोसेसिंग समय कम करने के लिए, डेटा रिडक्शन तकनीकों का उपयोग मूल डेटा की अखंडता को बनाए रखते हुए डेटासेट के कम प्रतिनिधित्व को प्राप्त करने के लिए किया जाता है जो मात्रा में बहुत छोटा होता है। डेटा को कम करके, डेटा माइनिंग प्रक्रिया की दक्षता में सुधार होता है जो समान विश्लेषणात्मक परिणाम उत्पन्न करता है।
डेटा रिडक्शन का उद्देश्य इसे अधिक कॉम्पैक्ट रूप से परिभाषित करना है। जब डेटा आकार छोटा होता है, तो परिपक्व और कम्प्यूटेशनली उच्च-लागत एल्गोरिदम का उपयोग करना आसान होता है। डेटा की कमी पंक्तियों (रिकॉर्ड्स) की संख्या या कॉलम (आयामों) की संख्या के संदर्भ में हो सकती है।
