數(shù)據(jù)挖掘(DataMining)是從大量不完整的、有噪聲的、模糊的、隨機的數(shù)據(jù)中提取隱藏的、未知的、但潛在有用的信息和知識的過程。根據(jù)信息存儲格式，北京大學青鳥云南計算機學院認為，用于挖掘的對象包括關系數(shù)據(jù)庫、面向對象數(shù)據(jù)庫、數(shù)據(jù)倉庫、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫、空間數(shù)據(jù)庫、時態(tài)數(shù)據(jù)庫、異構數(shù)據(jù)庫和互聯(lián)網(wǎng)。

數(shù)據(jù)準備:數(shù)據(jù)準備包括:選擇數(shù)據(jù)_從大型數(shù)據(jù)庫和數(shù)據(jù)倉庫的目標中提取數(shù)據(jù)挖掘的目標數(shù)據(jù)集；數(shù)據(jù)預處理_數(shù)據(jù)再處理，包括檢查數(shù)據(jù)的完整性和一致性、去噪、填充丟失字段、刪除無效數(shù)據(jù)等。數(shù)據(jù)挖掘:根據(jù)數(shù)據(jù)函數(shù)的類型和數(shù)據(jù)的特點，選擇相應的算法，對凈化轉換后的數(shù)據(jù)集進行數(shù)據(jù)挖掘。結果分析:對數(shù)據(jù)挖掘的結果進行解釋和評價，并轉化為最終能被用戶理解的知識。

數(shù)據(jù)分析與數(shù)據(jù)挖掘密切相關，但數(shù)據(jù)挖掘傾向于關注更大的數(shù)據(jù)集，較少關注推理，并且經(jīng)常使用最初為不同目的收集的數(shù)據(jù)。數(shù)據(jù)分析的目的是將隱藏在大量看似雜亂無章的數(shù)據(jù)中的信息進行濃縮、提取、提煉，從而找出所研究對象的內在規(guī)律。在實踐中，數(shù)據(jù)分析可以幫助人們做出判斷，以便采取適當?shù)男袆?。?shù)據(jù)分析是一個組織有目的地收集和分析數(shù)據(jù)，使之成為信息的過程。

在產(chǎn)品的整個生命周期中，包括市場調研、售后服務和最終處置，都需要恰當?shù)厥褂脭?shù)據(jù)分析過程來提高有效性。數(shù)據(jù)挖掘有許多合法用途，例如在患者數(shù)據(jù)庫中找出藥物及其副作用之間的關系。這種關系可能不會在1000個人中出現(xiàn)，但這種方法可以用于制藥相關的項目中，以減少對藥物產(chǎn)生不良反應的患者數(shù)量，并可能挽救生命。有關數(shù)據(jù)分析和數(shù)據(jù)挖掘的更多信息，請咨詢CDA data analyst。

數(shù)據(jù)挖掘是指通過算法從大量數(shù)據(jù)中尋找隱藏信息的過程。數(shù)據(jù)挖掘通常與計算機科學有關，通過統(tǒng)計學、聯(lián)機分析處理、信息檢索、機器學習、專家系統(tǒng)(依靠過去的經(jīng)驗規(guī)則)、模式識別等多種方法來實現(xiàn)上述目標。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)數(shù)據(jù)庫(KDD)不可或缺的一部分，KDD是將原始數(shù)據(jù)轉化為有用信息的全過程，它包括一系列的轉化步驟，從數(shù)據(jù)預處理到數(shù)據(jù)挖掘結果的后處理。

所有這些工作都是基于研究者以前使用的方法和算法，并在數(shù)據(jù)挖掘領域達到一個高潮。特別地，數(shù)據(jù)挖掘使用來自以下領域的思想:(1)來自統(tǒng)計的抽樣、估計和假設檢驗；(2)人工智能、模式識別和機器學習的搜索算法建模技術和學習理論。數(shù)據(jù)挖掘也很快接受了其他領域的想法，包括優(yōu)化、進化計算、信息論、信號處理、可視化和信息檢索。

數(shù)據(jù)挖掘的六大功能雖然數(shù)據(jù)挖掘的歷史很短，但是從20世紀90年代開始發(fā)展很快。另外，它是多學科綜合的產(chǎn)物，目前沒有完整的定義。人們對數(shù)據(jù)挖掘提出了各種各樣的定義，如:SAS Institute (1997):“在大量相關數(shù)據(jù)的基礎上探索數(shù)據(jù)并建立相關模型的高級方法”。Handetal(2000):“數(shù)據(jù)挖掘是在大型數(shù)據(jù)庫中發(fā)現(xiàn)有意義和有價值的信息的過程?！本唧w來說，數(shù)據(jù)挖掘(data mining)，也稱為KDD(knowledge discovery in database database)，是指從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中提取隱含的、未知的、非平凡的和潛在適用的信息或模式。它融合了數(shù)據(jù)庫、人工智能、機器學習、統(tǒng)計學等多個領域的理論和技術，是數(shù)據(jù)庫研究中極具應用價值的新領域。

數(shù)據(jù)挖掘也被翻譯為數(shù)據(jù)挖掘和數(shù)據(jù)挖掘。它是通過數(shù)學模型分析企業(yè)存儲的大量數(shù)據(jù)，找出不同的客戶或細分市場，分析消費者的偏好和行為的方法。這是數(shù)據(jù)庫知識發(fā)現(xiàn)的一個步驟。數(shù)據(jù)挖掘一般是指從大量數(shù)據(jù)中自動尋找隱藏著特殊關系的信息的過程。主要有三個步驟:數(shù)據(jù)準備、規(guī)則發(fā)現(xiàn)和規(guī)則表示。數(shù)據(jù)挖掘的任務包括相關性分析、聚類分析、分類分析、異常分析、特殊群體分析和演化分析。

它是一門利用數(shù)據(jù)來發(fā)現(xiàn)和解決問題的學科。通常是通過對數(shù)據(jù)的探索、處理、分析或建模來實現(xiàn)的。我們可以看到數(shù)據(jù)挖掘有以下特點:基于大量數(shù)據(jù):并不是說不能對少量數(shù)據(jù)進行挖掘。事實上，大多數(shù)數(shù)據(jù)挖掘算法都可以在少量數(shù)據(jù)上運行并得到結果。但是，一方面，少量的數(shù)據(jù)可以通過人工分析完全概括，另一方面，少量的數(shù)據(jù)往往不能反映現(xiàn)實世界中的普遍特征。

分類就是在一組類別標簽已知的樣本中訓練一個分類器，使其能夠對一個未知樣本進行分類。分類算法的分類過程是建立一個分類模型來描述一個預定的數(shù)據(jù)集或概念集，通過分析用屬性描述的數(shù)據(jù)庫元組來構建模型。分類的目的是分析輸入數(shù)據(jù)，通過訓練集中數(shù)據(jù)的特征，為每一類找到準確的描述或模型。這種描述通常用謂詞來表達。

數(shù)據(jù)挖掘是從大量不完整的、有噪聲的、模糊的、隨機的數(shù)據(jù)中提取隱藏的、但潛在有用的信息和知識的過程。數(shù)據(jù)挖掘流程:定義問題:明確定義業(yè)務問題，確定數(shù)據(jù)挖掘的目的，數(shù)據(jù)準備:數(shù)據(jù)準備包括:選擇數(shù)據(jù)——從大型數(shù)據(jù)庫和數(shù)據(jù)倉庫目標中提取數(shù)據(jù)挖掘的目標數(shù)據(jù)集；數(shù)據(jù)預處理——數(shù)據(jù)再處理，包括檢查數(shù)據(jù)的完整性和一致性、去噪、填充缺失字段、刪除無效數(shù)據(jù)等。