KDD ย่อมาจาก Knowledge Discovery in Databases กำหนด Broad Process ของการค้นพบ Knowledge ใน Data และเน้น High-level Applications ของ Definite Data Mining Techniques เป็น Area of Interest ของ Researchers ในหลายสาขา เช่น AI, Machine Learning, Pattern Recognition, Databases, Statistics, Knowledge Acquisition สำหรับ Expert Systems, และ Data Visualization
วัตถุประสงค์หลักของ KDD Process คือ Extract Knowledge จาก Information ใน Context ของ Huge Databases ทำได้โดยใช้ Data Mining Algorithms ระบุสิ่งที่ถือว่าเป็น Knowledge Knowledge Discovery in Databases ถือเป็น Programmed, Exploratory Analysis และ Modeling ของ Huge Data Repositories KDD เป็น Organized Process ของการ Identify Valid, Useful, และ Understandable Patterns จาก Large และ Complex Data Sets
KDD เป็น Non-trivial Procedure ของการ Identify Valid, Novel, Potentially Useful, และ Ultimately Understandable Patterns ใน Data Process บ่งชี้ว่า KDD มีหลาย Steps รวมถึง Data Preparation, Search for Patterns, Knowledge Evaluation, และ Refinement ทั้งหมด Repeated ใน Multiple Iterations โดย Non-trivial หมายถึงมี Search หรือ Inference อยู่ นั่นคือ ไม่ใช่ Simple Computation ของ Predefined Quantities เช่น คำนวณ Average ของชุดตัวเลข
Data Mining เป็น Root ของ KDD Procedure เช่น Inferring Algorithms ที่ Investigate Records, Develop Model, และ Discover Previously Unknown Patterns Model ใช้สำหรับ Extract Knowledge, Analyze Information, และ Predict Information
Data Mining เป็น Step ใน KDD Process ที่เกี่ยวข้องกับการ Apply Data Analysis และ Discovery Algorithms ที่ภายใต้ Acceptable Computational Efficiency Limitations ทำ Specific Enumeration ของ Patterns (หรือ Models) Over Data
Field of Patterns บ่อยครั้งเป็น Infinite และ Enumeration ของ Patterns มี Form ของ Search ใน Space นี้ Practical Computational Constraints วาง Limits ที่จริงจังบน Subspace ที่ Data-mining Algorithm สามารถ Analyze ได้
KDD Process มีการใช้ Database พร้อม Required Selection, Preprocessing, Subsampling, และ Transformations; ใช้ Data-mining Methods (Algorithms) Enumerate Patterns จากมัน; และ Compute Products ของ Data Mining เพื่อ Identify Subset ของ Enumerated Patterns ที่ Deemed Knowledge
Data-mining Component ของ KDD Process เกี่ยวกับ Algorithmic Method ที่ Patterns ถูก Extracted และ Enumerated จาก Records Complete KDD Process มี Evaluation และ Possible Interpretation ของ Mined Patterns เพื่อ Decide 哪些 Patterns ถือว่าเป็น New Knowledge
