Data Mining (การทำเหมืองข้อมูล) เป็นกระบวนการค้นหาความสัมพันธ์ รูปแบบ (patterns) และแนวโน้ม (trends) ที่เป็นประโยชน์และใหม่ๆ โดยการสแกนผ่านปริมาณข้อมูลมหาศาลที่จัดเก็บในที่เก็บข้อมูล (repositories) โดยใช้เทคโนโลยีการรู้จักรูปแบบ (pattern recognition) รวมถึงเทคนิคทางสถิติและคณิตศาสตร์ เป็นการวิเคราะห์ชุดข้อมูลเชิงเท็จเพื่อค้นพบความสัมพันธ์ที่ไม่คาดคิด และสรุปบันทึกข้อมูลด้วยวิธีใหม่ๆ ที่เป็นเหตุเป็นผลและมีประโยชน์ต่อเจ้าของข้อมูล
มีแนวคิดหลักของ Data Mining ดังนี้ −
Classification (การจัดประเภท) − กระบวนการค้นพบโมเดลที่อธิบายและแยกแยะคลาสหรือแนวคิดของข้อมูล เพื่อวัตถุประสงค์ในการใช้โมเดลทำนายคลาสของวัตถุที่ป้ายกำกับคลาส (class label) ไม่ทราบ โมเดลที่ได้มาจากการวิเคราะห์ชุดข้อมูลฝึกอบรม (training data) ซึ่งเป็นวัตถุข้อมูลที่ทราบป้ายกำกับคลาส
Predictions (การทำนาย) − คล้ายกับ Classification แต่ผลลัพธ์เป็นการทำนายไปในอนาคต
ตัวอย่างฟังก์ชันทำนายในธุรกิจและวิจัย −
ทำนายมูลค่าหุ้น 3 เดือนข้างหน้า
ทำนายอัตราเพิ่มของอุบัติเหตุทางหลวงปีหน้า หากเพิ่มขีดจำกัดความเร็ว
ทำนายผู้ชนะ World Series ไบสบอลฤดูใบไม้ร่วงจากสถิติตีม
ทำนายว่าโมเลกุลในการค้นพบยาจะนำไปสู่ยาใหม่ที่มีต้นทุนคุ้มค่าหรือไม่
Association Rules and Recommendation Systems (กฎการเชื่อมโยงและระบบแนะนำ) − Association rules หรือ Affinity analysis ออกแบบมาเพื่อค้นหารูปแบบการเชื่อมโยงทั่วไประหว่างรายการในฐานข้อมูลขนาดใหญ่ กฎเหล่านี้ใช้ได้หลายวิธี เช่น ร้านค้าปลีกใช้สำหรับการวางสินค้า โปรโมชั่นรายสัปดาห์ หรือการรวมสินค้า (bundling) กฎเชื่อมโยงจากฐานข้อมูลโรงพยาบาลเกี่ยวกับอาการป่วยของผู้ป่วยในการเข้ารับการรักษาต่อเนื่อง ช่วยค้นหาว่า "อาการใดตามด้วยอาการอะไร" เพื่อทำนายอาการในอนาคต
Data Reduction (การลดข้อมูล) − Data mining ใช้กับข้อมูลที่เลือกจากฐานข้อมูลขนาดใหญ่ เมื่อวิเคราะห์และทำเหมืองข้อมูลบนบันทึกจำนวนมาก ใช้เวลาประมวลผลสูงมาก จึงเป็นไปไม่ได้และไม่เหมาะสม การลดข้อมูลช่วยลดเวลาประมวลผล ได้ representation ที่เล็กลงแต่คงความสมบูรณ์ของข้อมูลต้นฉบับ ทำให้กระบวนการ data mining มีประสิทธิภาพมากขึ้น ให้ผลวิเคราะห์เหมือนเดิม การลดข้อมูลอาจเป็นในรูปของจำนวนแถว (records) หรือคอลัมน์ (dimensions)
