มีด้านต่างๆ ของ mining methodology ดังนี้ −
Mining various and new kinds of knowledge (ทำเหมืองความรู้หลากหลายและใหม่ๆ) − Data mining ครอบคลุม broad spectrum ของ data analysis และ knowledge discovery ตั้งแต่ data characterization, discrimination, relations, correlation analysis, classification, regression, clustering, outlier analysis, sequence analysis, trend และ deviation analysis บริการเหล่านี้ใช้ database เดียวกันแต่หลายวิธี ต้องพัฒนาหลาย data mining techniques เนื่องจาก diversity of software new mining tasks กลับขึ้นเรื่อยๆ ทำให้ data mining เป็น field ที่ powerful และ fast-growing ตัวอย่าง effective knowledge discovery ใน data networks integrated clustering และ ranking นำไปสู่ high-quality clusters และ object ranks ใน large networks
Mining knowledge in multidimensional space (ทำเหมืองความรู้ในพื้นที่มิติหลายมิติ) − เมื่อหาความรู้ใน large data sets ควร explore ใน multidimensional space หา interesting patterns ระหว่าง sets of dimensions (attributes) ที่ abstraction levels ต่างๆ Mining แบบนี้เรียกว่า exploratory multidimensional data mining ในหลายกรณี data ถูก gathered หรือ considered เป็น multidimensional data cube Mining ใน cube space เพิ่ม power และ flexibility ของ data mining
Data mining — an interdisciplinary effort (Data mining — ความพยายามรวมสาขาวิชา) − Power ของ data mining เพิ่มได้โดย integrate techniques ใหม่จากหลายสาขา ตัวอย่าง mine data ที่มี natural language text fuse data mining กับ information retrieval และ natural language processing
Boosting the power of discovery in a networked environment (เพิ่มพลังการค้นพบใน networked environment) − บาง data objects อยู่ใน linked/interconnected environment เช่น Web, database linkages, files, records Semantic links ระหว่าง data objects ใช้ประโยชน์ใน data mining Knowledge จากชุด objects หนึ่ง ใช้เพิ่ม discovery ใน "associated" หรือ semantically linked group of objects
Handling uncertainty, noise, or incompleteness of data (จัดการความไม่แน่นอน สัญญาณรบกวน หรือข้อมูลไม่สมบูรณ์) − Data มี noise, errors, exceptions, ambiguity หรือ incomplete Errors และ noise สับสน data mining process นำไปสู่ erroneous patterns Data cleaning, preprocessing, outlier detection/removal, ambiguity reasoning เป็น techniques ที่ต้อง unified กับ data mining process
Pattern evaluation and pattern- or constraint-guided mining (ประเมิน pattern และ mining นำทางด้วย pattern/constraint) − ไม่ใช่ทุก patterns จาก data mining น่าสนใจ ความน่าสนใจแตกต่างจาก user ไป user ต้องมี techniques evaluate interestingness ของ discovered patterns จาก subjective measures คำนวณ value ของ patterns ต่อ user class จาก beliefs หรือ expectations ของ user อีกทั้งด้วย interestingness measures หรือ user-defined constraints guide discovery process สร้าง interesting patterns มากขึ้น ลด search space
