KDD ডেটাবেসে জ্ঞান আবিষ্কারের প্রতিনিধিত্ব করে। এটি ডেটাতে জ্ঞান আবিষ্কারের বিস্তৃত প্রক্রিয়াকে সংজ্ঞায়িত করে এবং নির্দিষ্ট ডেটা মাইনিং কৌশলগুলির উচ্চ-স্তরের প্রয়োগের উপর জোর দেয়। এটি কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং, প্যাটার্ন স্বীকৃতি, ডেটাবেস, পরিসংখ্যান, পেশাদার সিস্টেমের জন্য জ্ঞান অর্জন এবং ডেটা ভিজ্যুয়ালাইজেশনের মতো বিভিন্ন ক্ষেত্রে গবেষকদের আগ্রহের একটি ক্ষেত্র৷
জ্ঞান আবিষ্কার প্রক্রিয়াটি পুনরাবৃত্তিমূলক এবং ইন্টারেক্টিভ, নয়টি ধাপ অন্তর্ভুক্ত। প্রক্রিয়াটি প্রতিটি পর্যায়ে পুনরাবৃত্তিমূলক, এটি বোঝায় যে পূর্ববর্তী ক্রিয়াগুলিতে ফিরে রূপান্তর প্রয়োজন হতে পারে। প্রক্রিয়াটির বেশ কয়েকটি কল্পনাপ্রসূত পদ্ধতি রয়েছে এই অর্থে যে কেউ একটি সূত্র উপস্থাপন করতে পারে না বা প্রতিটি পদক্ষেপ এবং প্রয়োগের প্রকারের জন্য সঠিক সিদ্ধান্তের জন্য একটি সম্পূর্ণ বৈজ্ঞানিক শ্রেণীকরণ তৈরি করতে পারে না। অতএব, প্রতিটি পর্যায়ে প্রক্রিয়াটি এবং একাধিক প্রয়োজনীয়তা এবং সম্ভাবনাগুলি বোঝার প্রয়োজন৷
-
একটি বোঝাপড়ার বিকাশ - এটি প্রাথমিক প্রাথমিক পদক্ষেপ। এটি রূপান্তর, অ্যালগরিদম, উপস্থাপনা ইত্যাদির মতো বিভিন্ন সিদ্ধান্তের সাথে কী করা উচিত তা শেখার দৃশ্য তৈরি করে। একটি কেডিডি উদ্যোগের দায়িত্বে থাকা ব্যক্তিদের শেষ-ব্যবহারকারী এবং পরিবেশের লক্ষ্যগুলি শিখতে এবং বৈশিষ্ট্যযুক্ত করতে হবে। যা জ্ঞান আবিষ্কারের প্রক্রিয়া প্রদর্শিত হবে (প্রাসঙ্গিক পূর্ব জ্ঞান জড়িত)।
-
একটি লক্ষ্য ডেটা সেট তৈরি করা হচ্ছে − এটি একটি ডেটা সেট বেছে নেওয়া বা ভেরিয়েবল বা ডেটা নমুনার একটি উপসেটকে লক্ষ্য করা হতে পারে, যার ভিত্তিতে আবিষ্কারটি কার্যকর করা হবে। এই প্রক্রিয়াটি অপরিহার্য কারণ ডেটা মাইনিং অ্যাক্সেসযোগ্য ডেটা থেকে শেখে এবং খুঁজে পায়। এই মডেল নির্মাণের জন্য প্রমাণ ভিত্তি. যদি কিছু গুরুত্বপূর্ণ বৈশিষ্ট্য অনুপস্থিত থাকে, সেই মুহুর্তে, পুরো অধ্যয়নটি এই দিক থেকে ব্যর্থ হতে পারে, যত বেশি গুণাবলী বিবেচনা করা হবে।
-
ডেটা ক্লিনিং এবং প্রাক-প্রসেসিং − ডেটা ক্লিনিং অনুপস্থিত মানগুলি পূরণ করে, কোলাহলপূর্ণ ডেটা মসৃণ করে, বহিরাগতদের সনাক্ত করে এবং নির্মূল করে এবং ডেটাতে অসঙ্গতিগুলি সরিয়ে ডেটা পরিষ্কার করার সংজ্ঞায়িত করে৷
-
অন্বেষণমূলক বিশ্লেষণ এবং মডেল এবং অনুমান নির্বাচন - এটি ডেটা মাইনিং অ্যালগরিদম(গুলি) নির্বাচন করা এবং ডেটা প্যাটার্নগুলি অনুসন্ধানের জন্য ব্যবহার করা পদ্ধতি(গুলি) নির্বাচন করা হতে পারে৷ এই প্রক্রিয়ায় কোন মডেল এবং প্যারামিটারগুলি উপযুক্ত হতে পারে তা নির্ধারণ করে এবং KDD প্রক্রিয়ার দীর্ঘমেয়াদী মানদণ্ডের সাথে একটি নির্দিষ্ট ডেটা-মাইনিং পদ্ধতির সাথে মিলে যায়৷
-
ডেটা মাইনিং − এটি একটি নির্দিষ্ট প্রতিনিধিত্বমূলক ফর্ম বা এই জাতীয় উপস্থাপনার একটি সেটে আগ্রহের নিদর্শন অনুসন্ধান করতে ব্যবহৃত হয়, যার মধ্যে শ্রেণীবিভাগের নিয়ম বা গাছ, রিগ্রেশন এবং ক্লাস্টারিং জড়িত থাকে। ব্যবহারকারী সঠিকভাবে পূর্ববর্তী পদক্ষেপগুলি বাস্তবায়ন করে ডেটা-মাইনিং পদ্ধতিতে উল্লেখযোগ্যভাবে সাহায্য করতে পারে।
-
আবিষ্কৃত জ্ঞানের উপর কাজ করা - এটি অতিরিক্ত কর্মের জন্য অন্য সিস্টেমে জ্ঞান সহ জ্ঞানকে সরাসরি ব্যবহার করছে, অথবা কেবল এটির নথিভুক্ত করে এবং আগ্রহী পক্ষদের কাছে রিপোর্ট করছে। এই প্রক্রিয়াটিতে পূর্বে গৃহীত (বা বের করা) জ্ঞানের সাথে সম্ভাব্য বিরোধগুলি পরীক্ষা করা এবং সমাধান করাও রয়েছে৷
