ডেটা মাইনিং হল রিপোজিটরি-এ সংরক্ষিত প্রচুর পরিমাণ ডেটাTransfer করে pattern recognition technologies ব্যবহার করে useful new correlations, patterns, and trends খুঁজে বের করার প্রক্রিয়া, যার মধ্যে statistical and mathematical techniques রয়েছে। এটি ফ্যাকচুয়াল ডেটাসেটের অ্যানালিসিস যাতে unsuspected relationships আবিষ্কার করা যায় এবং রেকর্ডসকে novel methods-এ summarize করা যায় যা logical and helpful উভয়ই ডেটা মালিকের জন্য।
এটি selection, exploration, and modeling of high quantities of information প্রক্রিয়া যাতে regularities or relations খুঁজে বের করা যায় যা প্রথমে unknown ছিল clear and beneficial results পাওয়ার জন্য ডাটাবেসের মালিকের জন্য।
Data Mining is similar to Data Science। এটি একটি ব্যক্তি দ্বারা, একটি নির্দিষ্ট পরিস্থিতিতে, একটি নির্দিষ্ট ডেটা সেটে, একটি উদ্দেশ্যে انجام হয়। এই ফেজে বিভিন্ন ধরনের সার্ভিস রয়েছে যার মধ্যে text mining, web mining, audio and video mining, pictorial data mining, and social media mining রয়েছে। এটি software দ্বারা সম্পন্ন হয় যা simple or highly specific হতে পারে।
Metarules enables users to define the syntactic form of rules that they are involved in mining। Rule forms can be used as constraints to provide improve the effectiveness of the mining process। Metarules can be based on the analyst's experience, expectations, or intuition concerning the data or can be automatically generated depends on the database schema।
Metarule-guided mining - বিবেচনা করুন যে AllElectronics-এ একজন মার্কেট অ্যানালিস্ট হিসেবে, কাস্টমারদের ডেটা (কাস্টমার আজ, ঠিকানা, এবং ক্রেডিট রেটিং সহ) এবং কাস্টমার ট্রানজ্যাকশনların তালিকা অ্যাক্সেস করতে পারে।
এটি কাস্টমার বৈশিষ্ট্য এবং কাস্টমাররা কেনা আইটেমগুলির মধ্যে associations খুঁজে বের করতে চায়। যাইহোক, এই সম্পর্কগুলি প্রতিফলিত করে কিছু এসোসিয়েশন রুল খুঁজে বের করার পরিবর্তে, এটি শুধু চায় সিদ্ধান্ত নেওয়া যে কাস্টমার বৈশিষ্ট্যের যেসব জোড়া অফিস সফটওয়্যারের বিক্রি বাড়ায়।
একটি মেটারুলের উদাহরণ হল
P₁(X, Y)∧ P₂(X, W) → buys(X, "office software")
যেখানে P₁ এবং P₂ প্রিডিকেট ভেরিয়েবল যা মাইনিং ফেজের সময় প্রদত্ত ডাটাবেস থেকে অ্যাট্রিবিউটে ইনস্ট্যানশिएট করা হয়, X একটি কাস্টমার সংজ্ঞায়িত করে একটি ভেরিয়েবল, এবং Y এবং W P₁ এবং P₂-র জন্য এসাইন করা অ্যাট্রিবিউটের মান নেয় যথাক্রমে।
সাধারণত, একটি ইউজার অ্যাট্রিবিউটের একটি তালিকা সংজ্ঞায়িত করতে পারে যা P₁ এবং P₂-র সাথে ইনস্ট্যানশिएশনের জন্য বিবেচনা করা হবে। সুতরাং, একটি ডিফল্ট সেট ব্যবহার করা যেতে পারে।
সাধারণত, একটি মেটারুল একটি hypothesis গঠন করে সেই সম্পর্কগুলোর সম্পর্কে যা ইউজারটি perceive বা confirm করতে জড়িত। ডেটা মাইনিং সিস্টেম সেই রুলস খুঁজে বের করতে পারে যা প্রদত্ত মেটারুলের সাথে মেলে। উদাহরণস্বরূপ,
age(X, "30...39")∧income(X, "41K...60K") → buys(X, "office software")
