数据挖掘是一个多学科交叉的研究与应用领域：数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识系统、知识获取、信息检索、高性能计算以及可视化计算等广泛的领域。

随着计算机硬件和软件的飞速发展，尤其是数据库技术与应用的日益普及，人们积累的数据越来越多，如何有效利用这一丰富数据的海洋为人类服务，业已成为广大信息技术工作者所关注的焦点之一。激增的数据背后隐藏着许多重要而有用的信息，人们希望能够对其进行更高层次的分析，以便更好地利用它们。与日趋成熟的数据管理技术和软件工具相比，人们所依赖的传统的数据分析工具功能，已无法有效地为决策者提供其决策支持所需要的相关知识，由于缺乏挖掘数据背后的知识的手段，而形成了“数据爆炸但知识贫乏”的现象。为有效解决这一问题，自20世纪80年代开始，数据挖掘技术逐步发展起来，数据挖掘技术的迅速发展，得益于目前全世界所拥有的巨大数据资源，以及对将这些数据资源转换为信息和知识资源的巨大需求，对信息和知识的需求来自各行各业，从商业管理、生产控制、市场分析到工程设计、科学探索等。

数据挖掘经历了以下发展过程：

20世纪60年代及之前：数据收集与数据库创建阶段，主要用于基础文件处理；

70年代：数据库管理系统阶段，主要研究网络和关系数据库系统、数据建模工具、索引和数据组织技术、查询语言和查询处理、用户界面与优化方法、在线事务处理等；

80年代中期：先进数据库系统的开发与应用阶段，主要进行先进数据模型（扩展关系、面向对象、对象关系）、面向应用（空间、时间、多媒体、知识库）等的研究；

80年代后期至21世纪初：数据仓库和数据挖掘蓬勃兴起，主要对先进数据模型（扩展关系、面向对象、对象关系）、面向应用（空间、时间、多媒体、知识库）等的研究。

数据挖掘（Data Mining，DM）是20世纪90年代在信息技术领域开始迅速兴起的数据智能分析技术，由于其所具有的广阔应用前景而备受关注，作为数据库与数据仓库研究与应用中的一个新兴的富有前途领域，数据挖掘可以从数据库，或数据仓库，以及其他各种数据库的大量各种类型数据中，自动抽取或发现出有用的模式知识。

数据挖掘简单地讲就是从大量数据中挖掘或抽取出知识，数据挖掘概念的定义描述有若干版本，以下给出一个被普遍采用的定义性描述。

数据挖掘，又称数据库中的知识发现（Knowledge Discovery from Database，KDD），是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。数据挖掘的全过程描述如图8-1所示。

数据挖掘的主要步骤有：

（1）数据预处理，包括：(www.daowen.com)

2011年至今：大数据时代，大数据挖掘成为研究热点和新的挑战。

图8-1　数据挖掘的全过程

数据清洗。清除数据噪声和与挖掘主题明显无关的数据。

数据集成。将来自多数据源中的相关数据组合到一起。

数据转换。将数据转换为易于进行数据挖掘的数据存储形式。

数据消减。缩小所挖掘数据的规模，但却不影响最终的结果。包括：数据立方合计、维数消减、数据压缩、数据块消减、离散化与概念层次生成等。

（2）数据填充。针对不完备信息系统，对缺失值进行填充。

（3）数据挖掘。利用智能方法挖掘数据模式或规律知识。

（4）模式评估。根据一定评估标准，从挖掘结果筛选出有意义的模式知识。

（5）知识表示。利用可视化和知识表达技术，向用户展示所挖掘出的相关知识。