มีวิธีการทำเหมืองข้อมูลที่แตกต่างหลากหลายที่ใช้ในตัวเลือกซอฟต์แวร์และแนวคิดทางทฤษฎี สิ่งเหล่านี้ช่วยให้ผู้ใช้สามารถดึงข้อมูลจากข้อมูลที่รวบรวมโดยบุคคลและ บริษัท ที่ใช้เครื่องมือที่หลากหลาย ข้อมูลจำนวนมากสามารถใช้เพื่อกำหนดปัจจัยต่าง ๆ ในเรื่องเดียวหรือหลายวิชา วิธีการขุดข้อมูลเหล่านี้มักใช้ในด้านการป้องกันการฉ้อโกงการตลาดและการเฝ้าระวัง
เป็นเวลาหลายร้อยปีที่มีการใช้วิธีการขุดข้อมูลเพื่อดึงข้อมูลจากอาสาสมัคร อย่างไรก็ตามเทคนิคที่ทันสมัยใช้แนวคิดอัตโนมัติเพื่อให้ข้อมูลที่สำคัญผ่านทรัพยากรคอมพิวเตอร์ เมื่อวิทยาการคอมพิวเตอร์เกิดขึ้นในช่วงศตวรรษที่ 20 แนวคิดของวิธีการขุดข้อมูลจึงพัฒนาขึ้นเพื่อเอาชนะรูปแบบที่ซ่อนอยู่ในข้อมูลจำนวนมากที่เก็บรวบรวม ตัวอย่างที่ดีคือเมื่อ บริษัท โฆษณาวิเคราะห์รูปแบบการซื้อของลูกค้าออนไลน์ บริษัท นี้สามารถทำการตลาดผลิตภัณฑ์บางอย่างที่แต่ละคนอาจสนใจในการซื้อ
หนึ่งเทคนิคการขุดข้อมูลที่ใช้กันทั่วไปในอุตสาหกรรมเรียกว่าการค้นพบความรู้ในฐานข้อมูล (KDD) พัฒนาขึ้นในปี 1989 โดย Gregory Piatetsky-Shapiro ทำให้ KDD ช่วยให้ผู้ใช้ประมวลผลข้อมูลดิบวิเคราะห์ข้อมูลสำหรับข้อมูลที่จำเป็นและตีความผลลัพธ์ วิธีนี้ช่วยให้ผู้ใช้สามารถค้นหารูปแบบในอัลกอริทึมอย่างไรก็ตามข้อมูลทั่วไปนั้นไม่ถูกต้องเสมอไปและสามารถรวมเข้าด้วยกันได้หลายวิธี เรื่องนี้เป็นที่รู้จักกันในชื่อ overfitting
วิธีการทำเหมืองข้อมูลขั้นพื้นฐานเกี่ยวข้องกับงานเฉพาะสี่ประเภท: การจัดหมวดหมู่การจัดกลุ่มการถดถอยและการเชื่อมโยง การจำแนกประเภท นำข้อมูลที่มีอยู่มารวมเข้าด้วยกันเป็นกลุ่ม การทำคลัสเตอร์ จะลบการจัดกลุ่มที่กำหนดไว้และอนุญาตให้ข้อมูลจัดประเภทตัวเองด้วยรายการที่คล้ายกัน การถดถอย มุ่งเน้นไปที่ฟังก์ชั่นของข้อมูลการสร้างแบบจำลองข้อมูลบนแนวคิด วิธีการทำเหมืองข้อมูลขั้นสุดท้าย, การ เชื่อมโยง , พยายามค้นหาความสัมพันธ์ระหว่างฟีดข้อมูลต่างๆ
เมื่อใช้วิธีการขุดข้อมูลต่าง ๆ มาตรฐานบางอย่างจะถูกใช้เพื่อกำหนดพารามิเตอร์ที่สามารถใช้ในกระบวนการ สมาคมเพื่อกลุ่มผลประโยชน์พิเศษของเครื่องจักรกลการค้นพบความรู้และการขุดข้อมูล (SIGKDD) จัดการประชุมประจำปีเพื่อพิจารณาว่ากระบวนการใดเหมาะสม มีการชั่งน้ำหนักปัจจัยด้านจริยธรรมพร้อมกับการใช้งานจริงเพื่อค้นหาข้อมูลที่ดีที่สุดเกี่ยวกับบุคคลและ บริษัท ข้อมูลนี้ได้รับการเผยแพร่ในวารสารอุตสาหกรรมที่ชื่อว่า SIGKDD Explorations
