En önemli veri madenciliği kavramları toplanan bilgilerin analizi için, özellikle de bir davranışı gözlemleme çabasında kullanılır. Veriler arasındaki bilinmeyen etkileşimler, denekler ve toplanmış bilgiler arasındaki kritik ilişkileri belirlemek için çeşitli şekillerde araştırılır. Veri madenciliğindeki bir zorluk, toplanan gerçek bilgilerin tüm etki alanını andıramayacağı olabilir. Bu gerçeği ele almak için, veriler arasındaki korelasyonlar çeşitli veri madenciliği konseptleri ile düzenli olarak kontrol edilebilir.
Veri madenciliği konseptleri için standartlar Bilgi İşlem Makinaları Bilgi Edinme ve Veri Madenciliği Özel İlgi Grubu (SIGKDD) tarafından uygulanmaktadır. Bu kuruluş “Uluslararası Bilgi Teknolojileri ve Karar Verme Dergisi” ni ve SIGKDD Explorations dergisini yayınlamaktadır. Etik ve veri madenciliğinin temel prensiplerini uygulamak, endüstrinin verimli çalışmasını ve sınırlı yasal sorunlarla devam etmesini sağlar.
Bilginin ön işlenmesi, veri madenciliğinin en önemli yönlerinden biridir. Ham veriler araştırılmalı ve yorumlanmalıdır. Bu işlemi gerçekleştirmek için bir süreç belirlenmeli, hedef veriler birleştirilmeli ve kalıplar bulunmalıdır. Süreç Veritabanlarında Bilgi Keşfi olarak bilinir ve 1989 yılında Gregory Piatetsky-Shapiro tarafından geliştirilmiştir.
Dört farklı veri madenciliği kavramı sınıfı, sürecin gerçekleşmesini sağlar. Kümeleme , öğeleri benzer gruplara monte etmek için veri madenciliği işleminden oluşturulan algoritmayı kullanır. Kümelemeden farklı olarak, bilgilerin sınıflandırılması , verilerin önceden tanımlanmış gruplara birleştirildiği ve analiz edildiği zamandır. Dernek değişkenler arasındaki ilişkileri bulmaya çalışır ve hangi veri gruplarının sıklıkla ilişkilendirildiğini belirler. Son veri madenciliği türü, veri toplama içindeki bir işlevi tanımlama yöntemine dayanan regresyondur .
Bilgilerin doğrulanması, veri madenciliği uygulamasının neyi temsil ettiğini keşfetmedeki son adımdır. Tüm algoritmalar geçerli bir veri seti sunmadığında, ortaya çıkan desenler aşırı uyarma denilen bir durumla sonuçlanabilir. Bu sorunun üstesinden gelmek için, veriler bir test setiyle karşılaştırılır. Bu, ölçümlerin, makul veri kümeleri sağlayacak bir dizi algoritma ile hizalandığı bir kavramdır. Elde edilen bilgiler test setiyle aynı hizada değilse, verilerdeki varsayılan desenler yanlış olmalıdır.
En önemli veri madenciliği konseptlerinden bazıları çeşitli endüstrilerde ortaya çıkmaktadır. Oyun, iş, pazarlama, bilim, mühendislik ve gözetim tüm veri madenciliği tekniklerini kullanır. Bu teknikleri uygulayarak, her alan en iyi uygulamaları veya sonuçları bulmak için daha iyi yollar belirleyebilir.
