数据挖掘(英文：Data mining)，又译为数据挖掘和数据挖掘。这是数据库知识发现(KDD)的一个步骤。一般来说，数据挖掘是指从大量数据中自动寻找具有特殊关系的隐藏信息(属于关联规则学习)的过程。数据挖掘通常与计算机科学有关，利用统计学、联机分析处理、信息检索、机器学习、专家系统(依靠过去的经验规则)、模式识别等多种方法来达到上述目的。 　　

　　在人工智能领域，习惯上称为数据库中的知识发现(KDD)，也有人将数据挖掘视为数据库中知识发现过程的基本步骤。知识发现的过程包括以下三个阶段：(1)数据准备，(2)数据挖掘，(3)结果表达和解释。数据挖掘可以与用户或知识库交互。数据挖掘是通过对每一个数据进行分析，从大量数据中发现其规则的技术，主要包括数据准备、规则搜索和规则表示三个步骤。数据准备是从相关数据源中选取所需数据，整合成数据集进行数据挖掘；规则搜索是通过某种方法找出数据集中包含的规则；表达就是把发现的规律用用户尽可能能理解的方式表达出来(比如可视化)。 　　

　　数据挖掘的任务包括关联分析、聚类分析、分类分析、异常分析、特殊群体分析、进化分析等。 　　

　　并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统来查找个人记录，或者通过互联网搜索引擎来搜索特定的网页，都是信息检索领域中的任务。虽然这些任务很重要，可能涉及复杂算法和数据结构的使用，但它们主要依靠传统的计算机科学和技术以及数据的明显特征来创建索引结构，从而有效地组织和检索信息。然而，数据挖掘技术已经被用来提高信息检索系统的能力。 　　

　　数据挖掘的步骤会随着不同领域的应用而变化，每种数据挖掘技术都会有自己的特点和步骤，针对不同问题和需求制定的数据挖掘流程也会有所不同。此外，数据的完整性，专业支持程度等。会对数据挖掘过程的建立产生影响。这些因素导致了不同领域中数据挖掘的应用、规划和过程的差异。即使是同一个行业，也会因为分析技术和专业知识的涉及程度而有所不同。因此，将数据挖掘过程系统化、规范化就显得尤为重要。这样不仅可以方便地跨领域应用，还可以结合不同的专业知识，充分发挥数据挖掘的真正精神。 　　

　　数据挖掘的完整步骤 　　

　　从以上步骤可以看出，数据挖掘涉及到大量的准备和规划工作。事实上，很多专家认为整个数据挖掘过程中80%的时间和精力都花在数据预处理阶段，包括数据提纯、数据格式转换、变量整合、数据表链接等。可见，在数据挖掘技术分析之前，还有很多准备工作要做。