توضیحات : داده‌کاوی (به انگلیسی: Data Mining) به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک فایل ۳۴۵ صفحه است. اطلاعاتی بزرگ گفته می‌شود. بسیاری از مردم داده کاوی را مترادف واژه‌های رایج کشف دانش در پایگاه‌داده‌ها (به انگلیسی: knowledge discovery in databases) (اختصاری KDD) می‌دانند. داده‌کاوی، پایگاه‌ها و مجموعه حجیم داده‌ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این‌گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید. جزوه حاضر که در 345 اسلاید تهیه شده که به بصورت زیربنایی و با بیانی ساده (بصورت خود آموز) داده کاوی را توضیح داده و اصول استفاده از نرم افزارهایی چون R، پایتون و ... شرح می دهد و شامل فصول زیر است: 1- مقدمه و آشنایی 2- شناخت داده 3- پیش پردازش داده ها (آماده سازی - clear کردن داده ها) 4- انباره داده و پردازش تحلیلی بر خط 5- تکنولوژی داده مکعبی 6- استخراج الگوهای تکراری، وابستگی و همبستگی 7- طبقه بندی (classification) 8- آنالیز خوشه بندی (clustering analysis) داده کاوی در علوم کامپیوتر (کشف الگوی میان داده‌ها، پیش‌بینی حدودی نتایج، به‌دست آوردن اطلاعات کاربردی و تمرکز بر روی داده‌های بزرگ) و در مهندسی صنایع (در حوزه‌های مدیریت ارتباط با مشتری، نگهداری و تعمیرات پیشگیرانه، مدیریت زنجیره تأمین، برنامه‌ریزی تولید، کنترل کیفیت، مدیریت پروژه، ایمنی، بهداشت و محیط زیست)، در مهندسی برق شامل (شبکه عصبی مصنوعی، منطق فازی، مدلسازی علمی، سامانه های فازی، بینایی رایانه ای،) و مهندسی دانش، محاسبات نرم، الگوریتم کریسپ، یادگیری ماشین و ... کاربرد دارد.