數據在當今世界意味着金錢。隨着向基於app的世界的過渡，數據呈指數增長。然而，大多數數據是非結構化的，因此需要一個過程和方法從數據中提取有用的信息，並將其轉換為可理解的和可用的形式。
數據挖掘或“數據庫中的知識發現”是通過人工智能、機器學習、統計和數據庫系統發現大數據集中的模式的過程。
免費的數據挖掘工具包括從完整的模型開發環境如Knime和Orange，到各種用Java、c++編寫的庫，最常見的是Python。數據挖掘中通常涉及到四種任務:
分類:將熟悉的結構概括為新數據的任務
聚類:在數據中以某種方式查找組和結構的任務，而不需要在數據中使用已注意的結構。
關聯規則學習:查找變量之間的關系
回歸:旨在找到一個函數，用最小的錯誤來模擬數據。
下面列出了用於數據挖掘的軟件工具
數據挖掘工具
1.Rapid Miner
Rapid Miner，原名YALE又一個學習環境，是一個用於機器學習和數據挖掘實驗的環境，用於研究和實際的數據挖掘任務。毫無疑問，這是世界領先的數據挖掘開源系統。該工具以Java編程語言編寫，通過基於模板的框架提供高級分析。
它使得實驗可以由大量的可任意嵌套的操作符組成，這些操作符在XML文件中是詳細的，並且是由快速的Miner的圖形用戶界面完成的。最好的是用戶不需要編寫代碼。它已經有許多模板和其他工具，讓我們可以輕松地分析數據。
2. IBM SPSS Modeler
IBM SPSS Modeler工具工作台最適合處理文本分析等大型項目，其可視化界面非常有價值。 它允許您在不編程的情況下生成各種數據挖掘算法。 它也可以用於異常檢測、貝葉斯網絡、CARMA、Cox回歸以及使用多層感知器進行反向傳播學習的基本神經網絡。
3.Oracle Data Mining
Oracle。 作為“高級分析數據庫”選項的一部分，Oracle數據挖掘功能允許其用戶發現洞察力，進行預測並利用其Oracle數據。您可以構建模型來發現客戶行為目標客戶和開發概要文件。
Oracle Data Miner GUI使數據分析師、業務分析師和數據科學家能夠使用相當優雅的拖放解決方案處理數據庫內的數據。 它還可以為整個企業的自動化、調度和部署創建SQL和PL / SQL腳本。
4. Teradata
Teradata認識到，盡管大數據是令人敬畏的，但如果您實際上並不知道如何分析和使用它，那么它是毫無價值的。 想象一下，有數百萬的數據點沒有查詢的技能。 這就是Teradata所提供的。它們提供數據倉庫，大數據和分析以及市場營銷應用程序方面的端到端解決方案和服務。
Teradata還提供一系列的服務，包括實施，業務咨詢，培訓和支持。
5.Smartbi Mining
Smartbi Mining通過深度數據建模，為企業提供預測能力，支持多種高效實用的機器學習算法，包含了分類、回歸、聚類、預測、關聯，5大類機器學習的成熟算法。其中包含了多種可訓練的模型：邏輯回歸、決策樹、隨 機森林、朴素貝葉斯、支持向量機、線性回歸、K均值、DBSCAN、高斯混合模型。除提供主要算法和建模功能外，Smartbi Mining數據挖掘平台還提供了必不可少的數據預處理功能，包括字 段拆分、行過濾與映射、列選擇、隨機采樣、過濾空值、合並列、合並行、JOIN、行選擇、去除重復值、排序、增加序列號、增加計算字段等。
6. Framed Data
這是一個完全管理的解決方案，這意味着你不需要做任何事情，而是坐下來等待見解。 框架數據從企業獲取數據，並將其轉化為可行的見解和決策。 他們在雲中訓練、優化和存儲產品的電離模型，並通過API提供預測，消除基礎架構開銷。他們提供了儀表板和情景分析工具，告訴你哪些公司杠桿是駕駛你關心的指標。
7. Kaggle
Kaggle是全球最大的數據科學社區。 公司和研究人員張貼他們的數據，來自世界各地的統計人員和數據挖掘者競相制作最好的模型。Kaggle是數據科學競賽的平台。 它幫助您解決難題，招募強大的團隊，並擴大您的數據科學人才的力量。
8. Rattle
Rattle代表R分析工具輕松學習。 它提供數據的統計和可視化匯總，將數據轉換為可以輕松建模的表單，從數據中構建無監督模型和監督模型，以圖形方式呈現模型的性能，並對新數據集進行評分。
它是一個使用Gnome圖形界面在統計語言R編寫的免費的開源數據挖掘工具包。 它運行在GNU / Linux，Macintosh OS X和MS / Windows下。
9. KNIME
Konstanz信息采集器是一個用戶友好、可理解、全面的開源數據集成、處理、分析和探索平台。它有一個圖形用戶界面，幫助用戶方便地連接節點進行數據處理。
KNIME還通過模塊化的數據流水線概念集成了機器學習和數據挖掘的各種組件，並引起了商業智能和財務數據分析的注意。
10. Python
作為一種免費且開放源代碼的語言，Python通常與R進行比較，以方便使用。 與R不同的是，Python的學習曲線往往很短，因此成了傳奇。 許多用戶發現，他們可以開始構建數據集，並在幾分鍾內完成極其復雜的親和力分析。只要您熟悉變量、數據類型、函數、條件和循環等基本編程概念，最常見的業務用例數據可視化就很簡單。
11. Orange
Orange是一個以Python語言編寫的基於組件的數據挖掘和機器學習軟件套件。它是一個開放源碼的數據可視化和分析的新手和專家。數據挖掘可以通過可視化編程或Python腳本進行。它還包含了數據分析、不同的可視化、從散點圖、條形圖、樹、到樹圖、網絡和熱圖的特征。
12. SAS Data Mining
使用SAS Data Mining商業軟件發現數據集模式。 其描述性和預測性建模提供了更好的理解數據的見解。 他們提供了一個易於使用的GUI。 他們擁有自動化的數據處理工具，集群到最終可以找到正確決策的最佳結果。 作為一個商業軟件，它還包括可升級處理、自動化、強化算法、建模、數據可視化和勘探等先進工具。