การทำเหมืองข้อมูล เป็นเทคโนโลยีใหม่ของการวิเคราะห์ข้อมูลอัตโนมัติ เพื่อค้นหาความรู้ที่จะเป็นประโยชน์แก่การวางแผนดำเนินการของหน่วยงานเจ้าของข้อมูล ความรู้ที่ค้นพบนี้เป็นได้หลายรูปแบบ เช่น แพทเทิร์นที่เกิดขึ้นภายในกลุ่มข้อมูลที่สามารถใช้ทำนายลักษณะที่จะเกิดขึ้นในอนาคตหรือทำนายแนวโน้มการเปลี่ยนแปลงของข้อมูล, ลักษณะที่สัมพันธ์เชื่อมโยงกันของข้อมูล, ลักษณะที่เบี่ยงเบนไปจากข้อมูลกลุ่มใหญ่ และรูปแบบประเภทอื่นๆ อีกหลากหลาย ปัจจัยสำคัญของการทำเหมืองข้อมูลให้ได้ความรู้ที่มีประโยชน์ คือ อัลกอริทึมสังเคราะห์ความรู้ และ ตัวข้อมูล ถ้าอัลกอริทึมไม่มีประสิทธิภาพก็จะไม่สามารถค้นหาความรู้ที่แฝงอยู่ในข้อมูลได้ หรือถ้าข้อมูลไม่มีคุณภาพเพียงพอก็จะไม่ช่วยให้สังเคราะห์ความรู้ใดออกมาได้ ในปัจจุบันการเตรียมข้อมูลเพื่อการทำเหมืองข้อมูลยังต้องใช้การจัดการโดยแรงงานคนเป็นส่วนใหญ่ งานวิจัยนี้จึงเสนอขึ้นเพื่อพัฒนาซอฟต์แวร์ที่เป็นส่วนฟิลเตอร์ ทำหน้าที่กรองและปรับปรุงคุณภาพของข้อมูลได้อัตโนมัติ ข้อมูลที่ผ่านกระบวนการฟิลเตอร์แล้วจะเป็นวัตถุดิบป้อนให้กับอัลกอริทึมสังเคราะห์ข้อมูล ผลสำเร็จของการพัฒนาซอฟต์แวร์นี้จะเป็นจุดเริ่มต้นของการสร้างระบบทำเหมืองข้อมูลสมรรถนะสูงที่ทำงานกับข้อมูลขนาดใหญ่มากได้ต่อไปในอนาคต

Data mining is a new technology in automatic data analysis. It is the search for valuable information, or knowledge, in large volumes of data. The discovered knowledge can greatly benefit the organization that owns the data in many ways, for example, to aid decision-making, to reduce the risk of business planning or to project the revenue in future investment. The common types of knowledge discovery are prediction, deviation detection, database segmentation, clustering, association rules and link analysis. Despite the many forms and functions of discovered knowledge, the most important factors in mining valuable knowledge are the learning algorithm and data. The practical data mining system needs an efficient algorithm and high quality data. Data preparation is the most critical step in data mining. This phase can affect the success of the remaining phases of data mining. Most systems treat data preparation as a separate step or even require user to prepare data manually. This project is thus proposed to develop the filter that is the set of programs to automatically transform, clean and reduce the massive set of data. This preprocessing step is necessary because the real-world data sets are highly susceptible to noisy, missing, and inconsistent data. Preprocessing can improve the quality of data and thus ease the learning step of a mining-algorithm. The success of this project will be the preliminary step toward the future development of a high-performance data mining system that can handle very large volume of data.