目前数据挖掘技术比较成功的应用主要是针对企业内部数据库中积累的历史数据。比如自动控制系统的历史运行数据；各种自动化生产线的运行历史数据；企业管理系统数据库中的历史数据；……等等。这些数据具有数据规格一致性好，可信度高，有比较好的数据的理解等特点，比较容易有针对性地开展数据挖掘工作。比较成功的例子有：高端制造业的产品质量控制；芯片制造的合格率控制；自动控制系统的故障率控制；装备零部件寿命分析；……等。

早期的数据挖掘技术主要是通过统计、分类、模式识别等计算方法经过编程在机器上实行数据处理得到进一步的系统知识。由于某一种程序所处理的数据类型是有针对性的，所以机器的数据挖掘能力也受到算法程序的限制，对于不同类型的数据需要设计不同的算法程序。随着机器学习技术的发展，人们可以通过大量数据对机器进行训练而使机器自动产生相应的计算处理能力，从而机器的数据挖掘可以自动适应不同的处理要求。所以大数据资源加上机器学习能力，使得数据挖掘技术快速发展。

而对于互联网中存在的大数据（多种形式的信号数据，包括文字，声音，图像等采集数据）进行挖掘需要发展更加完善的技术。现在数据挖掘技术与人工智能，大数据收集，机器学习等多种类型的信息处理技术的结合，已经在这个方面取得了一些的成果。比如智慧城市的交通管理系统；人脸识别的城市安全管理系统；网络运营的商品分析管理系统……等。

那么数据挖掘获得的高级信息能不能算知识，它和人类头脑中对信息的处理，产生的知识是不是一样。从目前大数据的数据挖掘应用来看，通过数据挖掘得到的仅仅是针对某个具体系统，或者具体领域的深化的信息知识，一般不能够得到比较广义的知识。所以它与头脑经过思考得到的知识在普遍性，深度等方面还有很大差距。但是人工信息系统处理信息的数量和速度方面是大大超过人类大脑，但是它们处理信息，产生知识的技术路径可以说是完全不相同的。所以进一步通过对人类学习能力的研究，机器也可以通过学习来进一步提高机器信息处理能力。目前机器数据处理产生的知识还是一种辅助功能，而进一步的能够产生技术知识的工作还需要人类智力来完成。

v 《数据挖掘导论》 Pang-Ning Tan、Michael Steinbach、Vipin Kumar著，范明 范宏建译 人民邮电出版社

v 《大话数据挖掘》西安美林电子有限责任公司编著  清华大学出版社 2012年