第一個禮拜應該都偏這種名詞無聊的東西，之後在慢慢變成比較有實作的東西

在開始 KDD 之前，我們可以先思考，從 AI 的前提開始想
什麼是「資料」、「資訊」以及「知識」？
資料表示的可能是一組最原始的數字，可能有各式各樣的意義
資訊則是將資料進行整合或清理，得到有如「Data Warehouse」，
最後將資訊進行探勘、分析，找出資訊的特徵，並針對不同特徵分類，找出最適合的則是知識（Knowledge）

來源：https://www.slideshare.net/sanjaypaularvind/lecture-data-mining

KDD: Knowledge Discovery (KDD) Process
於是把問題拉回什麼是 KDD，KDD 即上面所述從資料的蒐集，到最後成為 Knowledge 的過程

Input Data -> Data pre-processing -> Data mining -> Data post-processing -> Pattern Information Knowledge

Data pre-processing 可能包含：資料整合 (integration)、正規化 (Normalization)、特徵選取 (Feature selection) 以及降維 (Dimension reduction) 等操作
Data mining 可能包含：Pattern discovery、Association & correlation、Classification、Clustering、Outlier analysis
Data post-processing 可能包含：Pattern evaluation, selection, Pattern interpretation, Pattern visualization

然而講了這麼多有關 Knowledge，到底又有什麼意義呢？
從古至今（？），AI 一直都在發展，「知識」便扮演了一個重要的角色
M. L. Minsky 發表的框架 (Frame) 理論，就是一個利用了「知識表示法 (Knowledge Representation)」的例子，即研究如何將複雜的相關訊息表示於電腦系統。

下次當你/妳在找各式資料來 train 時，不妨想想，原來，這是一個如此可愛又迷人的過程！