Fouille de données Data mining
La chasse aux motifs dans de gros jeux de données — un terme que les statisticiens employaient à l'origine comme une insulte.
L'expression est née dans la communauté des bases de données vers 1990. Chez les statisticiens, le « data dredging » désignait depuis longtemps le fait de chercher jusqu'à ce que quelque chose paraisse significatif, ce qui finit toujours par arriver dans un jeu de données assez grand. Le domaine a répondu par la méthode : le processus KDD, puis CRISP-DM (1999), qui impose des phases allant de la compréhension du métier au déploiement, et où l'essentiel du temps passe à nettoyer les données.
Les techniques classiques sont les règles d'association (Apriori, 1994 — l'analyse du panier de la ménagère, et l'histoire sans cesse répétée, jamais étayée, des couches et de la bière), la classification, le clustering et la détection d'anomalies. Depuis 2012, l'étiquette a largement cédé la place à la data science ou à l'apprentissage automatique, mais la boîte à outils est à peu près la même, et le mode d'échec sous-jacent aussi : trouver des motifs qui ne se généralisent pas.