În ultimii ani asistăm la o creştere explozivă a capacităţii noastre de a genera şi colecta date. Progresele realizate în colectarea datelor, răspândirea utilizării codurilor bară pentru majoritatea produselor comerciale şi computerizarea majorităţii tranzacţiilor de afaceri şi guvernamentale ne-au inundat cu informaţii. Aceste cantităţi mari de date se memorează în depozite sau antrepozite de date, numite şi data warehouse, utilizând tehnici speciale, denumite OLTP, OLAP etc. Pentru astfel de volume de date amorfe, sunt necesare instrumente speciale pentru extragerea cunoştinţelor. Nu este de mirare că s-a născut o nouă disciplină pe care cei mai mulţi o denumesc Data Mining (DM), alţii o denumesc Knowledge Discovery (KD), alţii Knowledge Discovery in Databases (KDD), alţii Information Discovery (ID), alţii Information Archeology (IA), etc. Fiecare denumire poate fi justificată în felul ei. Trebuie subliniat însă cã unii autori fac deosebire între unele dintre acestea, de exemplu între DM si KDD sau KD. Cele mai multe studii efectuate asupra extragerii de date s-au concentrat mai mult pe extragerea regulilor de asociere de pe un singur nivel conceptual, fie la nivelul primitiv, fie la cel mai înalt nivel, ceea ce împiedică uneori găsirea cunoştinţelor dorite în bazele de date. În primul rând, datorită faptului că, de obicei, seturile de date cu o valoare importantă a suportului nu se găsesc la nivele conceptuale foarte joase, deoarece tiparele de la nivelele conceptuale joase tind să fie împrăştiate şi greu au un suport important. În al doilea rând, regularităţile vor fi găsite mai degrabă la nivele conceptuale înalte, aşadar pot fi deja bine cunoscute. Aceste observaţii motivează necesitatea propunerii unor metode de extragere de cunoştinţe de pe mai multe nivele conceptuale [HF95], [SA95a], [HF97], [Mao01], [RKS03]. Prin extragerea cunoştinţelor de pe nivele conceptuale diferite putem obţine date atât de la nivele înalte cât şi de la cele joase. Procesul de extragere de date de pe nivele multiple poate fi realizat în mai multe moduri: 130 Adâncirea progresivă – porneşte în cele mai multe cazuri de la nivele înalte conceptuale, găseşte reguli puternice la acel nivel şi apoi parcurge selectiv şi progresiv în adâncime nivelele inferioare acestuia pentru a găsi reguli la aceste nivele. Generalizarea progresivă – porneşte în cele mai multe cazuri de la nivele conceptuale inferioare, găseşte reguli puternice la aceste nivele şi apoi, generalizează progresiv rezultatele pentru nivelele superioare. Parcurgerea interactivă în sus şi în jos – procesul de descoperire de cunoştinţe poate urca sau coborî pe diferite nivele conceptuale interactiv, la instrucţiunile utilizatorului, folosind chiar factori suport diferiţi.
https://drive.google.com/file/d/0Bw7015w4SfZmLXZhVTFZTmVHcEU/view?usp=sharing