Historia
Inicia por los años sesentas, La Minería de Datos es la etapa de descubrimiento en el proceso de KDD (Knowledge Discovery from Databases): “paso consistente en el uso de algoritmos concretos que generan una  enumeración de patrones a partir de los datos preprocesados”[2].

La evolución de sus herramientas en el transcurso del tiempo puede dividirse en cuatro etapas principales:

Su objetivo es Extraer Patrones y Tendencias para predecir comportamientos futuros.

Tipos
La Web como ecosistema contiene y genera un universo de datos, tanto provenientes del propio contenido de sus páginas y la estructura de sus enlaces como de su uso por parte de las personas. Estos datos tienen una importancia crucial para el mejoramiento de la misma desde un punto de vista social y también comercial. Por esta razón la minería de datos de la Web ha crecido rápidamente y es una herramienta vital para entenderla y dar valor económico a los datos que obtenemos de ella[3]. Se distinguen tres tipos de minería Web: 

Aplicaciones de la minería de datos.
Se utiliza principalmente en la recuperación de información, teniendo las siguientes aplicaciones:
Económicas, uso fraudulento de tarjetas de crédito, cálculo de indicadores financieros, análisis de riesgos de crédito, educación, procesos Industriales, modelos de calidad, extracción de modelos de coste, predicción de fallos y accidentes, medicina, gestión hospitalaria, análisis de procedimientos médicos solicitados, biología y demás ciencias afines, telecomunicaciones, modelos de carga en redes, establecimiento de patrones de llamadas, turismo, identificar patrones de reserva, tráfico, establecimiento de cámaras, GPS, política, diseño de campañas.[4]

Bibliografía 

[1] López, C. P. (2007). Minería de datos: técnicas y herramientas. Editorial Paraninfo.
[2] Orallo, H., RAMIREZ, J., QUINTANA, C. R., Orallo, M. J. H., Quintana, M. J. R., Ramírez, C. F., ... & Eppen, G. D. (2004). Introducción a la Minería de Datos. Pearson Prentice Hall,.
ISO 690
[3] Morales, C. R., Soto, S. V., & Martínez, C. H. (2005). Estado actual de la aplicación de la minería de datos a los sistemas de enseñanza basada en web.Actas del III Taller Nacional de Minería de Datos y Aprendizaje, TAMIDA2005,49, 56.
[4] Virseda, Fernando. (2006).  Minería de datos y aplicaciones. Universidad Carlos III

La minería de datos comprende una serie de técnicas, algoritmos y métodos cuyo fin es la explotación de grandes volúmenes de datos con vistas al descubrimiento de información previamente desconocida y que pueda servir de ayuda en el proceso de toma de decisiones en el negocio [1].

En general, la estadística es la primera ciencia que históricamente extrae información de los datos básicamente mediante metodologías procedentes de las matemáticas. Cuando se empezó a usar los ordenadores como apoyo para esta tarea surgió el concepto de Machine learning traducido como aprendizaje automático. Posteriormente con el incremento de tamaño y la estructuración de los datos es cuando se empieza a hablar de minería de datos. La idea de data mining no es nueva. Ya desde los años sesenta los estadísticos manejaban términos como data fishing, data mining o data archaeology con la idea de encontrar correlaciones sin una hipótesis previa en bases de datos. A principios de los años ochenta, Rakesh Agrawal, Gio Wiederhold, Robert Blum y Gregory Piatetsky-Shapiro, entre otros, empezaron a consolidar los términos de data mining y KDD (Knowledge Discovery in Database, Proceso de extracción de conocimiento). [2] A finales de los años ochenta sólo existían un par de empresas dedicadas a esta tecnología; en 2002 existen más de 100 empresas en el mundo que ofrecen alrededor de 300 soluciones. Las listas de discusión sobre este tema las forman investigadores de más de ochenta países. 

Detección de fraudes.- de blanqueo de dinero o de fraude en el uso de tarjetas de crédito o de servicios de telefonía móvil, donde estas operaciones fraudulentas o ilegales suelen seguir patrones característicos que permiten, con cierto grado de probabilidad, distinguirlas de las legítimas y desarrollar así mecanismos para tomar medidas rápidas frente ellas

Recursos humanos.- En la identificación de las características y capacidades de sus mejores empleados. La información obtenida mediante estas técnicas puede ayudar al personal de recursos humanos a la hora de la contratación de personal, centrándose en los esfuerzos de sus empleados y los resultados obtenidos por éstos. Además, dicha ayuda ofrecida

Juegos.- Oráculos para determinados juegos combinacionales, se ha abierto un nuevo camino en la minería de datos que consiste en la extracción de estrategias utilizadas por personas para la implantación en dichos oráculos

Ingeniería eléctrica.- Para monitorizar las condiciones de las instalaciones de alta tensión. Obtener información valiosa sobre el estado de aislamiento de los equipos, vigilar las vibraciones producidas o por ejemplo para analizar los cambios de carga en los transformadores.

Previsiones de fuga.- En muchas industrias (banca, telecomunicaciones) existe un interés comprensible en detectar e identificar cuanto antes a aquellos clientes que puedan estar pensando en rescindir sus contratos, para muy probablemente pasarse a la competencia. Con la ayuda de la minería de datos identificaríamos qué clientes son los más proclives a darse de baja estudiando sus patrones de comportamiento y comparándo los con clientes que ya han rescindido.

Detección de hábitos de compra en supermercados.- Un ejemplo clásico de aplicación de minería de datos, es la detección de hábitos de los clientes, a la hora de comprar en los supermercados. Un estudio muy conocido detectó que los viernes se compraban una cantidad inusual de pañales y cerveza.

Bioinformática.- Uno de los retos de la bioinformática es el desarrollo de métodos que permitan integrar los datos genómicos para explicar el comportamiento global de la célula viva, minimizando la intervención humana. Dicha integración, sin embargo, no puede producirse sin considerar el conocimiento acumulado durante años, producto de la investigación de miles de 
científico.

[1] Inteligencia en Redes de Comunicaciones, 2011,  JULIO VILLENA ROMÁN

[2] María José Ramírez Quintana José Hernández Orallo. Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software. España, 2003
Anon, (2016). [online] Available at: http://www.it.uc3m.es/rcrespo/docencia/irc/apuntes/Mineria_de_datos.pdf [Accessed 7 Oct. 2016].

la minería se lleve a cabo. A diferencia de otras innovaciones en la IA y KE, la minería de datos puede argumentar ser una aplicación en lugar de una tecnología y por lo tanto se puede esperar que permanecer tópica para el futuro previsible. Los orígenes de la minería de datos se remontan a finales de los años 80, cuando comenzó a ser utilizado el término, por lo
menos dentro de la comunidad investigadora. [2]
Tipos.
Árboles de Decisión
Gráficos-Ganancias

Datawarehouse

Simbólicas

Asociación y Clasificación [3].

Aplicaciones
El foco original de la minería de datos fue de datos tabular; un conjunto extremadamente eficaz
de las técnicas ha sido establecida y orientada a la extracción de los datos tabulares

Minería de texto:

Una aplicación típica es la construcción de clasificadores o clúster de grandes colecciones de documentos.

Minería de imagen:
La minería imagen tiene que ver con la representación de imágenes (2D y 3D). Para este fin las imágenes pueden ser representado de muchas maneras con diferentes técnicas populares que incluyen la generación de histogramas

 o árboles / gráficos

Minería gráfica:
La minería gráfica es esencialmente una extensión de la minería patrón frecuente, lo

 estamos interesados en que está ocurriendo con frecuencia sub gráficas. Una extensión popular de la minería gráfica es la minería red social. [2]

[1] López, C. P. (2007). Minería de datos: técnicas y herramientas. España: Thomson Edition.
[2]. Coenen F. (2004), Data Mining: Past, Introduction, Present and Future, The Knowledge Engineering Review, Vol. 00:0, 1-24.cm 2004, Cambridge University Press DOI: 10.1017/S00000000000000

 [3]Minería de datos. Técnicas y Herramientas. Autores: César Pérez López, Daniel Santín Gonzáles. Fecha de edición 2007