поділяють на навчання з вчителем (supervised learning) і навчання без вчителя (unsupervised learning);

поділяють на описові (descriptive) та передбачувані (predictable);

поділяють на завдання класифікації (classification task) та завдання регресії (regression tasks);

поділяють на слабо структуризовані (poorly structured), структуризовані (structured) і сильно структуризовані (highly structured);

має забезпечувати відкидання всіх відсутніх значень даних перед тим, як їх видавати користувачеві;

має після модифікації початкових даних зберігати відсутні значення даних окремо;

має підтримувати можливість зберігання всіх відсутніх значень даних окремо;

має ігнорувати всі відсутні значення даних без урахування їх джерела надходження;

це зміна розташування вимірів, поданих у звіті або на сторінці, що відображається;

це побудова підмножини багатовимірного масиву даних, що відповідає єдиному значенню одного або декількох елементів вимірів;

це побудова підмножини набору даних, що відповідає умовам їх відображення у звіті або на сторінці;

це побудова підмножини набору даних, що відображається у звіті або на сторінці;

правильністю ПЗ;

захищеністю ПЗ;

інтероперабельністю ПЗ;

узгодженістю ПЗ;

має однаково ефективно забезпечувати доступ як до власних, так і до зовнішніх даних;

має підтримувати необмежену розмірність й кількість рівнів агрегування до 19 вимірів у ненормалізованих джерелах даних;

має бути інтегрована для роботи з ненормалізованими джерелами даних;

має надавати користувачу можливість виконання операцій зрізання, обертання, консолідації та деталізації ненормалізованих джерел даних;

подання даних у формі, необхідній для успішної побудови тієї або іншої моделі;

початкова інтерпретація отриманих результатів;

попереднє моделювання процесів і прогнозування даних;

отримання "сирих" даних з джерел (логи серверів, тексти електронних документів);

перетин, поворот, валідації та атестації;

зрізання, обертання, консолідації та деталізації;

зрізання, обертання, консолідеризації та деталізації;

перетин, поворот, агрегації та автентифікації;

вхідний етап (input stage), етап попереднього оброблення (preprocessing stage), етап моделювання (pattern discovery stage), етап аналізу моделі (pattern analysis stage);

вхідний етап (input stage), етап попереднього оброблення (preprocessing stage), етап побудови моделі даних (construction of data model), етап аналізу моделі даних (analysis data model);

вхідний етап (input stage), етап модернізації даних (upgrading data), етап моделювання (pattern discovery stage), етап аналізу моделі (pattern analysis stage);

вхідний етап (input stage), етап модернізації даних (upgrading data), етап побудови моделі даних (construction of data model), етап аналізу моделі даних (analysis data model);

математичні моделі, математичні функції, дерева рішень і кластери;

математичні моделі, математичні методи, дерева рішень і класифікатори;

математичні та логічні правила, дерева рішень, кластери і класифікатори;

правила, дерева рішень, кластери і математичні функції;

приділяють увагу процесу виявлення структурної інформації у мережі Інтернет;

приділяють увагу автоматичному виявленню шаблонів у маршруті переміщення даних, зібраних або набутих в результаті взаємодії з одним або декількома веб-сайтами;

приділяють увагу суті залежностей в наборі даних, взаємному впливу різних чинників, тобто побудові емпіричних моделей різних систем;

приділяють увагу набору даних з відомими результатами, використовуються для прогнозування результатів на підставі інших наборів даних;