Data-Mining ist ein Prozess der Verwendung von Methoden, um eine große Menge von Daten, die auch mit Unsicherheiten behaftet sein können, so aufzubereiten, dass der Mensch leichter Informationen davon ableiten kann. Diese Arbeit gibt einen Überblick über die im Data-Mining verwendeten Algorithmen und eine kurze Einführung in die wichtigsten davon. Unter diesen Verfahren sind jene besonders wichtig, die auf Symbolisation basieren. Diese erlauben eine vorteilhafte Visualisierung für den Menschen, sowie die automatisierte Suche mit lexikalischen Abfragen, zum Beispiel zum Finden von wiederkehrenden Mustern oder Ausnahmesituationen. Besonders die Methode der Symbolic Aggregate Approximation erlaubt eine effiziente Reduktion der Dimensionalität und Indexierung mit Hilfe von positiv semidefiniten Distanzmaßen. Nach der einführenden Übersicht wird die Anwendung auf reale Daten gezeigt, die an einer Maschine aufgenommen wurden. Zwanzig Sensoren lieferten Daten über ein Jahr lang, wobei ungefähr eine Milliarde Messwerte anfielen. Anhand von zwei Sensoren werden Pre-processing, k-means Clustering, Symbolisation und Dimensionality Reduction erklärt und angewendet. Als Ergebnis kann man Beziehungen zwischen den Datensätzen leicht finden durch Token-Tabellen und Muster erkennen durch symbolische Suche.