Le module 1 se compose de deux leçons. La leçon 1 couvre les concepts généraux de la découverte de motifs. Cela inclut les concepts de base des motifs fréquents, des motifs fermés, des motifs maximaux et des règles d'association. La leçon 2 couvre trois approches majeures pour l'extraction de motifs fréquents. Nous apprendrons la propriété de fermeture vers le bas (ou Apriori) des motifs fréquents et trois grandes catégories de méthodes d'extraction de motifs fréquents : l'algorithme Apriori, la méthode qui explore le format vertical des données et l'approche de croissance des motifs. Nous verrons également comment exploiter directement l'ensemble des motifs fermés.

Le module 2 couvre deux leçons : Leçons 3 et 4. Dans la leçon 3, nous discutons de l'évaluation des motifs et nous apprenons quels types de mesures intéressantes devraient être utilisés dans l'analyse des motifs. Nous montrons que le cadre support-confiance est inadéquat pour l'évaluation des motifs, et que même les mesures lift et chi-carré couramment utilisées peuvent ne pas être bonnes dans certaines situations. Nous introduisons le concept de null-invariance et une nouvelle mesure null-invariante pour l'évaluation des modèles. Dans la leçon 4, nous examinons les questions relatives à l'exploration d'un spectre diversifié de motifs. Nous apprenons les concepts et les méthodes d'exploration pour les associations à niveaux multiples, les associations multidimensionnelles, les associations quantitatives, les corrélations négatives, les motifs compressés et les motifs tenant compte de la redondance.

Le module 3 se compose de deux leçons : Leçons 5 et 6. Dans la leçon 5, nous abordons l'extraction de motifs séquentiels. Nous apprendrons plusieurs méthodes populaires et efficaces d'extraction de motifs séquentiels, y compris une méthode d'extraction de motifs séquentiels basée sur Apriori, GSP ; une méthode d'extraction de motifs séquentiels basée sur le format de données vertical, SPADE ; et une méthode d'extraction de motifs séquentiels basée sur la croissance des motifs, PrefixSpan. Nous apprendrons également à extraire directement des motifs séquentiels fermés. Dans la leçon 6, nous étudierons les concepts et les méthodes d'extraction de motifs spatiotemporels et de trajectoires, qui constituent un type d'application d'extraction de motifs. Nous présenterons quelques types de motifs populaires et leurs méthodes d'extraction, y compris l'extraction d'associations spatiales, l'extraction de motifs de colocation spatiale, l'extraction et l'agrégation de motifs sur plusieurs trajectoires, l'extraction de motifs de mouvement riches en sémantique et l'extraction de motifs de mouvement périodiques.

Le module 4 se compose de deux leçons : Leçons 7 et 8. Dans la leçon 7, nous étudions l'extraction de phrases de qualité à partir de données textuelles en tant que deuxième type d'application d'extraction de motifs. Nous présenterons principalement deux nouvelles méthodes d'extraction de phrases : ToPMine et SegPhrase, et nous montrerons que l'exploration de motifs fréquents peut jouer un rôle important dans l'exploration de phrases de qualité dans des données textuelles massives. Dans la leçon 8, nous aborderons plusieurs sujets avancés sur la découverte de motifs, notamment l'extraction de motifs fréquents dans les flux de données, la découverte de motifs pour l'extraction de bogues logiciels, la découverte de motifs pour l'analyse d'images, et la découverte de motifs et la société : l'extraction de motifs préservant la vie privée. Enfin, nous nous tournons vers l'avenir de la recherche et de l'exploration d'applications dans le domaine de l'exploration de modèles.