模块 1 包括两课。第 1 课涉及模式发现的一般概念。这包括频繁模式、封闭模式、最大模式和关联规则的基本概念。第 2 课包括挖掘频繁模式的三种主要方法。我们将学习频繁模式的向下闭合（或 Apriori）属性，以及挖掘频繁模式的三大类方法：Apriori 算法、探索垂直数据格式的方法和模式增长法。 我们还将讨论如何直接挖掘封闭模式集。

模块 2 包括两课：第 3 课和第 4 课。 在第 3 课中，我们将讨论模式评估，并了解在模式分析中应该使用哪种有趣的度量。我们将证明，支持度-置信度框架不足以进行模式评估，甚至在某些情况下，常用的升幂（lift）和卡方（chi-square）度量也不一定好。我们介绍了空方差的概念，并为模式评估引入了一种新的空方差度量。在第 4 课中，我们将探讨挖掘各种模式的问题。我们将学习多层关联、多维关联、定量关联、负相关、压缩模式和冗余感知模式的概念和挖掘方法。

模块 3 包括两课：第 5 课和第 6 课。 在第 5 课中，我们将讨论顺序模式挖掘。 我们将学习几种常用的高效顺序模式挖掘方法，包括基于 Apriori 的顺序模式挖掘方法 GSP、基于垂直数据格式的顺序模式挖掘方法 SPADE 和基于模式增长的顺序模式挖掘方法 PrefixSpan。我们还将学习如何直接挖掘封闭的序列模式。在第 6 课中，我们将学习作为模式挖掘应用之一的时空模式和轨迹模式挖掘的概念和方法。我们将介绍几种常用的模式及其挖掘方法，包括挖掘空间关联、挖掘空间同位模式、挖掘和聚合多个轨迹上的模式、挖掘语义丰富的运动模式以及挖掘周期性运动模式。

模块 4 包括两课：第 7 课和第 8 课。 在第 7 课中，我们将学习从文本数据中挖掘优质短语，这是第二种模式挖掘应用。我们将主要介绍两种较新的短语挖掘方法：我们将主要介绍两种较新的短语挖掘方法：ToPMine 和 SegPhrase，并展示频繁模式挖掘在海量文本数据中挖掘高质量短语的重要作用。在第 8 课中，我们将学习几个有关模式发现的高级主题，包括挖掘数据流中的频繁模式、用于软件错误挖掘的模式发现、用于图像分析的模式发现，以及模式发现与社会：保护隐私的模式挖掘。 最后，我们将展望模式挖掘研究和应用探索的未来。