- Introduction GĂ©nĂ©rale Â
Cette section donne une vue générale sur le datamining les outils nécessaires pour la réalisation pratique du cours avec l'objectif principale du cours
 - Chapitre 1: prĂ©traitement des donnĂ©esÂ
Cette section explique le passage des données non structurées comme les textes, images ou séquences ADN vers les données structurées stockées dans des bases de données avec le détail concernant le but de la normalisation des données, le codage, traitement des données manquantes, correcteur de la place et le bruit….ect.
-      Chapitre 2: classification supervisée
cette section dĂ©taillera les algorithmes d'apprentissage supervisĂ©e liĂ©s Ă la tache de la classification comme le K plus proches voisins, one rule, naive bayes et l'arbre de dĂ©cision C4.5 et ID3. en expliquant les avantages et les limites de chaque algorithme.Â
-      Chapitre 3: Classification non supervisée
cette section a pour but de rĂ©sumĂ© le clustering et les algorithmes de classification non supervisĂ©e comme le kmeans et la classification ascendante et descendatne.Â
-      Chapitre 4: les rĂ©gles d'associationÂ
classification non supervisée et les algorithmes liés à cette tache comme K-means, classification hiérarchique ascendante et classification descendante hiérarchique.
-Â Â Â Â Â Â Chapitre 5: les mesures d'Ă©valuationÂ
les règles d’association et les algorithmes de prism, apriori…ect.
-      Chapitre 6 : visualisation graphique des résultats
les domaines d’application de l’exploration des données et les nouveaux challenge du datamining face à l’arrivée du big data et internet of things .
