Основи Data Mining: введення в Data Mining, історія та основні концепції, типи даних, що використовуються.
Попередня обробка даних: методи очищення, трансформації та редукції даних, нормалізація, обробка відсутніх даних.
Методи класифікації: дерева рішень, методи найближчих сусідів, нейронні мережі, наївний баєсів класифікатор.
Кластеризація: K-середні, ієрархічна кластеризація, метод DBSCAN.
Асоціативний аналіз: виявлення правил асоціації, алгоритм Apriori, алгоритм FP-Growth.
Аналіз часових рядів: методи аналізу та прогнозування часових рядів.
Методи регресії: лінійна та нелінійна регресія, логістична регресія.
Зниження розмірності: метод головних компонент (PCA), методи факторного аналізу.
Оцінка моделей: метрики для оцінки класифікації, регресії та кластеризації, перехресна перевірка, тестування та валідація моделей.
Практичні аспекти: використання інструментів та мов програмування для Data Mining (Python, R, Weka, RapidMiner), реальні приклади застосування.