Cette séance de cours couvre l'algorithme FP-Growth pour l'extraction d'éléments fréquents dans les ensembles de données de transactions. Il explique la construction FP-Tree, l'extraction fréquente d'objets, la stratégie de division et de conquête, la dérivation conditionnelle FP-Tree et la comparaison des performances avec Apriori. L'instructeur discute des avantages de FP-Growth, tels que la compression et l'efficacité des jeux de données, ainsi que de ses limites pour les seuils de support élevés et les exigences de mémoire.