Discover the basic concepts of cluster analysis, and then study a set of typical clustering methodologies, algorithms, and applications. This includes partitioning methods such as k-means, hierarchical methods such as BIRCH, and density-based methods such as DBSCAN/OPTICS. Moreover, learn methods for clustering validation and evaluation of clustering quality. Finally, see examples of cluster analysis in applications.
Этот курс входит в специализацию ''Специализация Интеллектуальный анализ данных '
Анализ кластеров в процессе анализа данных
от партнера
Об этом курсе
Недавно просмотрено: 22,088
Learner Career Outcomes
25%
начал новую карьеру, пройдя эти курсы
17%
получил значимые преимущества в карьере благодаря этому курсу
33%
стал больше зарабатывать или получил повышение
Приобретаемые навыки
Cluster AnalysisData Clustering AlgorithmsK-Means ClusteringHierarchical Clustering
Программа курса: что вы изучите
Неделя
11 ч. на завершение
Course Orientation
You will become familiar with the course, your classmates, and our learning environment. The orientation will also help you obtain the technical skills required for the course.
1 видео ((всего 7 мин.)), 3 материалов для самостоятельного изучения, 1 тест
1 видео
3 материала для самостоятельного изучения
Syllabus10мин
About the Discussion Forums10мин
Social Media10мин
1 практическое упражнение
Orientation Quiz10мин
2 ч. на завершение
Module 1
13 видео ((всего 65 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
13 видео
1.2. Applications of Cluster Analysis2мин
1.3 Requirements and Challenges5мин
1.4 A Multi-Dimensional Categorization2мин
1.5 An Overview of Typical Clustering Methodologies6мин
1.6 An Overview of Clustering Different Types of Data6мин
1.7 An Overview of User Insights and Clustering3мин
2.1 Basic Concepts: Measuring Similarity between Objects3мин
2.2 Distance on Numeric Data Minkowski Distance7мин
2.3 Proximity Measure for Symetric vs Asymmetric Binary Variables4мин
2.4 Distance between Categorical Attributes Ordinal Attributes and Mixed Types4мин
2.5 Proximity Measure between Two Vectors Cosine Similarity2мин
2.6 Correlation Measures between Two variables Covariance and Correlation Coefficient13мин
2 материала для самостоятельного изучения
Lesson 1 Overview10мин
Lesson 2 Overview10мин
2 практического упражнения
Lesson 1 Quiz8мин
Lesson 2 Quiz12мин
Неделя
25 ч. на завершение
Week 2
15 видео ((всего 78 мин.)), 3 материалов для самостоятельного изучения, 2 тестов
15 видео
3.2 K-Means Clustering Method9мин
3.3 Initialization of K-Means Clustering4мин
3.4 The K-Medoids Clustering Method6мин
3.5 The K-Medians and K-Modes Clustering Methods6мин
3.6 Kernel K-Means Clustering8мин
4.1 Hierarchical Clustering Methods1мин
4.2 Agglomerative Clustering Algorithms8мин
4.3 Divisive Clustering Algorithms3мин
4.4 Extensions to Hierarchical Clustering3мин
4.5 BIRCH: A Micro-Clustering-Based Approach7мин
ClusterEnG Overview5мин
ClusterEnG: K-Means and K-Medoids3мин
ClusterEnG Application: AGNES4мин
ClusterEnG Application: DBSCAN2мин
3 материала для самостоятельного изучения
Lesson 3 Overview10мин
Lesson 4 Part 1 Overview10мин
ClusterEnG Introduction10мин
1 практическое упражнение
Lesson 3 Quiz10мин
Неделя
31 ч. на завершение
Week 3
9 видео ((всего 53 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
9 видео
4.7 CHAMELEON: Graph Partitioning on the KNN Graph of the Data8мин
4.8 Probabilistic Hierarchical Clustering7мин
5.1 Density-Based and Grid-Based Clustering Methods1мин
5.2 DBSCAN: A Density-Based Clustering Algorithm8мин
5.3 OPTICS: Ordering Points To Identify Clustering Structure9мин
5.4 Grid-Based Clustering Methods3мин
5.5 STING: A Statistical Information Grid Approach3мин
5.6 CLIQUE: Grid-Based Subspace Clustering7мин
2 материала для самостоятельного изучения
Lesson 4 Part 2 Overview10мин
Lesson 5 Overview10мин
2 практического упражнения
Lesson 4 Quiz8мин
Lesson 5 Quiz8мин
Неделя
44 ч. на завершение
Week 4
10 видео ((всего 57 мин.)), 1 материал для самостоятельного изучения, 2 тестов
10 видео
6.2 Clustering Evaluation Measuring Clustering Quality2мин
6.3 Constraint-Based Clustering4мин
6.4 External Measures 1: Matching-Based Measures10мин
6.5 External Measure 2: Entropy-Based Measures7мин
6.6 External Measure 3: Pairwise Measures6мин
6.7 Internal Measures for Clustering Validation7мин
6.8 Relative Measures5мин
6.9 Cluster Stability6мин
6.10 Clustering Tendency5мин
1 материал для самостоятельного изучения
Lesson 6 Overview10мин
1 практическое упражнение
Lesson 6 Quiz8мин
20 минуты на завершение
Course Conclusion
In the course conclusion, feel free to share any thoughts you have on this course experience.
4.4
Рецензии: 42Лучшие отзывы о курсе Анализ кластеров в процессе анализа данных
This was my favorite course in the whole specialization. Everything is explained very concisely and clearly making the subject matter very easy to understand.
Good course for understanding the Cluster Analysis & Algorithms, instructor is very experienced and well explained, thanks
Преподаватели
Jiawei Han
Abel Bliss ProfessorDepartment of Computer Science
Сделайте шаг навстречу диплому магистра.
курс входит в онлайн-программу ''Master in Computer Science' от партнера Иллинойсский университет в Урбане-Шампейне.
Если вы переходите на полную программу, курсы засчитываются при получении диплома.
О Иллинойсский университет в Урбане-Шампейне
The University of Illinois at Urbana-Champaign is a world leader in research, teaching and public engagement, distinguished by the breadth of its programs, broad academic excellence, and internationally renowned faculty and alumni. Illinois serves the world by creating knowledge, preparing students for lives of impact, and finding solutions to critical societal needs.
Специализация Интеллектуальный анализ данных : общие сведения
The Data Mining Specialization teaches data mining techniques for both structured data which conform to a clearly defined schema, and unstructured data which exist in the form of natural language text. Specific course topics include pattern discovery, clustering, text retrieval, text mining and analytics, and data visualization. The Capstone project task is to solve real-world data mining challenges using a restaurant review data set from Yelp.
Courses 2 - 5 of this Specialization form the lecture component of courses in the online Master of Computer Science Degree in Data Science. You can apply to the degree program either before or after you begin the Specialization.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.