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.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Data-Mining
Cluster Analysis in Data Mining
von
Über diesen Kurs
16,666 kürzliche Aufrufe
Learner Career Outcomes
25%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
17%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
33%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Kompetenzen, die Sie erwerben
Cluster AnalysisData Clustering AlgorithmsK-Means ClusteringHierarchical Clustering
Learner Career Outcomes
25%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
17%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
33%
erhalten Sie eine Gehaltserhöhung oder Beförderung
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 5 von 6 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Ca. 14 Stunden zum Abschließen
Englisch
Untertitel: Englisch, Koreanisch
Lehrplan - Was Sie in diesem Kurs lernen werden
1 Stunde zum Abschließen
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 Stunde zum Abschließen
1 Video (Gesamt 7 min), 3 Lektüren, 1 Quiz
1 Video
3 Lektüren
Syllabus10m
About the Discussion Forums10m
Social Media10m
1 praktische Übung
Orientation Quiz10m
2 Stunden zum Abschließen
Module 1
2 Stunden zum Abschließen
13 Videos (Gesamt 65 min), 2 Lektüren, 2 Quiz
13 Videos
1.2. Applications of Cluster Analysis2m
1.3 Requirements and Challenges5m
1.4 A Multi-Dimensional Categorization2m
1.5 An Overview of Typical Clustering Methodologies6m
1.6 An Overview of Clustering Different Types of Data6m
1.7 An Overview of User Insights and Clustering3m
2.1 Basic Concepts: Measuring Similarity between Objects3m
2.2 Distance on Numeric Data Minkowski Distance7m
2.3 Proximity Measure for Symetric vs Asymmetric Binary Variables4m
2.4 Distance between Categorical Attributes Ordinal Attributes and Mixed Types4m
2.5 Proximity Measure between Two Vectors Cosine Similarity2m
2.6 Correlation Measures between Two variables Covariance and Correlation Coefficient13m
2 Lektüren
Lesson 1 Overview10m
Lesson 2 Overview10m
2 praktische Übungen
Lesson 1 Quiz8m
Lesson 2 Quiz12m
5 Stunden zum Abschließen
Week 2
5 Stunden zum Abschließen
15 Videos (Gesamt 78 min), 3 Lektüren, 2 Quiz
15 Videos
3.2 K-Means Clustering Method9m
3.3 Initialization of K-Means Clustering4m
3.4 The K-Medoids Clustering Method6m
3.5 The K-Medians and K-Modes Clustering Methods6m
3.6 Kernel K-Means Clustering8m
4.1 Hierarchical Clustering Methods1m
4.2 Agglomerative Clustering Algorithms8m
4.3 Divisive Clustering Algorithms3m
4.4 Extensions to Hierarchical Clustering3m
4.5 BIRCH: A Micro-Clustering-Based Approach7m
ClusterEnG Overview5m
ClusterEnG: K-Means and K-Medoids3m
ClusterEnG Application: AGNES4m
ClusterEnG Application: DBSCAN2m
3 Lektüren
Lesson 3 Overview10m
Lesson 4 Part 1 Overview10m
ClusterEnG Introduction10m
1 praktische Übung
Lesson 3 Quiz10m
1 Stunde zum Abschließen
Week 3
1 Stunde zum Abschließen
9 Videos (Gesamt 53 min), 2 Lektüren, 2 Quiz
9 Videos
4.7 CHAMELEON: Graph Partitioning on the KNN Graph of the Data8m
4.8 Probabilistic Hierarchical Clustering7m
5.1 Density-Based and Grid-Based Clustering Methods1m
5.2 DBSCAN: A Density-Based Clustering Algorithm8m
5.3 OPTICS: Ordering Points To Identify Clustering Structure9m
5.4 Grid-Based Clustering Methods3m
5.5 STING: A Statistical Information Grid Approach3m
5.6 CLIQUE: Grid-Based Subspace Clustering7m
2 Lektüren
Lesson 4 Part 2 Overview10m
Lesson 5 Overview10m
2 praktische Übungen
Lesson 4 Quiz8m
Lesson 5 Quiz8m
4 Stunden zum Abschließen
Week 4
4 Stunden zum Abschließen
10 Videos (Gesamt 57 min), 1 Lektüre, 2 Quiz
10 Videos
6.2 Clustering Evaluation Measuring Clustering Quality2m
6.3 Constraint-Based Clustering4m
6.4 External Measures 1: Matching-Based Measures10m
6.5 External Measure 2: Entropy-Based Measures7m
6.6 External Measure 3: Pairwise Measures6m
6.7 Internal Measures for Clustering Validation7m
6.8 Relative Measures5m
6.9 Cluster Stability6m
6.10 Clustering Tendency5m
1 Lektüre
Lesson 6 Overview10m
1 praktische Übung
Lesson 6 Quiz8m
20 Minuten zum Abschließen
Course Conclusion
In the course conclusion, feel free to share any thoughts you have on this course experience.
20 Minuten zum Abschließen
Top-Bewertungen von Cluster Analysis in Data Mining
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
Dozent
Jiawei Han
Abel Bliss ProfessorDepartment of Computer Science
Beginnen Sie damit, auf Ihren Master-Abschluss hinzuarbeiten.
Dieses Kurs ist Teil des reinen Onlineabschlusses Master in Computer Science von University of Illinois at Urbana-Champaign.
Wenn Sie in das komplette Programm aufgenommen werden, werden Ihre Kurse auf Ihren Abschluss angerechnet.
Über University of Illinois at Urbana-Champaign
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.
Über den Spezialisierung Data-Mining
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.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..