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.
Ce cours fait partie de la Spécialisation Exploration de données
Partitionnement de données
Offert par
À propos de ce cours
15,975 consultations récentes
Learner Career Outcomes
25%
ont commencé une nouvelle carrière après avoir terminé ce cours
17%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
33%
a obtenu une augmentation de salaire ou une promotion
Compétences que vous acquerrez
Cluster AnalysisData Clustering AlgorithmsK-Means ClusteringHierarchical Clustering
Learner Career Outcomes
25%
ont commencé une nouvelle carrière après avoir terminé ce cours
17%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
33%
a obtenu une augmentation de salaire ou une promotion
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 5 sur 6 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 14 heures pour terminer
Anglais
Sous-titres : Anglais, Coréen
Programme du cours : ce que vous apprendrez dans ce cours
1 heure pour terminer
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 heure pour terminer
1 vidéo (Total 7 min), 3 lectures, 1 quiz
1 vidéo
Course Introduction6 min
3 lectures
Syllabus10 min
About the Discussion Forums10 min
Social Media10 min
1 exercice pour s'entraîner
Orientation Quiz10 min
2 heures pour terminer
Module 1
2 heures pour terminer
13 vidéos (Total 65 min), 2 lectures, 2 quiz
13 vidéos
1.2. Applications of Cluster Analysis2 min
1.3 Requirements and Challenges5 min
1.4 A Multi-Dimensional Categorization2 min
1.5 An Overview of Typical Clustering Methodologies6 min
1.6 An Overview of Clustering Different Types of Data6 min
1.7 An Overview of User Insights and Clustering3 min
2.1 Basic Concepts: Measuring Similarity between Objects3 min
2.2 Distance on Numeric Data Minkowski Distance7 min
2.3 Proximity Measure for Symetric vs Asymmetric Binary Variables4 min
2.4 Distance between Categorical Attributes Ordinal Attributes and Mixed Types4 min
2.5 Proximity Measure between Two Vectors Cosine Similarity2 min
2.6 Correlation Measures between Two variables Covariance and Correlation Coefficient13 min
2 lectures
Lesson 1 Overview10 min
Lesson 2 Overview10 min
2 exercices pour s'entraîner
Lesson 1 Quiz8 min
Lesson 2 Quiz12 min
5 heures pour terminer
Week 2
5 heures pour terminer
15 vidéos (Total 78 min), 3 lectures, 2 quiz
15 vidéos
3.2 K-Means Clustering Method9 min
3.3 Initialization of K-Means Clustering4 min
3.4 The K-Medoids Clustering Method6 min
3.5 The K-Medians and K-Modes Clustering Methods6 min
3.6 Kernel K-Means Clustering8 min
4.1 Hierarchical Clustering Methods1 min
4.2 Agglomerative Clustering Algorithms8 min
4.3 Divisive Clustering Algorithms3 min
4.4 Extensions to Hierarchical Clustering3 min
4.5 BIRCH: A Micro-Clustering-Based Approach7 min
ClusterEnG Overview5 min
ClusterEnG: K-Means and K-Medoids3 min
ClusterEnG Application: AGNES4 min
ClusterEnG Application: DBSCAN2 min
3 lectures
Lesson 3 Overview10 min
Lesson 4 Part 1 Overview10 min
ClusterEnG Introduction10 min
1 exercice pour s'entraîner
Lesson 3 Quiz10 min
1 heure pour terminer
Week 3
1 heure pour terminer
9 vidéos (Total 53 min), 2 lectures, 2 quiz
9 vidéos
4.7 CHAMELEON: Graph Partitioning on the KNN Graph of the Data8 min
4.8 Probabilistic Hierarchical Clustering7 min
5.1 Density-Based and Grid-Based Clustering Methods1 min
5.2 DBSCAN: A Density-Based Clustering Algorithm8 min
5.3 OPTICS: Ordering Points To Identify Clustering Structure9 min
5.4 Grid-Based Clustering Methods3 min
5.5 STING: A Statistical Information Grid Approach3 min
5.6 CLIQUE: Grid-Based Subspace Clustering7 min
2 lectures
Lesson 4 Part 2 Overview10 min
Lesson 5 Overview10 min
2 exercices pour s'entraîner
Lesson 4 Quiz8 min
Lesson 5 Quiz8 min
4 heures pour terminer
Week 4
4 heures pour terminer
10 vidéos (Total 57 min), 1 lecture, 2 quiz
10 vidéos
6.2 Clustering Evaluation Measuring Clustering Quality2 min
6.3 Constraint-Based Clustering4 min
6.4 External Measures 1: Matching-Based Measures10 min
6.5 External Measure 2: Entropy-Based Measures7 min
6.6 External Measure 3: Pairwise Measures6 min
6.7 Internal Measures for Clustering Validation7 min
6.8 Relative Measures5 min
6.9 Cluster Stability6 min
6.10 Clustering Tendency5 min
1 lecture
Lesson 6 Overview10 min
1 exercice pour s'entraîner
Lesson 6 Quiz8 min
20 minutes pour terminer
Course Conclusion
In the course conclusion, feel free to share any thoughts you have on this course experience.
20 minutes pour terminer
4.4
43 avis
Meilleurs avis pour Partitionnement de données
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
Enseignant
Jiawei Han
Abel Bliss ProfessorDepartment of Computer Science
Commencez à travailler pour obtenir votre master
Ce cours fait partie du diplôme intégralement en ligne Master in Computer Science de Université de l'Illinois à Urbana-Champaign.
Si vous êtes admis au programme complet, vos cours sont pris en compte dans votre apprentissage diplômant.
À propos de Université de l'Illinois à 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.
À propos du Spécialisation Exploration de données
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.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
© 2020 Coursera Inc. Tous droits réservés.
