À propos de ce cours

21,572 consultations récentes

Résultats de carrière des étudiants

33%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Approx. 16 heures pour terminer

Anglais

Sous-titres : Anglais, Coréen

Compétences que vous acquerrez

StreamsSequential Pattern MiningData Mining AlgorithmsData Mining

Résultats de carrière des étudiants

33%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Approx. 16 heures pour terminer

Anglais

Sous-titres : Anglais, Coréen

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1

Semaine 1

1 heure pour terminer

Course Orientation

1 heure pour terminer
1 vidéo (Total 7 min), 3 lectures, 1 quiz
1 vidéo
3 lectures
Syllabus10 min
About the Discussion Forums10 min
Social Media10 min
1 exercice pour s'entraîner
Orientation Quiz10 min
4 heures pour terminer

Module 1

4 heures pour terminer
9 vidéos (Total 49 min), 2 lectures, 3 quiz
9 vidéos
1.2. Frequent Patterns and Association Rules5 min
1.3. Compressed Representation: Closed Patterns and Max-Patterns7 min
2.1. The Downward Closure Property of Frequent Patterns3 min
2.2. The Apriori Algorithm6 min
2.3. Extensions or Improvements of Apriori7 min
2.4. Mining Frequent Patterns by Exploring Vertical Data Format3 min
2.5. FPGrowth: A Pattern Growth Approach8 min
2.6. Mining Closed Patterns3 min
2 lectures
Lesson 1 Overview10 min
Lesson 2 Overview10 min
2 exercices pour s'entraîner
Lesson 1 Quiz10 min
Lesson 2 Quiz8 min
Semaine
2

Semaine 2

1 heure pour terminer

Module 2

1 heure pour terminer
9 vidéos (Total 47 min), 2 lectures, 2 quiz
9 vidéos
3.2. Interestingness Measures: Lift and χ25 min
3.3. Null Invariance Measures5 min
3.4. Comparison of Null-Invariant Measures7 min
4.1. Mining Multi-Level Associations4 min
4.2. Mining Multi-Dimensional Associations2 min
4.3. Mining Quantitative Associations4 min
4.4. Mining Negative Correlations6 min
4.5. Mining Compressed Patterns7 min
2 lectures
Lesson 3 Overview10 min
Lesson 4 Overview10 min
2 exercices pour s'entraîner
Lesson 3 Quiz10 min
Lesson 4 Quiz8 min
Semaine
3

Semaine 3

2 heures pour terminer

Module 3

2 heures pour terminer
10 vidéos (Total 56 min), 2 lectures, 2 quiz
10 vidéos
5.2. GSP: Apriori-Based Sequential Pattern Mining3 min
5.3. SPADE—Sequential Pattern Mining in Vertical Data Format3 min
5.4. PrefixSpan—Sequential Pattern Mining by Pattern-Growth4 min
5.5. CloSpan—Mining Closed Sequential Patterns3 min
6.1. Mining Spatial Associations4 min
6.2. Mining Spatial Colocation Patterns9 min
6.3. Mining and Aggregating Patterns over Multiple Trajectories9 min
6.4. Mining Semantics-Rich Movement Patterns3 min
6.5. Mining Periodic Movement Patterns7 min
2 lectures
Lesson 5 Overview10 min
Lesson 6 Overview10 min
2 exercices pour s'entraîner
Lesson 5 Quiz10 min
Lesson 6 Quiz8 min
Semaine
4

Semaine 4

5 heures pour terminer

Week 4

5 heures pour terminer
9 vidéos (Total 98 min), 2 lectures, 3 quiz
9 vidéos
7.2. Previous Phrase Mining Methods10 min
7.3. ToPMine: Phrase Mining without Training Data12 min
7.4. SegPhrase: Phrase Mining with Tiny Training Sets14 min
8.1. Frequent Pattern Mining in Data Streams19 min
8.2. Pattern Discovery for Software Bug Mining12 min
8.3. Pattern Discovery for Image Analysis6 min
8.4. Advanced Topics on Pattern Discovery: Pattern Mining and Society—Privacy Issue13 min
8.5. Advanced Topics on Pattern Discovery: Looking Forward4 min
2 lectures
Lesson 7 Overview10 min
Lesson 8 Overview10 min
2 exercices pour s'entraîner
Lesson 7 Quiz8 min
Lesson 8 Quiz8 min

Avis

Meilleurs avis pour LA DÉCOUVERTE DE RÉPÉTITIONS DANS L'EXPLORATION DE DONNÉES
Voir tous les avis

Offert par

Logo Université de l'Illinois à Urbana-Champaign

Université de l'Illinois à Urbana-Champaign

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 seront pris en compte dans votre apprentissage diplômant.

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....
Exploration de données

Foire Aux Questions

  • 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.

  • 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.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.