Data Mining in Python

Holen Sie sich eines unserer besten Angebote und erweitern Sie Ihre Fähigkeiten mit 50% Rabatt auf Coursera Plus. Jetzt sparen.

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen. Sehen Sie sich die Sprachen an, die wir anbieten.

Data Mining in Python

Name: Data Mining in Python
Rating: 4.666666666666667 (12 reviews)

Dieser Kurs ist Teil von Spezialisierung „More Applied Data Science with Python“

Dozent: Qiaozhu Mei

4.657 bereits angemeldet

Bei enthalten

Mehr erfahren

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

12 Bewertungen

Stufe Fortgeschritten

Empfohlene Erfahrung

5 Wochen zu vervollständigen

unter 10 Stunden pro Woche

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

12 Bewertungen

Stufe Fortgeschritten

Empfohlene Erfahrung

5 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Was Sie lernen werden

Understand basic concepts, tasks, and procedures of data mining.
Formulate real-world information using basic data representations: itemsets, vectors, matrices, sequences, time series, and networks.
Use data mining algorithms to extract patterns and similarities from real-world datasets.
Calculate the importance of patterns and prepare for downstream machine-learning tasks.

Kompetenzen, die Sie erwerben

Kategorie: Data Mining
Kategorie: Linear Algebra
Kategorie: Anomaly Detection
Kategorie: Data Science
Kategorie: Statistical Methods
Kategorie: Unsupervised Learning
Kategorie: Machine Learning Methods

Werkzeuge, die Sie lernen werden

Kategorie: Classification Algorithms
Kategorie: Python Programming

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

20 Aufgaben

Unterrichtet in Englisch

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „More Applied Data Science with Python“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 4 Module

In “Data Mining in Python,” you will learn how to extract useful knowledge from large-scale datasets. This course introduces basic concepts and general tasks for data mining. You will explore a wide range of real-world data sets, including grocery store, restaurant reviews, business operations, social media posts, and more.

You will learn how to formally describe real-world information with general data representations (e.g., itemsets, vectors, matrices, sequences, and more). You will then learn how to formulate data in the wild with one or more of these representations. This course will teach you how to characterize and explain your data by looking for patterns and similarities, which are basic building blocks for advanced analysis and machine learning models. This is the first course in “More Applied Data Science with Python,” a four-course series focused on helping you apply advanced data science techniques using Python. It is recommended that all learners complete the Applied Data Science with Python specialization prior to beginning this course.

Welcome to Module 1—an Introduction to Data Mining! We will begin this module with an introduction to the basic concepts, views, and tasks of data mining. We will focus on how to formulate real world information as different data representations (e.g., itemsets, vectors, sequences, time series, networks, data streams, etc.). Then, we will elaborate on two basic functionalities of data mining: patterns and similarity. We will learn how they can be used to build more complex data mining tasks. Let’s get started!

Das ist alles enthalten

12 Videos9 Lektüren4 Aufgaben1 Programmieraufgabe1 Diskussionsthema

12 VideosInsgesamt 76 Minuten

Welcome to Data Mining in Python3 Minuten
What is Data Mining14 Minuten
Data Mining Functionalities (Part 1)7 Minuten
Data Mining Functionalities (Part 2)7 Minuten
Data Mining Functionalities (Part 3)4 Minuten
Representing Itemsets, Vectors, and Matrices7 Minuten
Representing Sequences4 Minuten
Representing Time-Series and Spatial/Temporal Data9 Minuten
Representing Graph Data5 Minuten
Representing Stream Data5 Minuten
Data Mining Based on Patterns5 Minuten
Data Mining Based on Similarities 7 Minuten

9 LektürenInsgesamt 85 Minuten

MADSwPY Certificate Roadmap 5 Minuten
Course Syllabus10 Minuten
Help Us Learn About You10 Minuten
Introduction to the Basic Functionalities of Data Mining10 Minuten
Introduction to Basic Data Representations10 Minuten
Case Study: Representations of Real-World Text Data10 Minuten
Introduction to Patterns and Similarities10 Minuten
Introduction to Module 1 Programming Assignment: Visualizing Different Data10 Minuten
Module 1 Optional Readings & Resources10 Minuten

4 AufgabenInsgesamt 65 Minuten

Module 1 Quiz: Introduction to Data Mining20 Minuten
Knowledge Check: Basic Functionalities of Data Mining15 Minuten
Knowledge Check: Basic Data Representations (Part 1)15 Minuten
Knowledge Check: Basic Data Representations (Part 2)15 Minuten

1 ProgrammieraufgabeInsgesamt 180 Minuten

Module 1 Programming Assignment: Warming Up180 Minuten

1 DiskussionsthemaInsgesamt 15 Minuten

Meet Your Fellow Learners15 Minuten

Welcome to Module 2—Mining Itemset Data! In this module, we will learn how to represent data as itemsets and the basic data mining operations with itemset data. We will focus on how to extract frequent patterns from a collection of itemsets, how to evaluate the interestingness of itemset patterns, and how to compute Jaccard similarity between two itemsets. Let’s get started!

Das ist alles enthalten

8 Videos5 Lektüren5 Aufgaben3 Programmieraufgaben

8 VideosInsgesamt 61 Minuten

Frequent Itemsets9 Minuten
Counting Strategies3 Minuten
The Apriori Algorithm7 Minuten
From Patterns to Association Rules7 Minuten
Measuring Correlations Using Lift8 Minuten
Mutual Information12 Minuten
Limitation of Correlation Measures4 Minuten
The Jaccard Similarity10 Minuten

5 LektürenInsgesamt 50 Minuten

Introduction to Itemsets Representation10 Minuten
Introduction to Module 2 Programming Assignment: Dealing with Itemset Real-World Data10 Minuten
Additional Interestingness Measures10 Minuten
Introduction to Itemset Similarity10 Minuten
Module 2 Optional Readings & Resources10 Minuten

5 AufgabenInsgesamt 150 Minuten

Module 2 Quiz: Mining Itemset Data30 Minuten
Knowledge Check: Mining Frequent Itemsets30 Minuten
Knowledge Check: Evaluating Frequent Itemsets (Part 1)30 Minuten
Knowledge Check: Evaluating Frequent Itemsets (Part 2)30 Minuten
Knowledge Check: Similarity of Itemsets30 Minuten

3 ProgrammieraufgabenInsgesamt 540 Minuten

Module 2 Programming Assignment : Part 1180 Minuten
Module 2 Programming Assignment: Part 2180 Minuten
Module 2 Programming Assignment: Part 3180 Minuten

Welcome to Module 3—Mining Vector and Matrix Data! We are halfway through our course on Data Mining! In this module, we will learn in how to mine data represented as vectors and matrices. We will focus on how to represent data as vectors, different similarity/distance metrics of vector data, what are the patterns in matrix data, and how to apply these concepts to real world scenarios. Let’s get started!

Das ist alles enthalten

11 Videos3 Lektüren6 Aufgaben4 Programmieraufgaben

11 VideosInsgesamt 79 Minuten

From Itemsets to Vectors5 Minuten
Vectors and Matrices6 Minuten
The “Vector Space”6 Minuten
Vector Similarity Functions and Dot Product11 Minuten
Manhattan Distance and Euclidean Distance7 Minuten
Cosine Similarity4 Minuten
Pearson Correlation Coefficient8 Minuten
Applications of Vector Similarity5 Minuten
Eigenvectors7 Minuten
Eigendecomposition5 Minuten
Transforming the Coordinate System14 Minuten

3 LektürenInsgesamt 30 Minuten

Introduction to Module 3 Programming Assignment: Dealing with Vector and Matrix Real-World Data10 Minuten
Dimensionality Reduction10 Minuten
Module 3 Optional Readings & Resources10 Minuten

6 AufgabenInsgesamt 180 Minuten

Module 3 Quiz: Mining Vector and Matrix Data30 Minuten
Knowledge Check: Vector Representation of Data30 Minuten
Knowledge Check: Similarity of Vectors (Part 1)30 Minuten
Knowledge Check: Similarity of Vectors (Part 2)30 Minuten
Knowledge Check: Patterns in Matrix Data (Part 1)30 Minuten
Knowledge Check: Patterns in Matrix Data (Part 2)30 Minuten

4 ProgrammieraufgabenInsgesamt 720 Minuten

Module 3 Programming Assignment: Part 1180 Minuten
Module 3 Programming Assignment: Part 2180 Minuten
Module 3 Programming Assignment: Part 3180 Minuten
Module 3 Programming Assignment: Part 4180 Minuten

Welcome to Module 4—Mining Sequences, our last course module!! We will conclude our course by learning how to represent data as sequences. We will focus on commonly used sequential patterns (ngrams and skipgrams), distance measures for sequence data (Edit Distance and Shingling), and how they can be applied to real world tasks. Let’s get started!

Das ist alles enthalten

10 Videos3 Lektüren5 Aufgaben4 Programmieraufgaben

10 VideosInsgesamt 99 Minuten

Representing Data as Sequences5 Minuten
Subsequences11 Minuten
Functionalities of Sequence Data5 Minuten
Frequent Sequential Patterns9 Minuten
Ngrams and Skipgrams14 Minuten
Sequence Similarity Basics8 Minuten
Edit Distance (Part 1)20 Minuten
Edit Distance (Part 2)16 Minuten
Shingling: Transform Sequences into Itemsets8 Minuten
Course Summary3 Minuten

3 LektürenInsgesamt 30 Minuten

Sequential Patterns in Text Data10 Minuten
Introduction to Module 4 Programming Assignment: Dealing with Sequences Real-World Data10 Minuten
Module 4 Optional Readings & Resources10 Minuten

5 AufgabenInsgesamt 150 Minuten

Module 4 Quiz: Mining Sequences30 Minuten
Knowledge Check: Sequence Representation of Data30 Minuten
Knowledge Check: Sequential Patterns (Part 1)30 Minuten
Knowledge Check: Sequential Patterns (Part 2)30 Minuten
Knowledge Check: Sequence Similarity30 Minuten

4 ProgrammieraufgabenInsgesamt 720 Minuten

Module 4 Programming Assignment: Part 1180 Minuten
Module 4 Programming Assignment: Part 2180 Minuten
Module 4 Programming Assignment: Part 3180 Minuten
Module 4 Programming Assignment: Part 4180 Minuten

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Qiaozhu Mei

University of Michigan

6 Kurse6.196 Lernende

von

University of Michigan

Mehr von Data Analysis entdecken

Packt
Python Course for Data Analysis - Become Data Analyst
Kurs
Status: Kostenloser Testzeitraum
Coursera
Python for Real-World Data Analysis
Spezialisierung
Status: Kostenloser Testzeitraum
University of Michigan
Introduction to Data Science in Python
Kurs
Status: Kostenloser Testzeitraum
University of Michigan
Applied Information Extraction in Python
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Häufig gestellte Fragen

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.