Ist finanzielle Hilfe verfügbar?

Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Einschreibegebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.

Data Mining Methoden

Zum Labor Day gibt es bei Coursera Plus Rabatte von über 70 $. Sparen Sie 3 Monate lang 40 %.

Data Mining Methoden

Dieser Kurs ist Teil von Spezialisierung „Data Mining - Grundlagen und Praxis“

Dozent: Qin (Christine) Lv

10.529 bereits angemeldet

Bei Mehr erfahren enthalten

Fragen Sie Coursera

4 Module

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

75 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

2 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

Auf einen Abschluss hinarbeiten

Mehr erfahren

4 Module

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

75 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

2 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

Auf einen Abschluss hinarbeiten

Mehr erfahren

Was Sie lernen werden

Identifizieren Sie die Kernfunktionen der Datenmodellierung in der Data Mining Pipeline
Wenden Sie Techniken an, die zur Erfüllung der Kernfunktionen der Datenmodellierung verwendet werden können, und erklären Sie, wie sie funktionieren.
Bewerten Sie Datenmodellierungstechniken, bestimmen Sie, welche für eine bestimmte Aufgabe am besten geeignet ist, und ermitteln Sie mögliche Verbesserungen.

Kompetenzen, die Sie erwerben

Kategorie: Datenwissenschaft
Kategorie: Maschinelles Lernen
Kategorie: Korrelationsanalyse
Kategorie: Unüberwachtes Lernen
Kategorie: Erkennung von Anomalien
Kategorie: Entscheidungsbaum-Lernen
Kategorie: Data Mining
Kategorie: Bewertung des Modells
Kategorie: Bayessches Netz
Kategorie: Methoden des maschinellen Lernens
Kategorie: Algorithmen für maschinelles Lernen
Kategorie: Künstliche neuronale Netze
Kategorie: Algorithmen
Kategorie: Datenanalyse
Kategorie: Überwachtes Lernen

Werkzeuge, die Sie lernen werden

Kategorie: Klassifizierungsalgorithmen

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

1 Aufgabe

Unterrichtet in Englisch

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 „Data Mining - Grundlagen und Praxis“

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

Dieser Kurs behandelt die wichtigsten Techniken des Data Mining, darunter die Analyse häufiger Muster, Klassifizierung, Clustering, Ausreißeranalyse sowie das Mining komplexer Daten und die Grenzen der Forschung im Bereich Data Mining.

Dieser Kurs kann im Rahmen der CU Boulder MS in Data Science oder MS in Computer Science, die auf der Coursera-Plattform angeboten werden, für akademische Zwecke genutzt werden. Diese vollständig akkreditierten Studiengänge bieten gezielte Kurse, kurze 8-wöchige Sitzungen und kostenpflichtige Studiengebühren. Die Zulassung basiert auf den Leistungen in drei Vorkursen, nicht auf dem akademischen Werdegang. Die CU-Abschlüsse auf Coursera sind ideal für Hochschulabsolventen und Berufstätige. Erfahren Sie mehr: MS in Data Science: https://www.coursera.org/degrees/master-of-science-data-science-boulder MS in Computer Science: https://coursera.org/degrees/ms-computer-science-boulder Kurslogo mit freundlicher Genehmigung von Lachlan Cormie, verfügbar hier auf Unsplash: https://unsplash.com/photos/jbJp18srifE

Diese Woche beginnt mit einem Überblick über diesen Kurs, Data-Mining-Methoden, und konzentriert sich dann auf die Analyse häufiger Muster, einschließlich des Apriori-Algorithmus und des FP-Growth-Algorithmus für das Mining häufiger Datensätze, sowie auf Assoziationsregeln und Korrelationsanalysen.

Das ist alles enthalten

15 Videos6 Lektüren1 Aufgabe1 Programmieraufgabe1 Diskussionsthema

15 VideosInsgesamt 152 Minuten

Treffen Sie Ihren Kursleiter!5 Minuten
Vorbereitung auf diese Specialization9 Minuten
Data Mining: Ansicht der Technik12 Minuten
Häufige-Muster-Analyse, Apriori-Algorithmus12 Minuten
Apriori Algorithmus Beispiel, Details9 Minuten
Beispiel: Apriori-Analyse häufiger Muster9 Minuten
Herausforderungen und Verbesserungen des Apriori-Algorithmus14 Minuten
FP-Wachstumsalgorithmus, Beispiel17 Minuten
Assoziationsregel, Beispiel8 Minuten
Korrelation, Beispiel13 Minuten
Andere Korrelationsmaßnahmen10 Minuten
Beispiel: FP-Wachstum Häufige-Muster-Analyse9 Minuten
Beispiel: Monotone und antimonotone Beschränkungen10 Minuten
Beispiel: Lift-Korrelation7 Minuten
Beispiel: X^2-Korrelation7 Minuten

6 LektürenInsgesamt 46 Minuten

Kursaktualisierungen und Unterstützung bei der Barrierefreiheit1 Minute
Verdienen Sie akademische Anerkennung für Ihre Arbeit!10 Minuten
Kurs-Unterstützung10 Minuten
Über diesen Kurs10 Minuten
Erwartungen an die Bewertung5 Minuten
AI-Zitat und Danksagung10 Minuten

1 AufgabeInsgesamt 5 Minuten

KI-Politik-Quiz5 Minuten

1 ProgrammieraufgabeInsgesamt 240 Minuten

Analyse von häufigen Mustern240 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Stellen Sie sich vor!10 Minuten

Diese Woche führt in das überwachte Lernen, die Klassifizierung und die Vorhersage ein und behandelt verschiedene zentrale Klassifizierungsmethoden wie die Induktion von Entscheidungsbäumen, die Bayes'sche Klassifizierung, Support Vector Machines, neuronale Netze und Ensemble-Methoden. Außerdem werden die Bewertung und der Vergleich von Klassifizierungsmodellen besprochen.

Das ist alles enthalten

9 Videos1 Programmieraufgabe

9 VideosInsgesamt 126 Minuten

Einführung in die Klassifizierung15 Minuten
Entscheidungsbaum-Induktion, Beispiel20 Minuten
Bayes'sche Klassifikation, Beispiel17 Minuten
Beispiel: Entscheidungsbaum-Induktion Klassifizierung10 Minuten
Beispiel: Bayes'sche Klassifizierung9 Minuten
Support-Vektor-Maschinen9 Minuten
Neuronales Netzwerk12 Minuten
Ensemble, Modellbewertung20 Minuten
Modellauswahl14 Minuten

1 ProgrammieraufgabeInsgesamt 240 Minuten

Klassifizierung240 Minuten

Diese Woche führt Sie in das unüberwachte Lernen und das Clustering ein und behandelt verschiedene zentrale Clustering-Methoden wie Partitionierung, hierarchisches, gitterbasiertes, dichtebasiertes und probabilistisches Clustering. Außerdem werden fortgeschrittene Themen für hochdimensionales Clustering, Bi-Clustering, Graphen-Clustering und Constraint-basiertes Clustering behandelt.

Das ist alles enthalten

8 Videos1 Lektüre1 Programmieraufgabe

8 VideosInsgesamt 106 Minuten

Einführung in Clustering12 Minuten
Partitionierungsmethoden16 Minuten
Hierarchisches und gitterbasiertes Clustering16 Minuten
Dichte-basiertes Clustering10 Minuten
Probabilistisches Clustering11 Minuten
EM Clustering11 Minuten
Hochdimensionales, Bi-Clustering, Graphen-Clustering17 Minuten
Beschränkungsbasiertes Clustering13 Minuten

1 LektüreInsgesamt 10 Minuten

EM Clustering: Weitere Erklärungen10 Minuten

1 ProgrammieraufgabeInsgesamt 240 Minuten

Clustering240 Minuten

In dieser Woche werden drei verschiedene Arten von Ausreißern (globale, kontextbezogene und kollektive Ausreißer) besprochen und wie verschiedene Methoden zur Identifizierung und Analyse solcher Ausreißer verwendet werden können. Außerdem werden einige fortgeschrittene Methoden zur Auswertung komplexer Daten sowie die Grenzen der Forschung im Bereich Data Mining behandelt.

Das ist alles enthalten

8 Videos1 peer review

8 VideosInsgesamt 110 Minuten

Arten von Ausreißern13 Minuten
Methoden zur Erkennung von Anomalien 116 Minuten
Methoden zur Erkennung von Anomalien 216 Minuten
Beispiele für die Erkennung von Anomalien13 Minuten
Sequenz- und Zeitreihendaten14 Minuten
Graphen und soziale Online-Netzwerkdaten10 Minuten
Webdaten, KDD-Konferenz14 Minuten
Data Mining - Grenzen der Forschung14 Minuten

1 peer reviewInsgesamt 180 Minuten

Peer Review: Ausreißer-Analyse, Research Frontiers180 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.

Auf einen Abschluss hinarbeiten

Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹

Dozent

Lehrkraftbewertungen

(16 Bewertungen)

Qin (Christine) Lv

University of Colorado Boulder

3 Kurse18.325 Lernende

von

University of Colorado Boulder

Mehr von Datenanalyse entdecken

University of Colorado Boulder
Datenverarbeitungs-Pipeline
Kurs
University of Colorado Boulder
Data-Mining-Projekt
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.“

Bewertungen von Lernenden

5 stars
66,66 %
4 stars
18,66 %
3 stars
1,33 %
2 stars
8 %
1 star
5,33 %

Zeigt 3 von 75 an

Geprüft am 23. Apr. 2026

Assignments are well designed guiding students to learn not only the concepts of data mining methods but also the necessary Python coding techniques.

Weitere Bewertungen anzeigen

Nutzen Sie mit unserem Labor-Day-Angebot mehr als 10.000 Programme
Get Coursera Plus
Beginnen Sie mit einfachen Einsparungsmöglichkeiten für hart arbeitende Teams
Save 30% today

Häufig gestellte Fragen

Ein Cross-Listed-Kurs wird unter zwei oder mehr CU Boulder-Studiengängen auf Coursera angeboten. Zum Beispiel wird Dynamic Programming, Greedy Algorithms sowohl als CSCA 5414 für den MS-CS als auch als DTSA 5503 für den MS-DS angeboten.

- Sie können nicht für mehr als eine Version eines überkreuzten Kurses Punkte sammeln.

- Sie können im Studentenhandbuch Ihres Studiengangs nachsehen, ob es sich um einen Cross-Listed-Kurs handelt.

- Ihr Zeugnis wird davon betroffen sein. Überschneidende Kurse werden bei der Bewertung der Abschlussanforderungen als gleichwertig betrachtet. Wir empfehlen Ihnen jedoch, die von Ihrem Studiengang angebotenen Kurse zu belegen (sofern verfügbar), um sicherzustellen, dass Ihr CU-Zeugnis den erheblichen Umfang der Kursarbeit widerspiegelt, die Sie direkt in Ihrem Heimatfachbereich absolvieren. Alle Kurse, die Sie in einem anderen Studiengang absolvieren, werden auf Ihrem CU-Zeugnis mit dem Kurspräfix des betreffenden Studiengangs aufgeführt (z.B. DTSA vs. CSCA).

- Die Programme können unterschiedliche Mindestanforderungen für die Zulassung und den Abschluss haben. Der MS-DS erfordert zum Beispiel ein C oder besser in allen Kursen für den Abschluss (und ein 3,0 Pathway GPA für die Zulassung), während der MS-CS ein B oder besser in allen Breitenkursen und ein C oder besser in allen Wahlkursen für den Abschluss erfordert (und ein B oder besser in jedem Pathway-Kurs für die Zulassung). Alle Programme verlangen, dass die Studenten für die Zulassung und den Abschluss einen kumulativen GPA von 3,0 erreichen.

Ja. Überkreuzte Kurse werden bei der Bewertung der Abschlussanforderungen als gleichwertig betrachtet. Sie können im Studentenhandbuch Ihres Studiengangs nachsehen, welche Kurse auf der Liste stehen.

Sie können während jeder offenen Einschreibungsperiode ein Upgrade durchführen und die Studiengebühren bezahlen, um eine Anrechnung für << diesen Kurs / diese Kurse in dieser Specialization>> auf Graduate-Ebene der CU Boulder zu erhalten. Da << dieser Kurs / diese Kurse >> sowohl im MS in Computer Science als auch im MS in Data Science Programm aufgelistet sind, müssen Sie vor dem Upgrade festlegen, für welches Programm Sie die Credits erwerben möchten.

MS in Data Science (MS-DS) Credit: Um ein Upgrade auf die anrechenbare Data Science (DTSA)-Version von << diesem Kurs / diesen Kursen >> durchzuführen, verwenden Sie das MS-DS-Anmeldeformular. Siehe Wie es funktioniert.

MS in Computer Science (MS-CS) Credit : Um auf die anrechenbare Computer Science (CSCA) Version von << diesem Kurs / diesen Kursen >> umzusteigen, verwenden Sie das MS-CS Anmeldeformular. Siehe Wie es funktioniert.

Wenn Sie sich nicht sicher sind, welches Programm für Sie am besten geeignet ist, sehen Sie sich die Websites der MS-CS und MS-DS Programme an und kontaktieren Sie datascience@colorado.edu oder mscscoursera-info@colorado.edu, wenn Sie noch Fragen haben.

Um auf Kursmaterialien und Aufgaben zugreifen zu können und ein Zertifikat zu erwerben, müssen Sie bei der Anmeldung zu einem Kurs die Option „Zertifikat“ erwerben. Berechtigte Lernende haben möglicherweise auch die Möglichkeit, mit einer kostenlosen Testphase zu beginnen. Bei einigen Kursen wird möglicherweise auch die Option „Vollständiger Kurs, kein Zertifikat“ angeboten. Damit haben Sie Zugriff auf die Kursmaterialien, können die erforderlichen Prüfungen einreichen und erhalten eine Abschlussnote, können jedoch kein Zertifikat erwerben oder erhalten.

Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.