美國伊利諾伊大學(xué)香檳分校的數(shù)據(jù)挖掘課程(CS 412)提供了數(shù)據(jù)挖掘的基本概念和技術(shù)的全面概述。目的是使學(xué)生能夠理解數(shù)據(jù)挖掘技術(shù)的關(guān)鍵概念，包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)倉庫和多維數(shù)據(jù)集、頻繁模式挖掘、分類、聚類，并能將關(guān)鍵數(shù)據(jù)挖掘技術(shù)應(yīng)用到現(xiàn)實環(huán)境中，同時對挖掘結(jié)果進行評估和分析。這門課主要通過書面作業(yè)、編程作業(yè)和考試對學(xué)生進行評估。其中，書面作業(yè)占30%(預(yù)計三份家庭作業(yè))，編程作業(yè)占30%(預(yù)計兩次編程作業(yè))，期中考試占20%，期末考試占20%。UIUC數(shù)據(jù)挖掘作業(yè)及考試的重點有哪些呢？解析如下。

UIUC數(shù)據(jù)挖掘課程的學(xué)習(xí)將通過軟件聚類和編程作業(yè)得到加強，重點是下述兩個主要的數(shù)據(jù)挖掘功能：

一、第一部分，重點是模式發(fā)現(xiàn)，你將學(xué)習(xí)為什么模式發(fā)現(xiàn)很重要，高效模式挖掘的主要技巧是什么，以及如何在一些有趣的應(yīng)用程序中應(yīng)用模式發(fā)現(xiàn)。課程為你提供了學(xué)習(xí)概念、原則和技能的機會，以實踐和參與海量數(shù)據(jù)上的可擴展模式發(fā)現(xiàn)方法；討論模式評估方法；研究挖掘各種頻繁模式、序列模式和子圖模式的方法；研究基于約束的模式挖掘、基于模式的分類，探索其應(yīng)用。

1、回憶重要的模式發(fā)現(xiàn)概念、方法和應(yīng)用，特別是模式發(fā)現(xiàn)的基本概念，如頻繁模式、封閉模式、最大模式和關(guān)聯(lián)規(guī)則。

2、識別有效的模式挖掘方法，如Apriori、ECLAT和Fpgrowth。

3、比較模式評估問題，特別是幾種常用的度量方法，如lift、chisquare、cosine、Jaccard和Kulczynski，以及它們的比較優(yōu)勢。

4、比較挖掘不同模式的方法，包括挖掘多層次、多維模式、定性模式、負相關(guān)、壓縮和冗余感知的top-k模式，以及挖掘長(龐)模式的方法。

5、學(xué)習(xí)眾所周知的序列模式挖掘方法，包括挖掘序列模式的方法，如GSp、SpADE、prefixSpan和CloSpan。

6、學(xué)習(xí)圖模式挖掘，包括子圖模式挖掘的方法，如gSpan，CloseGraph，圖索引方法，在單個大型網(wǎng)絡(luò)中挖掘top-k大型結(jié)構(gòu)模式，以及圖挖掘應(yīng)用，如圖數(shù)據(jù)庫中的圖索引和相似性搜索。

7、學(xué)習(xí)基于約束的模式挖掘，包括推動不同類型約束的方法，如基于數(shù)據(jù)和模式的約束、反單調(diào)、單調(diào)、簡潔、可轉(zhuǎn)換和多重約束。

8、學(xué)習(xí)基于模式的分類，包括CBA、CMAR、patClass和DpClass。

9、享受各種模式挖掘應(yīng)用，如挖掘時空和軌跡模式和挖掘質(zhì)量短語。

10、探索模式分析的進一步主題，如數(shù)據(jù)流中的模式挖掘、軟件缺陷挖掘、圖像分析的模式發(fā)現(xiàn)和隱私保護數(shù)據(jù)挖掘。

二、第二部分，側(cè)重于聚類分析，你將學(xué)習(xí)聚類分析的概念和方法，也稱為聚類、數(shù)據(jù)分段或無監(jiān)督學(xué)習(xí)。課程將介紹聚類分析的基本概念，然后研究一組典型的聚類方法、算法和應(yīng)用。這涉及分割方法，如k-means，分層方法，如BIRCH，基于密度的方法，如DBSCAN，以及基于網(wǎng)格的方法，如CLIQUE。課程還將討論聚類驗證的方法。

1、回顧聚類分析的基本概念、方法和應(yīng)用，包括聚類的概念、聚類分析的要求和挑戰(zhàn)、聚類分析的多維分類以及典型聚類方法的概述。

2、學(xué)習(xí)聚類分析的多種距離或相似性度量，包括歐幾里德距離和閔可夫斯基距離；對稱和非對稱二元變量的鄰近度量:分類屬性之間的距離度量。序數(shù)屬性。以及混合tvpes:兩個向量之間的鄰近性度量——余弦相似性；以及兩個變量之間的相關(guān)性度量——協(xié)方差和相關(guān)系數(shù)。

3、了解用于聚類分析的流行的基于距離的劃分算法，包括K-Means、KMedians、K-Medoids和核K-Means算法。

4、學(xué)習(xí)分層聚類算法，包括基本的凝聚和分裂聚類算法、BIRCH(一種基于微聚類的方法)、CURE(研究分散的代表點)、CHAMELEON(研究數(shù)據(jù)的KNN圖上的圖劃分)和概率分層聚類方法。

5、了解基于密度的聚類分析方法，該方法可以對任意形狀的密集區(qū)域進行分組，例如DBScan和OpTICS。

6、學(xué)習(xí)基于網(wǎng)格的方法，這種方法將數(shù)據(jù)空間的各個區(qū)域組織成類似網(wǎng)格的結(jié)構(gòu)，比如STING和CLIQUE。

7、通過介紹使用外部度量和內(nèi)部度量的聚類驗證，以及用于評估聚類穩(wěn)定性和聚類趨勢的度量，研究聚類評估和驗證的概念和方法。

通過上述介紹，同學(xué)應(yīng)該就能了解到美國伊利諾伊大學(xué)香檳分校的數(shù)據(jù)挖掘課程(CS 412)作業(yè)及考試的重點了。