University ofUtah
- 难度
- 中阶
- 形式
- 大学课程
- 语言
- 英文
- 规模
- 27 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
第一次学这门课?先完成学前准备,把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent,它会准备这一课的练习文件。
- 学官方课节打开对应课节学习,按提示从第一道练习做起;它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选,并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「University of Utah:Data Mining(2026 秋)」。课程目录是 utah-data-mining-fa26/(不知道完整路径就先问我)。 1. 读 progress.md,找到下一课;如果我指定了第几课,就准备那一课。 2. 打开这一课的官方页面和本地讲义,列出本课练习要用的工具、文件和样例数据。缺少的先告诉我,等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习:exercises/ 里给每道题建一个文件,写上题号和题目原文链接,不写答案;已有文件保留,样例数据放到 data/。拿不到官方题目或起始代码时记录限制,不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单,并检查本课新增工具能否正常使用。 5. 告诉我:本课先读哪几节、从哪道练习开始、大约需要多久。我学完后,帮我在 progress.md 勾选并把问题整理到 questions.md。 边界: - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。 - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。
课节共 27 节 · 官方顺序
- 01Class Overview
- 02Statistical Phenomena
- 03Similarity: Language Embeddings
- 04Similarity: Metric Distances
- 05Similarity: ANN: HNSW GraphSearch
- 06Similarity: Jaccard + Min-Hashing
- 07Similarity: LSH + Distributional Distance
- 08Clustering: Hierarchical
- 09Clustering: K-Means
- 10Clustering: Spectral
- 11Clustering: Choosing k
- 12Streaming: Model, Sampling
展开其余 15 节
- 13Streaming: Misra-Gries, Count-Min, & Apriori
- 14Streaming: Distinct Counting and Mergeability
- 15Dimensionality Reduction: SVD + PCA
- 16Dimensionality Reduction: Matrix Sketching
- 17Dimensionality Reduction: Metric Learning
- 18Dimensionality Reduction: Random Projections
- 19Dimensionality Reduction: Feature Selection
- 20AI-Enabled Science
- 21Noise: Outliers and Robust Estimation
- 22Noise: Anomaly Detection
- 23Noise: (Differential) Privacy
- 24Graph Analysis: (Graph) Embeddings & Bias
- 25Graph Analysis: Markov Chains
- 26Graph Analysis: PageRank
- 27Graph Analysis: Communities
来源与使用须知
- 原始资源
- University of Utah 收录版本:2026 秋
- 收录时间
- 本站首次收录 2026-10-10
- 指南参考
- 官方课程入口
版权与转载
- 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。