이 강좌는 데이터 마이닝 특화 과정의 일부입니다.

ChengXiang Zhai

제공자:

데이터 마이닝 특화 과정일리노이대학교 어버너-섐페인캠퍼스

이 강좌에 대하여

최근 조회 22,594회

Recent years have seen a dramatic growth of natural language text data, including web pages, news articles, scientific literature, emails, enterprise documents, and social media such as blog articles, forum posts, product reviews, and tweets. Text data are unique in that they are usually generated directly by humans rather than a computer system or sensors, and are thus especially valuable for discovering knowledge about people’s opinions and preferences, in addition to many other kinds of knowledge that we encode in text. 
This course will cover search engine technologies, which play an important role in any data mining applications involving text data for two reasons. First, while the raw data may be large for any particular problem, it is often a relatively small subset of the data that are relevant, and a search engine is an essential tool for quickly discovering a small subset of relevant text data in a large text collection. Second, search engines are needed to help analysts interpret any patterns discovered in the data by allowing them to examine the relevant original text data to make sense of any discovered pattern. You will learn the basic concepts, principles, and the major techniques in text retrieval, which is the underlying science of search engines.

학습자 경력 결과

50%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

60%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

25%

가 급여 인상 또는 승진 성취

공유 가능한 수료증

완료 시 수료증 획득

100% 온라인

지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.

다음 특화 과정의 6개 강좌 중 2번째 강좌:

데이터 마이닝 특화 과정

유동적 마감일

일정에 따라 마감일을 재설정합니다.

완료하는 데 약 31시간 필요

영어

자막: 아랍어, 프랑스어, 포르투갈어 (유럽), 중국어 (간체자), 이탈리아어, 베트남어, 한국어, 독일어, 러시아어, 터키어, 영어, 스페인어

귀하가 습득할 기술

Information Retrieval (IR)Document RetrievalMachine LearningRecommender Systems

학습자 경력 결과

50%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

60%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

25%

가 급여 인상 또는 승진 성취

공유 가능한 수료증

완료 시 수료증 획득

100% 온라인

지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.

다음 특화 과정의 6개 강좌 중 2번째 강좌:

데이터 마이닝 특화 과정

유동적 마감일

일정에 따라 마감일을 재설정합니다.

완료하는 데 약 31시간 필요

영어

자막: 아랍어, 프랑스어, 포르투갈어 (유럽), 중국어 (간체자), 이탈리아어, 베트남어, 한국어, 독일어, 러시아어, 터키어, 영어, 스페인어

강사

강사 평가

4.31/5 (45개의 평가)

ChengXiang Zhai

Professor

Department of Computer Science

83,687명의 학습자

4 Courses

제공자:

일리노이대학교 어버너-섐페인캠퍼스

The University of Illinois at Urbana-Champaign is a world leader in research, teaching and public engagement, distinguished by the breadth of its programs, broad academic excellence, and internationally renowned faculty and alumni. Illinois serves the world by creating knowledge, preparing students for lives of impact, and finding solutions to critical societal needs.

강의 계획 - 이 강좌에서 배울 내용

콘텐츠 평가90%(2,731개의 평가)

주

주 1

완료하는 데 2시간 필요

Orientation

You will become familiar with the course, your classmates, and our learning environment. The orientation will also help you obtain the technical skills required for the course.

완료하는 데 2시간 필요

2개 동영상 (총 15분), 6 개의 읽기 자료, 2 개의 테스트

2개의 동영상

Course Welcome Video3m

Course Introduction Video11m

6개의 읽기 자료

Welcome to Text Retrieval and Search Engines!10m

Syllabus10m

About the Discussion Forums10m

Updating your Profile10m

Social Media10m

Course Errata10m

2개 연습문제

Orientation Quiz15m

Pre-Quiz30m

완료하는 데 4시간 필요

Week 1

During this week's lessons, you will learn of natural language processing techniques, which are the foundation for all kinds of text-processing applications, the concept of a retrieval model, and the basic idea of the vector space model.

완료하는 데 4시간 필요

6개 동영상 (총 94분), 1 개의 읽기 자료, 2 개의 테스트

6개의 동영상

Lesson 1.1: Natural Language Content Analysis21m

Lesson 1.2: Text Access9m

Lesson 1.3: Text Retrieval Problem26m

Lesson 1.4: Overview of Text Retrieval Methods10m

Lesson 1.5: Vector Space Model - Basic Idea9m

Lesson 1.6: Vector Space Retrieval Model - Simplest Instantiation17m

1개의 읽기 자료

Week 1 Overview10m

2개 연습문제

Week 1 Practice Quiz1시간

Week 1 Quiz1시간

주

주 2

완료하는 데 4시간 필요

Week 2

In this week's lessons, you will learn how the vector space model works in detail, the major heuristics used in designing a retrieval function for ranking documents with respect to a query, and how to implement an information retrieval system (i.e., a search engine), including how to build an inverted index and how to score documents quickly for a query.

완료하는 데 4시간 필요

6개 동영상 (총 102분), 1 개의 읽기 자료, 2 개의 테스트

6개의 동영상

Lesson 2.1: Vector Space Model - Improved Instantiation16m

Lesson 2.2: TF Transformation9m

Lesson 2.3: Doc Length Normalization18m

Lesson 2.4: Implementation of TR Systems21m

Lesson 2.5: System Implementation - Inverted Index Construction18m

Lesson 2.6: System Implementation - Fast Search17m

1개의 읽기 자료

Week 2 Overview10m

2개 연습문제

Week 2 Practice Quiz1시간

Week 2 Quiz1시간

주

주 3

완료하는 데 7시간 필요

Week 3

In this week's lessons, you will learn how to evaluate an information retrieval system (a search engine), including the basic measures for evaluating a set of retrieved results and the major measures for evaluating a ranked list, including the average precision (AP) and the normalized discounted cumulative gain (nDCG), and practical issues in evaluation, including statistical significance testing and pooling.

완료하는 데 7시간 필요

6개 동영상 (총 75분), 2 개의 읽기 자료, 3 개의 테스트

6개의 동영상

Lesson 3.1: Evaluation of TR Systems10m

Lesson 3.2: Evaluation of TR Systems - Basic Measures12m

Lesson 3.3: Evaluation of TR Systems - Evaluating Ranked Lists - Part 115m

Lesson 3.4: Evaluation of TR Systems - Evaluating Ranked Lists - Part 210m

Lesson 3.5: Evaluation of TR Systems - Multi-Level Judgements10m

Lesson 3.6: Evaluation of TR Systems - Practical Issues15m

2개의 읽기 자료

Week 3 Overview10m

Programming Assignments Overview10m

2개 연습문제

Week 3 Practice Quiz1시간

Week 3 Quiz1시간

주

주 4

완료하는 데 4시간 필요

Week 4

In this week's lessons, you will learn probabilistic retrieval models and statistical language models, particularly the detail of the query likelihood retrieval function with two specific smoothing methods, and how the query likelihood retrieval function is connected with the retrieval heuristics used in the vector space model.

완료하는 데 4시간 필요

7개 동영상 (총 88분), 1 개의 읽기 자료, 2 개의 테스트

7개의 동영상

Lesson 4.1: Probabilistic Retrieval Model - Basic Idea12m

Lesson 4.2: Statistical Language Model17m

Lesson 4.3: Query Likelihood Retrieval Function12m

Lesson 4.4: Statistical Language Model - Part 112m

Lesson 4.5: Statistical Language Model - Part 29m

Lesson 4.6: Smoothing Methods - Part 19m

Lesson 4.7: Smoothing Methods - Part 213m

1개의 읽기 자료

Week 4 Overview10m

2개 연습문제

Week 4 Practice Quiz1시간

Week 4 Quiz1시간

주

주 5

완료하는 데 4시간 필요

Week 5

In this week's lessons, you will learn feedback techniques in information retrieval, including the Rocchio feedback method for the vector space model, and a mixture model for feedback with language models. You will also learn how web search engines work, including web crawling, web indexing, and how links between web pages can be leveraged to score web pages.

완료하는 데 4시간 필요

8개 동영상 (총 99분), 1 개의 읽기 자료, 2 개의 테스트

8개의 동영상

Lesson 5.1: Feedback in Text Retrieval6m

Lesson 5.2: Feedback in Vector Space Model - Rocchio12m

Lesson 5.3: Feedback in Text Retrieval - Feedback in LM19m

Lesson 5.4: Web Search: Introduction & Web Crawler11m

Lesson 5.5: Web Indexing17m

Lesson 5.6: Link Analysis - Part 19m

Lesson 5.7: Link Analysis - Part 217m

Lesson 5.8: Link Analysis - Part 35m

1개의 읽기 자료

Week 5 Overview10m

2개 연습문제

Week 5 Practice Quiz1시간

Week 5 Quiz1시간

주

주 6

완료하는 데 7시간 필요

Week 6

In this week's lessons, you will learn how machine learning can be used to combine multiple scoring factors to optimize ranking of documents in web search (i.e., learning to rank), and learn techniques used in recommender systems (also called filtering systems), including content-based recommendation/filtering and collaborative filtering. You will also have a chance to review the entire course.

완료하는 데 7시간 필요

10개 동영상 (총 91분), 1 개의 읽기 자료, 3 개의 테스트

10개의 동영상

Lesson 6.1: Learning to Rank - Part 15m

Lesson 6.2: Learning to Rank - Part 210m

Lesson 6.3: Learning to Rank - Part 34m

Lesson 6.4: Future of Web Search13m

Lesson 6.5: Recommender Systems: Content-Based Filtering - Part 112m

Lesson 6.6: Recommender Systems: Content-Based Filtering - Part 210m

Lesson 6.7: Recommender Systems: Collaborative Filtering - Part 16m

Lesson 6.8: Recommender Systems: Collaborative Filtering - Part 212m

Lesson 6.9: Recommender Systems: Collaborative Filtering - Part 34m

Lesson 6.10: Course Summary9m

1개의 읽기 자료

Week 6 Overview10m

2개 연습문제

Week 6 Practice Quiz1시간

Week 6 Quiz1시간

데이터 마이닝 특화 과정 정보

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.

자주 묻는 질문

강의 및 과제를 언제 이용할 수 있게 되나요?
강의 및 과제 이용 권한은 등록 유형에 따라 다릅니다. 청강 모드로 강좌를 수강하면 대부분의 강좌 자료를 무료로 볼 수 있습니다. 채점된 과제를 이용하고 수료증을 받으려면 청강 도중 또는 이후에 수료증 경험을 구매해야 합니다. 청강 옵션이 표시되지 않는 경우:
강좌에서 청강 옵션을 제공하지 않을 수 있습니다. 대신 무료 평가판을 사용하거나 재정 지원을 신청할 수 있습니다.
이 전문 분야를 구독하면 무엇을 이용할 수 있나요?
강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.
Is financial aid available?
예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.
강좌를 수료하면 대학 학점을 받을 수 있나요?
이 강좌는 대학 학점을 제공하지 않지만, 일부 대학에서 선택적으로 강좌 수료증을 학점으로 인정할 수도 있습니다. 자세한 내용은 해당 기관에 문의하세요. Coursera의 온라인 학위 및 Mastertrack™ 수료증은 대학 학점을 취득할 기회를 제공합니다.

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.

Text Retrieval and Search Engines

이 강좌에 대하여

학습자 경력 결과

50%

60%

25%

귀하가 습득할 기술

학습자 경력 결과

50%

60%

25%

강사

ChengXiang Zhai

제공자:

일리노이대학교 어버너-섐페인캠퍼스

강의 계획 - 이 강좌에서 배울 내용

주 1

Orientation

Week 1

주 2

Week 2

주 3

Week 3

주 4

Week 4

주 5

Week 5

주 6

Week 6

검토