SDSC3002Data Mining

这门课学什么

课程简介

Study foundational data-mining techniques, data preparation and classical algorithms, apply them in Python, develop data-driven models, and interpret and communicate results.

校方 PDF 第 2 页 · Abstract

课程内容

Data representation and similarity; cleaning and preprocessing; association-rule mining; classification; clustering; and applied data-mining case studies.

校方 PDF 第 6 页 · Keyword Syllabus

预期学习成果

查看学习成果表

CILO	预期学习成果	比重	DEC
1	Understand data and data-preprocessing methods.	20%	—
2	Become familiar with classical clustering and classification algorithms.	30%	—
3	Use software such as R or Python to implement data-mining algorithms and conduct analysis.	30%	—
4	Interpret data-mining results.	20%	—

校方 PDF 第 2 页 · Course Intended Learning Outcomes (CILOs)

我能不能修这门课

先修、建议先备和并修要求分别查看；等同及互斥条件也会影响选课。and 表示同时满足，or 表示备选；组合条件按下方原文分组阅读。

先修条件

SDSC2001 Python for Data Science and either MS2602 Statistical Inference or SDSC2102 Statistical Methods and Data Analysis.

校方 PDF 第 1 页 · Prerequisites

建议先备知识

无（校方注明 Nil）

校方 PDF 第 1 页 · Precursors

并修要求

本页尚无已核实的这一项信息。

其他修读要求

本页尚无已核实的这一项信息。

等同课程及条件

无（校方注明 Nil）

校方 PDF 第 1 页 · Equivalent Courses

互斥课程及条件

无（校方注明 Nil）

校方 PDF 第 1 页 · Exclusive Courses

怎么考，怎样才算通过

考核方式

Continuous assessment: 60% (test 40%, laboratory report/participation 20%); examination: 40% (2 hours). The source requires at least 30% of the maximum examination mark to pass.

各项考核占多少分

考核项目	比重	生成式 AI 使用	备注与限制
Test	40%	原表未列明	原表未列明
Laboratory report / participation	20%	原表未列明	原表未列明

校方 PDF 第 4 页 · Assessment Tasks/Activities

通过条件

At least 30% of the maximum mark for the examination.

校方 PDF 第 4 页 · Remark