原始链接：

http://web.stanford.edu/class/cs246/

1 课程介绍

主题包括: 频繁项集和关联规则，高维数据中的近邻搜索，局部敏感哈希(LSH)，降维，推荐系统，聚类，链接分析，大规模监督机器学习，数据流，挖掘结构化数据的Web, Web广告。

2 讲师介绍

Jurij Leskovec

主讲人是图网络领域的大牛Jure Leskovec，是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。在谷歌学术搜索（Google Scholar）上，Jure拥有接近10万+的论文引用数量，H指数为125。

Leskovec的研究重点是对大型社会和信息网络进行分析和建模，以研究跨社会，技术和自然世界的现象。他专注于网络结构、网络演化、信息传播、影响和病毒在网络上的传播的统计建模。他所研究的问题是由大规模数据、网络和其他在线媒体引起的。他也致力于文本挖掘和机器学习的应用。

个人主页：https://cs.stanford.edu/~jure/

3 课程目录

01：课程介绍和MapReduce and Spark（Introduction; MapReduce and Spark）

02：频繁项集挖掘（Frequent Itemsets Mining）

03：局部敏感哈希（Locality-Sensitive Hashing I）

04：局部敏感哈希（Locality-Sensitive Hashing II）

05：聚类（Clustering）

06：降维 （Dimensionality Reduction）

07：推荐系统（Recommender Systems I）

08：推荐系统（Recommender Systems II）

09：PageRank（PageRank）

10：链接欺诈与社交网络导论（Link Spam and Introduction to Social Networks）

11：社区检测（Community Detection in Graphs）

12：图表示学习（Graph Representation Learning）

13：图神经网络 Graph Neural Networks

14：嵌入学习 Learning Embeddings

15：大规模机器学习（Large-Scale Machine Learning I）

16：数据流挖掘（Mining Data Streams I）

17：计算广告（Computational Advertising）

18：通过实验学习（Learning through Experimentation）

19：优化子模块功能（Optimizing Submodular Functions）

4 课程材料预览

• 
  

  The following text is useful, but not required. It can be downloaded for free, or purchased from Cambridge University Press.
  Leskovec-Rajaraman-Ullman: Mining of Massive Dataset