一、课程介绍
重点~课程对应教材（pdf可下载）：http://www.mmds.org/
CS246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。
大数据挖掘Mining Massive Data Sets，主讲人是斯坦福大牛Jure Leskovec，他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。
二、作者介绍
主讲人Jurij Leskovec 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4.5万的论文引用数量，H指数为84。
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/
三、具体章节
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：推荐系统（Recommender Systems I）
07：推荐系统（Recommender Systems II）
08：PageRank（PageRank）
09：链接欺诈与社交网络导论（Link Spam and Introduction to Social Networks）
10：社区检测（Community Detection in Graphs）
11：图表示学习（Graph Representation Learning）
12：大规模机器学习（Large-Scale Machine Learning I）
13：数据流挖掘（Mining Data Streams I）
14：计算广告（Computational Advertising）
15：通过实验学习（Learning through Experimentation）
16：优化子模块功能（Optimizing Submodular Functions）
四、小结
以前很多数据挖掘的课程，但是2021年斯坦福大学推出的【大数据挖掘】则和以往有交集，又有很多新亮点，比如这几年很火的GNN图神经网络、在推荐系统召回层中常用LSH局部敏感哈希、计算广告的CTR点击率预估问题、在风控和反欺诈领域常用的社交网络异常检测等等，可见是推荐算法赛道的必学课程！！
