Εξόρυξη Δεδομένων και Μηχανική Μάθηση

Επίσημο περίγραμμα μαθήματος του ΤΜΗΥΠ (Πανεπιστήμιο Πατρών), όπως δημοσιεύεται στη σελίδα του μαθήματος και στο συνημμένο αρχείο «Περίγραμμα Μαθήματος». Το κείμενο παρατίθεται αυτούσιο, χωρίς τα πρότυπα οδηγιών του εντύπου.

Στόχοι

• Στο τέλος αυτού του μαθήματος ο φοιτητής θα:
• Έχει κατανοήσει βασικές έννοιες εξόρυξης δεδομένων και αλγορίθμων μάθησης, και έννοιες που ανακύπτουν κατά την αποτελεσματική υλοποίηση συστημάτων εξόρυξης.
• Έχει κατανοήσει τις διαφορές ανάμεσα σε εναλλακτικές χρήσης της εξόρυξης δεδομένων όπως αυτές εμφανίζονται τόσο ερευνητικά όσο και σε προβλήματα εφαρμογών.
• Έχει κατανοήσει τις βασικές έννοιες πίσω από τους διάφορους αλγορίθμους που χρησιμοποιούνται για την εύρεση συσχετίσεων.
• Μπορεί να χαρακτηρίσει τα είδη των προτύπων που μπορούν να ανακαλυφθούν κατά την εξόρυξη κανόνων συσχέτισης, και να περιγράψει την επέκταση ενός σχεσιακού συστήματος για την εύρεση προτύπων, χρησιμοποιώντας κανόνες συσχέτισης.
• Μπορεί να συγκρίνει και να εξηγήσει τις διαφορές ανάμεσα στις ακόλουθες τεχνικές, παρέχοντας παραδείγματα για το πότε κάθε στρατηγική υπερτερεί: δέντρο αποφάσεως, νευρωνικά δίκτυα, και δίκτυα πεποίθησης.

Στο τέλος αυτού του μαθήματος, ο φοιτητής θα έχει αναπτύξει περεταίρω τις παρακάτω δεξιότητες:

1. Ικανότητα να κατανοεί τις διάφορες έννοιες των συστημάτων εξόρυξης δεδομένων και αλγορίθμων μάθησης, και πως αυτές συσχετίζονται με την απόδοση των συστημάτων λογισμικού,
2. Ικανότητα να εφαρμόζει μεθοδολογικά τις έννοιες αυτές με στόχο τη σχεδίαση και υλοποίηση αποτελεσματικών συστημάτων υποστήριξης λήψης αποφάσεων.
3. Ικανότητα συνεργασίας, με σκοπό την επίλυση προβλημάτων που ανακύπτουν κατά την δόμηση ενός πλήρως λειτουργικού συστήματος λογισμικού

Περιεχόμενο (ύλη)

1. Εισαγωγή (βασικές έννοιες επιστήμης δεδομένων, εξόρυξης δεδομένων και μηχανικής μάθησης)
2. Φάση προεπεξεργασίας και συμπίεσης
3. Αλγόριθμοι κατηγοριοποίησης
4. Αλγόριθμοι ομαδοποίησης
5. Αλγόριθμοι κανόνων συσχέτισης
6. Bayesian δίκτυα, νευρωνικά δίκτυα
7. Εξόρυξη δεδομένων από παγκόσμιο ιστό
8. Εξόρυξη χωρικών δεδομένων
9. Εξόρυξη χρονικών δεδομένων
10. Εξόρυξη δεδομένων από ακολουθίες

Αξιολόγηση

(1) Παράδοση και παρουσίαση μιας εργασίας από ομάδες 1-2 ατόμων, που συνίσταται είτε στη κριτική παρουσίαση και ανάλυση ενός συνόλου επιστημονικών εργασιών που πραγματεύεται ένα από τα ζητήματα του μαθήματος είτε στην επίλυση προβλημάτων εξόρυξης δεδομένων χρησιμοποιώντας εργαλεία εξόρυξης όπως το WEKA, scikit-learn κ.λ.π., (30% του συνολικού βαθμού, μόνο όταν ο φοιτητής στην τελική εξέταση εξασφαλίσει το βαθμό 5), (2) Γραπτή εξέταση (70% του συνολικού βαθμού))

Βιβλιογραφία

1. Mohammed J. Zaki, Wangner Meira Jr., Εξόρυξη και Ανάλυση Δεδομένων: Bασικές Έννοιες και Αλγόριθμοι 2017, Κλειδάριθμος
2. Tan, Steinbach, Kumar, Introduction to Data Mining, Addison-Wesley, 2007.
3. M. Βαζιργιάννης, Μ. Χαλκίδη, Εξόρυξη Γνώσης από Βάσεις Δεδομένων, Τυπωθήτω, Δαρδάνος,2003.
4. Margaret Dunham, Data Mining Introductory and Advanced Topics, Pearson Education, 2003.
5. Α. Νανόπουλος, Γ. Μανωλόπουλος, Εισαγωγή στην Εξόρυξη Δεδομένων και στις Αποθήκες Δεδομένων, Εκδόσεις Νέων Τεχνολογιών, 2008.
6. T. M. Mitchell, Machine Learning, McGraw Hill, 1997.
7. I.H. Witten, E. Frank, Data Mining, Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann, October, 1999.
8. Jiawei Han, Micheline Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2nd Edition, 2006.
9. David J. Hand, Heikki Mannila and Padhraic Smyth, Principles of Data Mining, MIT Press, 2000.
10. S. Chakrabarti, Mining the Web: Discovering Knowledge from Hypertext Data, Morgan-Kaufmann Publishers 2003.
11. C. Faloutsos, Searching Multimedia Databases by Content, Kluwer Academic Press, 1996.
12. Steven S. Skiena, The Data Science Design Manual, Springer 2017
13. Ethem Alpaydın, Introduction to Machine Learning, Fourth Edition, 2020, MIT Press