Μηχανική Μάθηση και Εξόρυξη Δεδομένων

Machine Learning and Data Mining – MLDM

Υπεύθυνος Μαθήματος: Φ.Κόκκορας,   Μονάδες ECTS: 7.5,   Εξάμηνο: Α (Γ)

Περιεχόμενο

  • Μηχανική Μάθηση (τι είναι, γιατί μας ενδιαφέρει, παραδείγματα προβλημάτων, ιστορική αναδρομή, κατηγοριοποίηση αλγορίθμων).
  • Σχεδίαση Συστήματος Μηχανικής Μάθησης, η Μηχανική Μάθηση ως Αναζήτηση, Υπόθεση Επαγωγικής Μάθησης, Επαγωγική Μεροληψία.
  • Δέντρα Ταξινόμησης/Παρεμβολής, (Παραγωγή, Αξιολόγηση, Ερμηνεία), Γενικεύσεις/Επεκτάσεις (Τυχαία Δάση).
  • Συστήματα Εξόρυξης Δεδομένων (Rapid Miner, Weka).
  • Μάθηση κατά Περίπτωση (k-NN, k-NN σταθμισμένης απόστασης), Συλλογιστική Βασισμένη σε Περιπτώσεις
  • Ταξινομητές Bayes,
  • Support Vector Machines.
  • Συσταδοποίηση (διαιρετικοί αλγόριθμοι, ιεραρχικοί αλγόριθμοι, βάσει πυκνότητας).
  • Κανόνες Συσχέτισης.
  • Νευρωνικά Δίκτυα (για ταξινόμηση ή παρεμβολή).
  • Συνδυασμός πολλαπλών μοντέλων (Bagging, Boosting, Stacking).
  • Βαθιά Μάθηση, Βαθιά Νευρωνικά Δίκτυα.
  • Διαχείριση ποιότητας στην εξόρυξη γνώσης (αξιολόγηση μεθόδων ταξινόμησης, πολυπλοκότητα μοντέλου (bias – variance), μέτρα ενδιαφέροντος κανόνων συσχέτισης, εγκυρότητα συσταδοποίησης, μετρικές αξιολόγησης ταξινόμησης και παρεμβολής, ανάλυση ROC).
  • Εξόρυξη γνώσης στον παγκόσμιο ιστό (εξόρυξη γνώμης, ανάλυση συναισθήματος, εντοπισμός απάτης), συστάσεις αγορών ως εφαρμογή μηχανικής μάθησης.
  • Εξόρυξη Δεδομένων: επισκόπηση εργασιών εξόρυξης, η εξόρυξη ως εφαρμογή αλγορίθμων μηχανικής μάθησης.

Προτεινόμενη Βιβλιογραφία