Μηχανική Μάθηση και Εξόρυξη Δεδομένων

Machine Learning and Data Mining – MLDM

Περιεχόμενο

Μηχανική Μάθηση (τι είναι, γιατί μας ενδιαφέρει, παραδείγματα προβλημάτων, η μηχανική μάθηση ως αναζήτηση, υπόθεση επαγωγικής μάθησης),  παρεμβολή (γραμμική, πολυωνυμική), ταξινόμηση (δέντρα ταξινόμησης/παρεμβολής, τυχαία δάση, μάθηση βασισμένη σε περιπτώσεις, μετρικές απόστασης/ομοιότητας, πιθανοκρατικοί ταξινομητές, μηχανές διανυσμάτων υποστήριξης), συσταδοποίηση, κανόνες συσχέτισης, συστήματα εξόρυξης δεδομένων,  συνδυασμός πολλαπλών μοντέλων (Bagging, Boosting, Stacking), διαχείριση ποιότητας στην εξόρυξη γνώσης (αξιολόγηση μεθόδων ταξινόμησης, πολυπλοκότητα μοντέλου, μετρικές αξιολόγησης ταξινόμησης και παρεμβολής, ανάλυση ROC), βαθιά μάθηση, βαθιά νευρωνικά δίκτυα, εξόρυξη γνώσης στον παγκόσμιο ιστό (εξόρυξη γνώμης, ανάλυση συναισθήματος, εντοπισμός απάτης), συστάσεις αγορών ως εφαρμογή μηχανικής μάθησης.

Προτεινόμενη Βιβλιογραφία

• Pang-Ning Tan, Michael Steinbach and Vipin Kumar, “Εισαγωγή στην Εξόρυξη Δεδομένων – 2η Έκδοση“, ISBN: 978-960-418-813-0, Εκδόσεις Τζιόλα, 2018 (Ελληνικά / ΕΥΔΟΞΟΣ: 77107675)
• Κ. Διαμαντάρας και Δ. Μπότσης, “Μηχανική Μάθηση“, ISBN: 978-960-461-995-5, Εκδόσεις ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2019 (Ελληνικά / ΕΥΔΟΞΟΣ: 86198212)
• Ethem Alpaydin, “Introduction to Machine Learning – Fourth Edition”, The MIT Press, 2020
• Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. 2nd Edition, Bing Liu, Springer, 2011
• Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας και Η. Σακελλαρίου, “Τεχνητή Νοημοσύνη – 4η Έκδοση“, Εκδόσεις Πανεπιστημίου Μακεδονίας, ISBN: 978-618-5196-44-8, 2020 (Ελληνικά / ΕΥΔΟΞΟΣ: 94700120)