9ο εξάμηνο


Μάθημα: Εξόρυξη Δεδομένων



Κωδικός Μαθήματος: E11
Επίπεδο Μαθήματος: Προπτυχιακό
Τύπος Μαθήματος: Ειδικού Υποβάθρου
Εξάμηνο: 9
Κατεύθυνση: Κατεύθυνση Τηλεπικοινωνιών και Δικτύων
Πιστωτικές Μονάδες: 5
Εβδομαδιαίες Ώρες διδασκαλίας: 4
Erasmus:
Ιστοσελίδα: eclass.uowm.gr/courses/ICTE204/
Γλώσσα διδασκαλίας:Ελληνική
Γενικές Ικανότητες:
Περιεχόμενο:

Εισαγωγή στις Τεχνικές Εξόρυξης Δεδομένων: δεδομένα, προβλήματα, εφαρμογές. Προ-επεξεργασία δεδομένων: καθαρισμός, μετασχηματισμός, τεχνικές μείωσης διαστάσεων. Συσταδοποίηση: εισαγωγή, αποστάσεις, k-means, Ιεραρχική Συσταδοποίηση. Κανόνες Συσχέτισης: ορισμός προβλήματος, ο αλγόριθμος a-priori, o αλγόριθμος FP-Growth, αποτίμηση κανόνων συσχέτισης. Ταξινόμηση: εισαγωγή, δέντρα απόφασης, overfitting, τιμές που λείπουν, ταξινομητές με κανόνες, k-κοντινότεροι γείτονες. 

Αναμενόμενα μαθησιακά αποτελέσματα:

Το μάθημα αποτελεί το βασικό εισαγωγικό μάθημα στις έννοιες Εξόρυξης Δεδομένων Ή ύλη του μαθήματος στοχεύει στην εισαγωγή των σπουδαστών στις βασικές Τεχνικές Εξόρυξης Δεδομένων (δεδομένα, προβλήματα, εφαρμογές). Επίσης αναφέρεται σε εισαγωγικές έννοιες Προ-επεξεργασίας δεδομένων, Ταξινόμησης,  Συσταδοποίησης και Κανόνων Συσχέτισης έτσι ώστε ο φοιτητής να έχει μία συνολική αντίληψη των διαδικασιών και μεθοδολογιών που χρησιμοποιούνται στην Εξόρυξη Δεδομένων. Με αυτή την έννοια το μάθημα αποτελεί τη βάση πάνω στην οποία συγκεκριμένες μεθοδολογίες και τεχνικές εξόρυξης δεδομένων αναπτύσσονται και μπορούν να χρησιμοποιηθούν σε μεταπτυχιακό επίπεδο σπουδών. Τέλος, στόχο του μαθήματος αποτελεί η κατανόηση από τους σπουδαστές της σημασίας της εξόρυξης δεδομένων σε πολλαπλές εφαρμογές καθώς και της συνεισφοράς της σε διαφορετικά επιστημονικά πεδία.  

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

  • Περιγράφουν τις βασικές αρχές Ε.Δ -Αναγνωρίζουν διαφορετικές προσεγγίσεις εξόρυξης δεδομένων  (Μάθησης χωρίς επίβλεψη, Μάθησης με επίβλεψη) 
  • Προσδιορίζουν και να επιλέγουν τεχνικές προεπεξεργασίας δεδομένων   
  • Διακρίνουν έννοιες ταξινόμησης, κατηγοριοποίησης και συσταδοποίησης δεδομένων 
  • Ανακαλύπτουν γνώση μέσα από μεγάλες αποθήκες δεδομένων  
  • Σχεδιάζουν και να αναπτύσσουν αλγορίθμους ομαδοποίησης και ταξινόμησης. 
  • Να συνθέτουν κανόνες συσχέτισης   
  • Να ανακατασκευάζουν προβλήματα εξόρυξης δεδομένων με πολλές διαστάσεις χρησιμοποιώντας τεχνικές μείωσης διαστάσεων. 
  • Να αξιολογούν και να συγκρίνουν αλγορίθμους Ε.Δ. και να κρίνουν αναλόγως την καταλληλότητά τους σε συγκεκριμένα προβλήματα
Προαπαιτούμενα:

-

Τρόπος Παράδοσης:
Χρήση Τεχνολογιών Πληροφορίας και επικοινωνιών:
Οργάνωση Διδασκαλίας:

Διαλέξεις  και εργαστήρια 

Αξιολόγηση Φοιτητών:

Υποχρεωτική εργασία (40% του βαθμού)

Εξετάσεις (60% του βαθμού)

Προτεινόμενη Βιβλιογραφία:
  1. Βαζιργιάννης Μιχάλης, Χαλκίδη Μαρία, Εξόρυξη γνώσης από βάσεις δεδομένων και τον παγκόσμιο ιστό, Γ. ΔΑΡΔΑΝΟΣ - Κ. ΔΑΡΔΑΝΟΣ, 2005.
  2. Tan Pang - Ning, Steinbach Michael, Kumar Vipin, Εισαγωγή στην εξόρυξη δεδομένων, ΕΚΔΟΣΕΙΣ Α. ΤΖΙΟΛΑ & ΥΙΟΙ, 2010.
  3. Margaret H. Dunham, DATA MINING, ΕΚΔΟΣΕΙΣ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΜΟΝ. ΕΠΕ, 2004.