Εισαγωγή στις Τεχνικές Εξόρυξης Δεδομένων: α) δεδομένα, β) προβλήματα, γ) εφαρμογές, δ) γενικές τεχνικές ανάλυσης και επεξεργασίας δεδομένων. Προ-επεξεργασία δεδομένων: α) καθαρισμός δεδομένων, β) μετασχηματισμός, γ) τεχνικές μείωσης διαστάσεων. Συσταδοποίηση Ι: α) εισαγωγή στη συσταδοποίηση, β) αποστάσεις, γ) k-means, δ) ιεραρχική συσταδοποίηση. Συσταδοποίηση ΙI: α) DBSCAN, β) εκτίμηση ποιότητας, γ) BIRCH. Κανόνες Συσχέτισης Ι: α) ορισμός προβλήματος, β) ο αλγόριθμος a-priori για συχνά στοιχειοσύνολα, γ) δημιουργία κανόνων συσχέτισης, δ) αντιπροσωπευτικά στοιχειοσύνολα. Κανόνες Συσχέτισης IΙ: α) ανακεφαλαίωση, β) άλλοι τρόποι υπολογισμού συχνών στοιχειοσυνόλων, γ) o αλγόριθμος FP-Growth, δ) αποτίμηση κανόνων συσχέτισης. Ταξινόμηση Ι: α) εισαγωγή, β) δέντρα απόφασης (εντροπία, Gini, λάθος ταξινόμησης). Ταξινόμηση IΙ: α) ανακεφαλαίωση, β) overfitting, γ) τιμές που λείπουν, δ) αποτίμηση μοντέλου, ε) άλλα είδη ταξινομητών (ταξινομητές με κανόνες, k-κοντινότεροι γείτονες). Τεχνικές για ανεύρεση συσχετισμών σε πολυδιάστατα δεδομένα και σε σχεσιακά δεδομένα. Εξόρυξη γνώσης από πολυτροπικά δεδομένα.

Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής/τρια θα:

• Έχει την γνώση της Κριτικής αντιμετώπισης των προβλημάτων και ερευνητικών διαστάσεων της Εξόρυξης Δεδομένων. Θα κατέχει την περιεκτική κατανόηση των τρεχουσών εννοιών που διέπουν το χώρο της Εξόρυξης Δεδομένων και του πώς αυτές μπορούν να συνεισφέρουν στον αποτελεσματικό σχεδιασμό και την υλοποίηση εφαρμογών Εξόρυξης Δεδομένων.
• Επίσης, θα κατέχει την ικανότητα άριστης χρήσης λογισμικών Εξόρυξης Γνώσης όπως το RapidMiner, το Weka και το Business Intelligence του MS SQL server.
• Επιπλέον, θα έχει την ικανότητα να γνωρίζει το πώς μπορεί να εφαρμοστεί μια μεγάλη γκάμα αλγορίθμων ταξινόμησης, συσταδοποίησης, κανόνων συσχέτισης όπως τα δέντρα απόφασης, η παλινδρόμηση, ο Κ-πλησιέστερος γείτονας, ο K-Means, κ.τ.λ.
• Θα κατέχει γνώση και ικανότητα εφαρμογής των πλέον πρόσφατων τεχνικών Εξόρυξης Δεδομένων σε περιοχές όπως η εξόρυξη γνώσης από κείμενα, από εικόνες, από βιολογικά και άλλα δεδομένα, κ.τ.λ. Επιπλέον θα κατέχει ουσιαστική κατανόηση των μαθηματικών/στατιστικών θεμελιώσεων των παραπάνω αλγορίθμων Εξόρυξης Δεδομένων.

Δεν απαιτούνται.

1. Data Mining-Introductory and Advanced Topics, Margaret H. Dunham, Pearson Education, ISBN: 9780130888921,2002.
2. Data Mining, A Knowledge Discovery Approach, Krzysztof J. Cios et al., Springer Verlag, ISBN: 9780387333335, 2007.

1. Data Mining-Foundations and Practice, Lin, Xie, Wasilewska and Liau, Springer-Verlag Berlin and Heidelberg GmbH & Co. KG, ISBN10: 354078487X, 2008.

Διδασκαλία σε αίθουσα, ομαδικές δραστηριότητες, ηλεκτρονική πλατφόρμα μάθησης.

Φυσική Παρουσία.