Εξόρυξη Γνώσης από Δεδομένα

Διδάσκων/ντες: Ευαγγελίδης Γεώργιος | Κολωνιάρη Γεωργία |

Στόχοι:

Το μάθημα παρουσιάζει μεθόδους για την εξόρυξη και ανάλυση δεδομένων με έμφαση στην εξόρυξη από δεδομένα του παγκόσμιου ιστού. Παράλληλα εστιάζει στην εφαρμογή των τεχνικών αυτών σε πραγματικά προβλήματα με χρήση κατάλληλων εργαλείων.

Δεξιότητες:

Απόκτηση γνώσεων και πρακτικής εμπειρίας σε ζητήματα ανάλυσης δεδομένων μέσω εργαλείων που υποστηρίζουν αλγόριθμους εξόρυξης γνώσης από δεδομένα.

Προαπαιτήσεις: -

Περιεχόμενο μαθήματος:

Εισαγωγή στην ανακάλυψη γνώσης από δεδομένα, στατιστικές μέθοδοι, κατηγοριοποίηση (classification), συνδυαστικοί κανόνες (association rules), συχνά στοιχειoσύνολα (frequent itemsets), συσταδοποίηση (clustering). Ιδιαίτερη έμφαση θα δοθεί στην μελέτη υποδειγματικών περιπτώσεων (case studies) εφαρμογής/χρήσης των παραπάνω τεχνικών σε περιβάλλον εμπορικών εργαλείων και εργαλείων ανοικτού κώδικα που υποστηρίζουν την διαδικασία KDD (π.χ., Oracle Data Miner, RapidMiner, WEKA). Επίσης, θα μελετηθούν οι τρέχουσες ερευνητικές εξελίξεις στον τομέα (π.χ. time series mining, text mining) με έμφαση στην εξόρυξη γνώσης από τον παγκόσμιο ιστό (web mining) όπου θα παρουσιαστούν θέματα όπως: εξόρυξη γνώμης (opinion mining), ανάλυση συνδέσμων (link analysis) και συστήματα συστάσεων (recommender systems).

Προτεινόμενη βιβλιογραφία:

P.-N. Tan, M. Steinbach and V. Kumar, “Introduction to Data Mining” Addison Wesley, 2006, (επιμ. Β. Βερύκιος και Σ. Σουραβλάς, Εκδόσεις Τζιόλα, 2010)

M. H. Dunham, “Data Mining, Εισαγωγικά και Προηγμένα Θέματα Εξόρυξης Γνώσης από Δεδομένα”. Εκδόσεις Νέων Τεχνολογιών, 2004 (επιμ. Β. Βερύκιος και Γ. Θεοδωρίδης).

B. Liu, “Web Data Mining - Exploring Hyperlinks, Contents, and Usage Data”, Second Edition, Springer, 2011.

A. Rajaraman, J. Leskovec, J. D. Ullman, “Mining of Massive Datasets”, Cambridge University Press, 2010.