ΜΑΘΗΜΑΤΙΚΑ ΕΞΟΡΥΞΗΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

ΓΕΝΙΚΑ

ΕΞΑΜΗΝΟ ΦΟΙΤΗΣΗΣ: 2ο
ΚΑΤΕΥΘΥΝΣΗ: Τεχνολογίες Αιχμής
ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ: 7

ΔΙΔΑΣΚΟΝΤΕΣ

Πέτρος Στεφανέας

ΠΡΟΑΠΑΙΤΟΥΜΕΝΕΣ ΓΝΩΣΕΙΣ

Γνώσεις διακριτών μαθηματικών, στατιστικής και προγραμματισμού

ΜΕΘΟΔΟΣ ΕΞΕΤΑΣΗΣ

Ατομική/ομαδική εργασία, Γραπτή τελική εξέταση και παρουσίαση εργασίας

ΠΕΡΙΕΧΟΜΕΝΑ

Αλγόριθμοι κατηγοριοποίησης δεδομένων. Τεχνικές για ομαδοποίησης δεδομένων. Τεχνικές για ανεύρεση συσχετισμών σε πολυδιάστατα δεδομένα. Τεχνικές μείωσης των διαστάσεων. Επαλήθευση και επικύρωση προτύπων. Συνοπτική εισαγωγή στην τεχνητή νοημοσύνη. Μηχανική Μάθηση και εφαρμογές στην εξόρυξη δεδομένων.

ΒΙΒΛΙΟΓΡΑΦΙΑ

1. G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning, Springer, New York, 2013.
2. T. Hastie, R. Tibshirani and J. Friedman, The Elements of Statistical Learning, Data Mining, Inference and Prediction, Springer, New York, 2008.
3. I.H. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, San Francisco, Morgan Kaufmann, 2000.
4. S.M. Weiss and N. Indurkhya, Predictive Data Mining: A Practical Guide, San Francisco, Morgan Kaufmann, 1998.
5. C. Bishop, Pattern Recognition and Machine Learning, Springer, New York, 2006.
6. S. Russell and P. Norvig, Artificial Intelligence: A modern Approach, Pearson 2016