Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Οι αντικειμενικοί στόχοι του μαθήματος περιλαμβάνουν (α) την απόκτηση εξειδικευμένης γνώσης για την αντιμετώπιση ζητημάτων που ανακύπτουν σε πραγματικές εφαρμογές (ανισοκατανομή κλάσεων, διαφορετικά κόστη σφαλμάτων, περιορισμένα δεδομένα εκπαίδευσης, μεγάλα σύνολα δεδομένων, ροές δεδομένων, δεδομένα με πολλαπλές ετικέτες, περιπτώσεις και σχέσεις), (β) την απόκτηση χρήσιμων δεξιοτήτων για ερευνητές και επαγγελματίες (ανάγνωση, αξιολόγηση και συγγραφή ερευνητικών εργασιών, συγκριτική αξιολόγηση αλγορίθμων μηχανικής μάθησης, χρήση λογισμικού ανάλυσης δεδομένων, υλοποίηση αλγορίθμων μάθησης), και (γ) την γνωριμία με σύγχρονες δημοφιλείς εφαρμογές (εξόρυξη γνώσης από απόψεις, εξόρυξη γνώσης από δεδομένα επιχειρήσεων λιανικής πωλήσης). Απώτερος στόχος είναι η προετοιμασία των φοιτητών τόσο για την αγορά εργασίας όσο και για τη συνέχιση των σπουδών τους σε 3ο κύκλο στην περιοχή της μηχανικής μάθησης.
Περιεχόμενο Μαθήματος
Τεχνικές πολλαπλών μοντέλων πρόβλεψης, σφάλματα ταξινόμησης με διαφορετικό κόστος, ασυμμετρία κλάσεων, συγκριτική αξιολόγηση αλγορίθμων μάθησης, μάθηση από δεδομένα πολλαπλών ετικετών, μάθηση από σάκους περιπτώσεων, ενεργή μάθηση, ανάγνωση, αξιολόγηση και συγγραφή ερευνητικών εργασιών, εξόρυξη σχεσιακών δεδομένων, μάθηση από ρεύματα δεδομένων, εξόρυξη απόψεων, εξόρυξη δεδομένων επιχειρήσεων λιανικής πώλησης.
Βιβλιογραφία μαθήματος (Εύδοξος)
Παρουσιάσεις μαθήματος, λίστα διαφορετικών συγγραμάτων ή/και επιστημονικών δημοσιεύσεων ανά αντικείμενο του μαθήματος. Ενδεικτικά:
- Zhou, Z.H. (2012) Ensemble Methods: Foundations and Algorithms, Boca Raton, FL: Chapman & Hall/CRC, 2012.
- Nathalie Japkowicz and Mohak Shah. 2011. Evaluating Learning Algorithms: A Classification Perspective. Cambridge University Press, New York, NY, USA.
- Burr Settles, Active Learning, Synthesis Lectures on Artificial Intelligence and Machine Learning
Morgan & Claypool Publishers, June 2012.