ΕΞΟΡΥΞΗ ΣΕ ΜΕΓΑΛΑ ΔΕΔΟΜΕΝΑ
| Τίτλος | ΕΞΟΡΥΞΗ ΣΕ ΜΕΓΑΛΑ ΔΕΔΟΜΕΝΑ / Mining from Massive Datasets |
| Κωδικός | NIS22 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Πληροφορικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Εαρινή |
| Υπεύθυνος/η | Απόστολος Παπαδόπουλος |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 40003486 |
| Τίτλος | ΕΞΟΡΥΞΗ ΣΕ ΜΕΓΑΛΑ ΔΕΔΟΜΕΝΑ |
| Ακαδημαϊκό Έτος | 2017 – 2018 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Ώρες Εβδομαδιαία | 3 |
| Class ID | 600111858
|
Τύπος Μαθήματος 2016-2020
- Επιστημονικής Περιοχής
- Ανάπτυξης Δεξιοτήτων
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600111858
- eLearning (Moodle):
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
- Αγγλικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα έχουν μία ολοκληρωμένη εικόνα των μεθόδων εξόρυξης από πολύ μεγάλα σύνολα δεδομένων. Επίσης, θα είναι σε θέση να εφαρμόσουν στην πράξη μερικές από τις τεχνικές αυτές κατά την εκπόνηση των εργασιών τους.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Παραγωγή νέων ερευνητικών ιδεών
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
- MapReduce, Spark και κατανεμημένη διαχείριση δεδομένων
- Προχωρημένα θέματα κανόνων συσχέτισης, ομαδοποίησης και εντοπισμού ανωμαλιών
- Εξόρυξη από ροές δεδομένων
- Ανάλυση συνδέσμων
- Συστήματα συστάσεων
- Προχωρημένα θέματα κατακερματισμού
Λέξεις Κλειδιά
εξόρυξη δεδομένων, ροές, σύνδεσμοι, ομαδοποίηση, ομοιότητα
Τύποι Εκπαιδευτικού Υλικού
- Διαφάνειες
- Βιβλίο
- επιστημονικές εργασίες
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 39 | 1,3 | ✓ | ||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 90 | 3 | ✓ | ||
| Εκπόνηση μελέτης (project) | 60 | 2 | ✓ | ||
| Συγγραφή εργασίας / εργασιών | 36 | 1,2 | ✓ | ||
| Σύνολο | 225 | 7,5 |
Αξιολόγηση Φοιτητών
Περιγραφή
Οι φοιτητές αξιολογούνται με γραπτή εξέταση (20-30%), παρουσίαση στην τάξη επιστημονικής εργασίας (20-30%) και
ανάπτυξη συστήματος σε C++ ή JAVA που αφορά σε προχωρημένα θέματα εξόρυξης δεδομένων (40-60%).
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
- Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
- Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
- Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
- Άλλη / Άλλες (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
Mining of Massive Datasets,
Anand Rajaraman and Jeff Ullman.
Cambridge University Press.
Επιπρόσθετη βιβλιογραφία για μελέτη
1. Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 3rd edition, Morgan Kaufmann, 2011.
2. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Pearson Addison Wesley, 2006
Τελευταία Επικαιροποίηση
15-03-2016
