Εξόρυξη δεδομένων
| Τίτλος | Εξόρυξη δεδομένων / Data Mining |
| Κωδικός | E4 |
| Σχολή | Επιστημών Υγείας |
| Τμήμα | Ιατρικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Εαρινή |
| Υπεύθυνος/η | Ανδρέας Συμεωνίδης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600018997 |
Πρόγραμμα Σπουδών: ΠΜΣ Ιατρική Ερευνητική Μεθοδολογία
Εγγεγραμμένοι φοιτητές: 12
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| Κορμός | Επιλογής | 1 | 1 | 4 |
| Τίτλος | Εξόρυξη δεδομένων |
| Ακαδημαϊκό Έτος | 2024 – 2025 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Διδάσκοντες άλλων Κατηγοριών | |
| Ώρες Εβδομαδιαία | 4 |
| Ώρες Συνολικά | 96 |
| Class ID | 600266486
|
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τύπος Μαθήματος 2016-2020
- Επιστημονικής Περιοχής
- Ανάπτυξης Δεξιοτήτων
Τύπος Μαθήματος 2011-2015
Εμβάθυνσης / Εμπέδωσης Γνώσεων
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600266486
- eLearning: https://elearning.auth.gr/course/view.php?id=12504
Γλώσσα Διδασκαλίας
- Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Προαπαιτούμενα Μαθήματα
- C1 Εισαγωγή στη Στατιστική
Γενικές Προαπαιτήσεις
Οι φοιτητές πρέπει τουλάχιστον να έχουν βασικές γνώσεις στατιστικής και να μπορούν να χρησιμοποιήσουν σχετικά εργαλεία. Θα πρέπει να ενδιαφέρονται για τον χώρο της Ανάλυση Δεδομένων.
Μαθησιακά Αποτελέσματα
Το μάθημα έχει ως στόχο να εισάγει τους φοιτητές στη διαδικασία ανακάλυψης γνώσης από δεδομένα και συγκεκριμένα σε τεχνικές εξόρυξης δεδομένων/μηχανικής μάθησης. Στο πλαίσιο του μαθήματος θα συζητηθούν: αρχές εξόρυξης δεδομένων, τεχνικές επιβλεπόμενης μάθησης (ταξινόμηση), τεχνικές μη επιβλεπόμενης μάθησης (ομαδοποίηση), ανίχνευση ανωμαλιών (ανάλυση εξωκείμενων τιμών).
Με την ολοκλήρωση του μαθήματος, οι φοιτητές/τριες αναμένεται να μπορούν να:
- Γνωρίζουν τις βασικές αρχές εξόρυξης δεδομένων και τα κύρια πεδία εφαρμογής των,
- Μπορούν να εφαρμόσουν γνωστούς αλγορίθμους σε πιλοτικά προβλήματα,
- Επιλέγουν τον κατάλληλο αλγόριθμο εξόρυξης δεδομένων με βάση τις απαιτήσεις του προβλήματος τους,
- Σχεδιάζουν και απαντούν ερωτήματα πάνω στα δεδομένα τους.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Εργασία σε διεθνές περιβάλλον
- Εργασία σε διεπιστημονικό περιβάλλον
- Παραγωγή νέων ερευνητικών ιδεών
Περιεχόμενο Μαθήματος
- Εισαγωγικά θέματα Εξόρυξης Δεδομένων
- Βασικές αρχές και αξιολόγηση μοντέλων ταξινόμησης
- Τεχνικές ταξινόμησης: Δένδρα απόφασης, Πιθανοτικοί αλγόριθμοι, Μηχανές Διανυσμάτων Υποστήριξης, Νευρωνικά δίκτυα, μέτα-ταξινομητές
- Μέθοδοι προεπεξεργασίας δεδομένων και μείωσης διαστάσεων
- Βασικές αρχές και αξιολόγηση μοντέλων ομαδοποίησης
- Τεχνικές ομαδοποίησης: Αλγόριθμοι διαχωρισμού, Ιεραρχικοί αλγόριθμοι, Πυκωντικοί αλγόριθμοι
Λέξεις Κλειδιά
Εξόρυξη δεδομένων, Ταξινόμηση, Ομαδοποίηση, Ανάλυση δεδομένων, Επιβλεπόμενη μάθηση, Μη-επιβλεπόμενη μάθηση
Τύποι Εκπαιδευτικού Υλικού
- Διαφάνειες
- Βιντεοδιαλέξεις
- Διαδραστικές ασκήσεις
- Βιβλίο
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
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Mέσω της διαδικτυακής πλατφόρμας E-learning. Όλες οι ανακοινώσεις, βαθμολογίες, σημειώσεις κ.τ.λ. αναρτώνται στην αντίστοιχη ιστοσελίδα.
Οι συμπληρωματικές σημειώσεις διανέμονται ηλεκτρονικά μέσα από το E-learning.
Οι εξετάσεις γίνονται μέσα από την πλατφόρμα. Η επικοινωνία γίνεται κυρίως μέσα από τον ηλεκτρονικό πίνακα ανακοινώσεων του μαθήματος.
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 30 | 1,2 | ✓ | ||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 10 | 0,4 | ✓ | ||
| Φροντιστήριο | 15 | 0,6 | ✓ | ||
| Διαδραστική διδασκαλία στο Υπολογιστικό Κέντρο | 15 | 0,6 | ✓ | ||
| Εξετάσεις | 60 | 2,4 | |||
| Άλλο / Άλλα | |||||
| Σύνολο | 130 | 5,2 |
Αξιολόγηση Φοιτητών
Περιγραφή
Ο τελικός βαθμός βγαίνει από τον βεβαρημένο μέσο των παρακάτω:
- Τριών online εξετάσεων (30% + 30% + 30%)
- Αποτίμηση της συμμετοχής των φοιτητών στα fora συζήτησης (10%)
Συνθήκη για επιτυχή περάτωση του μαθήματος: Βαθμός 5 ή μεγαλύτερος.
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. Practical Machine Learning in R, K. Chatzidimitriou et al., Leanpub publising, 2017.
2. Introduction to Data mining, P. Tan, M. Steinbach & V. Kumar, Addison Wesley, 2005.
3. Data Mining; Concepts and Techniques, 2nd edition, J. Han and M. Kamber, Morgan Kaufmann, 2006.
Τελευταία Επικαιροποίηση
19-11-2023
