Μηχανική Μάθηση και Εξόρυξη Γνώσης (9.021)
Παπαδάκης Νικόλαος
Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με θεμελιώδεις τεχνικές και αλγορίθμους μηχανικής μάθησης που καλύπτουν το φάσμα των διαφορετικών εφαρμογών του αντικειμένου (επιβλεπόμενη / μη επιβλεπόμενη μάθηση).. Η ύλη του μαθήματος περιλαμβάνει:
Τεχνικές μάθησης μάθησης με επίβλεψη (classification, prediction) και χωρίς επίβλεψη (clustering, associations), στατιστικά Μοντέλα και ο κανόνας του Bayes,μηχανές διανυσμάτων υποστήριξης (Support vector machines), Clustering. ο αλγόριθμος K-μέσων, ενισχυτική Μάθηση (Reinforcement Learning), εφαρμογές εξόρυξης γνώσης από τα περιεχόμενα, της δομή και τη χρήση του παγκόσμιου ιστού. Σχετικές τεχνολογίες (Στατιστική, Μηχανική Μάθηση, DBMS, OLAP). Στόχοι και στάδια της εξόρυξης γνώσης. Τεχνικές εξόρυξης γνώσης. Μέθοδοι αναπαράστασης γνώσης. Προεπεξεργασία δεδομένων. Καθαρισμός, μετασχηματισμός και μείωση δεδομένων. Διακριτοποίηση και δημιουργία ιεραρχιών εννοιών. Αναπαράσταση γνώσης. Συνάφεια δεδομένων και προβλήματος, γνώση υποβάθρου, μέτρα ενδιαφέροντος πληροφορίας, αναπαράσταση δεδομένων εισόδου και εξόδου, διερευνητική ανάλυση δεδομένων & τεχνικές οπτικοποίησης. Ανάλυση χαρακτηριστικών. Γενίκευση χαρακτηριστικών, καταλληλότητα χαρακτηριστικών, σύγκριση κλάσεων, στατιστικά μέτρα.
ΛιγότεραΣτόχος του μαθήματος είναι η εξοικείωση των φοιτητών με θεμελιώδεις τεχνικές και αλγορίθμους μηχανικής μάθησης που καλύπτουν το φάσμα των διαφορετικών εφαρμογών του αντικειμένου (επιβλεπόμενη / μη επιβλεπόμενη μάθηση).. Η ύλη του μαθήματος περιλαμβάνει:
Τεχνικές μάθησης μάθησης με επίβλεψη (classification, prediction) και χωρίς επίβλεψη (clustering, associations), στατιστικά Μοντέλα και ο κανόνας του Bayes,μηχανές διανυσμάτων υποστήριξης (Support vector machines), Clustering. ο αλγόριθμος K-μέσων, ενισχυτική Μάθηση (Reinforcement Learning), εφαρμογές εξόρυξης γνώσης από τα περιεχόμενα, της δομή και τη χρήση του παγκόσμιου ιστού. Σχετικές τεχνολογίες (Στατιστική, Μηχανική Μάθηση, DBMS, OLAP). Στόχοι και στάδια της εξόρυξης γνώσης. Τεχνικές εξόρυξης γνώσης. Μέθοδοι αναπαράστασης γνώσης. Προεπεξεργασία δεδομένων. Καθαρισμός, μετασχηματισμός και μείωση δεδομένων. Διακριτοποίηση και δημιουργία ιεραρχιών εννοιών. Αναπαράσταση γνώσης. Συνάφεια δεδομένων και προβλήματος, γνώση υποβάθρου, μέτρα
Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με θεμελιώδεις τεχνικές και αλγορίθμους μηχανικής μάθησης που καλύπτουν το φάσμα των διαφορετικών εφαρμογών του αντικειμένου (επιβλεπόμενη / μη επιβλεπόμενη μάθηση).. Η ύλη του μαθήματος περιλαμβάνει:
Τεχνικές μάθησης μάθησης με επίβλεψη (classification, prediction) και χωρίς επίβλεψη (clustering, associations), στατιστικά Μοντέλα και ο κανόνας του Bayes,μηχανές διανυσμάτων υποστήριξης (Support vector machines), Clustering. ο αλγόριθμος K-μέσων, ενισχυτική Μάθηση (Reinforcement Learning), εφαρμογές εξόρυξης γνώσης από τα περιεχόμενα, της δομή και τη χρήση του παγκόσμιου ιστού. Σχετικές τεχνολογίες (Στατιστική, Μηχανική Μάθηση, DBMS, OLAP). Στόχοι και στάδια της εξόρυξης γνώσης. Τεχνικές εξόρυξης γνώσης. Μέθοδοι αναπαράστασης γνώσης. Προεπεξεργασία δεδομένων. Καθαρισμός, μετασχηματισμός και μείωση δεδομένων. Διακριτοποίηση και δημιουργία ιεραρχιών εννοιών. Αναπαράσταση γνώσης. Συνάφεια δεδομένων και προβλήματος, γνώση υποβάθρου, μέτρα
Ημερολόγιο
Ανακοινώσεις
- - Δεν υπάρχουν ανακοινώσεις -