Σκοπός μαθήματος

Σκοπός του μαθήματος είναι να παρουσιάσει στους φοιτητές τον τομέα της Μηχανικής Μάθησης και των Ευφυών Εφαρμογών L&SCΜ που μπορούν να αναπτυχθούν μέσω μεθόδων Εξόρυξης Δεδομένων και Τεχνητής Νοημοσύνης. Ολοκληρώνοντας το  μάθημα, οι φοιτητές θα έχουν γνώση του τρόπου με τον οποίο μπορούν να εφαρμοστούν διάφοροι μέθοδοι Μηχανικής Μάθησης προκειμένου να αναπτύξουν ευφυείς εφαρμογές που επιλύουν διάφορα προβλήματα L&SC, όπως κατηγοριοποίησης, συσταδοποίησης, ομαδοποίησης συνεμφανίσεων και πρόβλεψης.

Περιγραφή μαθήματος

Το μάθημα παρουσιάζει τα είδη προβλημάτων L & SC που μπορούν να λυθούν με τη εφαρμογή τεχνικών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης. Παρουσιάζεται η μεθοδολογία Εξόρυξης Δεδομένων για Ανακάλυψη Γνώσης από δεδομένα L & SC ενώ μελετάται η χρήση Δέντρων Αποφάσεων για την πραγματοποίηση προβλέψεων. Καλύπτονται θέματα κατηγοριοποίησης με τη χρήση γραμμικών και μη γραμμικών διακριτικών συναρτήσεων (Logistic Regression, Support Vector Machine). Παρουσιάζεται η επίλυση προβλημάτων συσταδοποίησης δεδομένων L & SC με τεχνικές όπως αυτή των κοντινότερων γειτόνων ή αυτών των k-mean.  Εξετάζεται η ανακάλυψη κανόνων συσχέτισης από δεδομένα L & SC καθώς και η χρήση Νευρωνικών Δικτύων και Βαθιάς Μάθησης για προβλήματα πρόβλεψης στο τομέα L & SC. Τέλος παρουσιάζονται οι τρέχουσες τάσεις στη Μηχανική Μάθηση και η συμβολή τους στο τομέα των ευφυών L&SC.

Προτεινόμενη βιβλιογραφία

• John D. Kelleher, et al. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies, 2nd Edition, the MIT Press,2020.
• Provost, F. and Fawcett T., Data Science for Business, O’Reilly, 2013.
• Nicolas Vandeput, Data Science for Supply Chain Forecasting, 2nd Edition, De Gruyte 2021.
• Ramesh Sharda, Dursun Delen, Efraim Turban. Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson, 2017.
• Matt Taddy, Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions, McGraw-Hill, 2019.
• Ian H. Witten et al. Data Mining: Practical Machine Learning Tools and Techniques (Weka)- 4th Edition, Morgan Kaufmann, 2016.