Πληροφορική ΙΙ – Μηχανική Μάθηση

Σκοπός του μαθήματος είναι η απόκτηση αναλυτικής σκέψης για την εξαγωγή πληροφορίας από πολύπλοκα σύνολα δεδομένων και επίλυση προβλημάτων με χρήση μεθόδων που καθοδηγούνται από τα δεδομένα (data-driven methods) και τεχνικών Μηχανικής Μάθησης (Machine Learning). Ο φοιτητής με την επιτυχή ολοκλήρωση του μαθήματος θα είναι σε θέση να αναγνωρίζει, να επιλέγει και να εφαρμόζει κατάλληλες μεθόδους από την πολυμεταβλητή στατιστική ανάλυση δεδομένων και την Μηχανική Μάθηση σε προβλήματα που απαιτείται μάθηση με επίβλεψη (supervised learning) και μάθηση χωρίς επίβλεψη (unsupervised learning). Όσον αφορά την πρώτη κατηγορία (μάθηση με επίβλεψη), ο φοιτητής θα είναι σε θέση να εφαρμόζει μεθόδους σε προβλήματα (i) παλινδρόμησης (regression) κάνοντας χρήση αλγορίθμων όπως της Least Squares Regression, Partial Least Squares Regression και (ii) κατηγοριοποίησης (classification) κάνοντας χρήση αλγορίθμων όπως της Logistic Regression, Multinomial Logistic Regression, k-Nearest Neighbors, Decision Trees. Όσον αφορά τη μάθηση χωρίς επίβλεψη, ο φοιτητής θα είναι σε θέση να εφαρμόζει μεθόδους σε προβλήματα (i) μείωσης διαστάσεων (data reduction techniques) και (ii) ομαδοποίησης (clustering) με γνωστούς αλγορίθμους της βιβλιογραφίας. Ο φοιτητής αναμένεται να αποκτήσει δεξιότητες στην εφαρμογή των παραπάνω μεθοδολογιών και τεχνικών στην γλώσσα προγραμματισμού ανοικτού κώδικα της R αναπτύσσοντας κώδικα στο Ολοκληρωμένο Περιβάλλον Ανάπτυξης (Integrated Development Environment) του RStudio με στόχο την εξαγωγή χρήσιμης πληροφορίας που είναι κρυμμένη στα ακατέργαστα δεδομένα και την αποτίμηση των μοντέλων που προσάρμοσαν συμβάλλοντας στην αξιολόγηση των ισχυρισμών και συμπερασμάτων σε λύσεις που καθοδηγούνται από τα δεδομένα.