Τίτλος

Διερευνητική Ανάλυση και Οπτικοποίηση Δεδομένων

(Exploratory Data Analysis and Visualization)

Στόχοι

Βασικός στόχος των αναλυτών δεδομένων είναι η απόκτηση γνώσης από δεδομένα. Ένα από τα κυριότερα εργαλεία τους είναι η διαισθητική κατανόησή  των δεδομένων πριν προχωρήσουν στην ανάλυση του τι συνέβη στο παρελθόν ή στην πρόβλεψη του τι θα συμβεί στο μέλλον. Η διαδικασία αυτή ονομάζεται Διερευνητική Ανάλυση Δεδομένων και περιλαμβάνει επαναληπτική εφαρμογή  τεχνικών ανάλυσης, διερεύνησης και οπτικοποίησης δεδομένων.

Δεξιότητες

Χρήση εργαλείων ανάλυσης δεδομένων όπως R και Python και εργαλείων οπτικοποίησης δεδομένων όπως D3.js και Tableau.

Προαπαιτήσεις

Χρήσιμο, αλλά όχι αναγκαίο, είναι ο φοιτητής να έχει παρακολουθήσει προπτυχιακά μαθήματα Στατιστικής και Εξόρυξης Γνώσης από Δεδομένα.

Πώς θα καλυφτούν οι προαπαιτήσεις

Θα δοθεί βιβλιογραφία στα πλαίσια του μαθήματος, και θα υπάρξει επίβλεψη/καθοδήγηση από τον διδάσκοντα.

Περιεχόμενο μαθήματος

Αρχές των γραφημάτων ανάλυσης. Διερευνητικά γραφήματα. Συστήματα γραφημάτων στην R. Προχωρημένες τεχνικές γραφημάτων στην R (lattice και ggplot2). Τεχνικές συσταδοποίησης και απομείωσης των δεδομένων για την οπτικοποίηση δεδομένων πολύ υψηλών διαστάσεων. Ανάλυση Δεδομένων (με R και Python). Οπτικοποίηση Δεδομένων (με Tableau και D3.js). Storytelling με δεδομένα. Προχωρημένες τεχνικές οπτικοποίησης: χάρτες, δίκτυα, δεδομένα υψηλών διαστάσεων, κείμενο, διάδραση, animation και οπτική αναλυτική.

Προτεινόμενα βιβλία

• NIST/SEMATECH e-Handbook of Statistical Methods, http://www.itl.nist.gov/div898/handbook/, 2018.
• Edward R. Tufte, “The Visual Display of Quantitative Information”,  2nd ed., Graphics Press/Amazon, 2001.
• William McKinney, “Python for Data Analysis”, O’Reilly Media, 2012.
• Robert Kabacoff, “R in Action: Data Analysis and Graphics with R”, 2nd ed., Manning Publications, 2015.
• Julie Steele, Noah Iliinsky, “Beautiful Visualization, Looking at Data Through the Eyes of Experts", O’Reilly Media, 2010.
• Cole Nussbaumer Knaflic, “Storytelling With Data: A Data Visualization Guide for Business Professionals”,  Amazon, 2015.
• John W. Tukey, “Exploratory Data Analysis”, Pearson, 1977.

Μέθοδοι αξιολόγησης

Εργασίες & τελική γραπτή εξέταση

Ιστοσελίδα μαθήματος

Το μάθημα θα φιλοξενηθεί στο http://compus.uom.gr.

Τίτλος

Πιθανοτική Μοντελοποίηση και Συλλογιστική

(Probabilistic Modeling and Reasoning)

Στόχοι

Το μάθημα καλύπτει το απαραίτητο υποβαθρο απο τα εφαρμοσμένα μαθηματικά, τη θεωρία πιθανοτήτων και τη στατιστική (εστιάζοντας στην πιθανοτική μοντελοποίηση και συλλογιστική), το οποίο θα χρειαστούν οι φοιτητές/τριες α) για την επιτυχή ολοκλήρωση του ΠΜΣ αλλά και β) για να μπορέσουν να αναπτύξουν τα ερευνητικά τους ενδιαφέροντα σε πιό συγκεκριμένες περιοχές της Μηχανικής Μάθησης, της Τεχνητής Νοημοσύνης και της Επιστήμης Δεδομένων.

Δεξιότητες

Οι φοιτητές/τριες που ολοκληρώνουν με επιτυχία το μάθημα θα μπορουν να:

1. Μοντελοποιούν και να επιλύουν προβλήματα συμπερασματικής ξεκινώντας απο βασικές αρχες
2. Κατανοούν τις μεθόδους maximum likelihood και Bayesian για εκτίμηση παραμέτρων, και να παράγουν τις σχετικές εξισώσεις για συγκεκριμένα προβλήματα.
3. Κατανοούν τις διαφορές ανάμεσα σε διάφορα μοντέλα λανθάνουσων μεταβλητών (latent variable) να κατασκευάζουν αντίστοιχες εξισώσεις ελάχιστης προσδοκίας (EM), και να εκτελούν τους κατάλληλους υπολογισμούς.
4. Σχεδιάζουν, εκτιμούν και να αξιολογούν μοντέλα δικτύων πεποιθήσεων (belief network models).
5. Εκτελούν πειραματικές διερευνήσεις δεδομένων και μοντέλων, και να εξάγουν συμπεράσματα απο αυτές.

Προαπαιτήσεις

Θεωρία πιθανοτήτων σε προπτυχιακό επίπεδο (διακριτές και συνεχείς τυχαίες μεταβλητές, αναμενόμενη τιμή, διακύμανση, από κοινοί και υπό συνθήκη κατανομές). Γραμμική Άλγεβρα και Ανάλυση (Εφ. Μαθηματικά 1 και 2 στο ΠΠΣ του Τμήματος). Βασικές γνώσεις προγραμματισμού.

Πώς θα καλυφτούν οι προαπαιτήσεις

Ο φοιτητής μπορεί (αλλά δεν είναι υποχρεωτικό) να παρακολουθήσει τα σχετικά μαθήματα του ΠΠΣ, τα οποία διδάσκονται στο χειμερινό εξάμηνο και στο εαρινό εξάμηνο του Τμ. Εφαρμοσμένης Πληροφορικής.

Περιεχόμενο μαθήματος

• Πιθανότητα (ενδεχόμενα, διακριτές τ. μεταβλητές, από κοινού και υπο συνθήκη κατανομές).
• Διακριτά δίκτυα πεποιθήσεων, συμπερασματική
• Εκτίμηση παραμέτρων: Μέγιστη Πιθανοφάνεια
• Μοντέλα λανθάνουσων μεταβλητών (μίγματα μοντέλων, αλγόριθμος ΕΜ, Ανάλυση παραγόντων, Ανάλυση Ανεξάρτητων Συνιστωσών - ICA)
• Δυναμικά μοντέλα λανθάνουσων μεταβλητών (κρυφά Μαρκοβιανά μοντέλα, φίλτρα Kalman)
• Θεωρία Πληροφορίας: Εντροπία, αμοιβαία πληροφορία, κωδικοποίηση πηγής, Kullback-Leibler divergence
• Προσεγγιστική συμπερασματική: MCMC, μέθοδοι μεταβολών (Variational Methods)
• Μέθοδοι δειγματοληψίας
• Μπεϋσιανές μέθοδοι για συμπερασματική παραμέτρων και σύγκριση υποδειγμάτων.

Προτεινόμενα βιβλία

“Bayesian Reasoning and Machine Learning”, David Barber, Cambridge University Press, 2012.

Μέθοδοι αξιολόγησης

Εργασίες & τελική γραπτή εξέταση

Ιστοσελίδα μαθήματος

Το μάθημα θα φιλοξενηθεί στο https://piazza.com/

Τίτλος 

Υπολογιστική Βελτιστοποίηση

(Computational optimization)

Στόχοι

Το μάθημα αυτό στοχεύει σε μια βαθύτερη κατανόηση των μοντέλων λήψης αποφάσεων, των αλγορίθμων βελτιστοποίησης και των εφαρμογών στην Πληροφορική, και τη μηχανική μάθηση. Αυτό το μάθημα αναλύει επίσης την σχεδίαση αλγορίθμων και τη μαθηματική διαμόρφωση μοντέλων λήψης αποφάσεων, χρησιμοποιώντας Python.

Δεξιότητες

Οι μεταπτυχιακοί φοιτητές που θα παρακολουθήσουν επιτυχώς το προτεινόμενο μάθημα θα είναι σε θέση να σχεδιάσουν σύγχρονες μεθόδους βελτιστοποίησης, να αναλύσουν την υπολογιστική τους απόδοσή και να ερμηνεύσουν τα πειραματικά τους αποτελέσματά.

Προαπαιτήσεις

Πολύ καλή γνώση μεθόδων επιχειρησιακής έρευνας.

Καλή γνώση προγραμματισμού Η/Υ.

Καλή γνώση δομών δεδομένων.

Πως θα καλυφτούν οι προαπαιτήσεις

Με προσωπική μελέτη ή/και παρακολούθηση σχετικών προπτυχιακών μαθημάτων. Μερικές εισαγωγικές έννοιες σε βελτιστοποίηση και υπολογιστικές μεθόδους θα δοθούν στο μάθημα. Επιπλέον εκπαιδευτικό υλικό σε προβλήματα βελτιστοποίησης και στη γλώσσα προγραμματισμού (Numerical) Python θα παρέχονται στους φοιτητές.

Περιεχόμενο μαθήματος

Εισαγωγή στις μαθηματικές έννοιες και προηγμένες υπολογιστικές μεθόδους για ποσοτικά προβλήματα στη λήψη αποφάσεων στη μηχανική μάθηση και λήψη διοικητικών αποφάσεων. Παρουσίαση σύγχρονων μεθόδων βελτιστοποίησης, ευρετικών κατά κύριο λόγο, όπως απαγορευμένη αναζήτηση, προσομοίωση ανόπτηση, αναζήτηση μεταβλητής γειτνίασης, γενετικοί αλγόριθμοι, και αλγόριθμοι εμπνευσμένοι από τη φύση. Συζήτηση σχετικά με τεχνικές παράλληλων υπολογισμών για υπολογιστικά δύσκολα προβλήματα βελτιστοποίησης.

Προτεινόμενα βιβλία

• Cortez, P. (2014). Modern optimization with R. Springer.
• Smith, D. K. (2003). Networks and graphs: techniques and computational methods. Elsevier.
• Ganguli, R. (2012). Engineering optimization: A modern approach. Hyderabad: Universities Press.

Μέθοδοι αξιολόγησης

Εργασίες & τελική γραπτή εξέταση

Ιστοσελίδα μαθήματος

Το μάθημα θα φιλοξενηθεί στο http://compus.uom.gr