Μηχανική Μάθηση και Εξόρυξη γνώσης

ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

• Τεχνικές μάθησης με επίβλεψη (classification, prediction) και χωρίς επίβλεψη (clustering, associations).
• Στατιστικά Μοντέλα και ο κανόνας του Bayes
• Μηχανές διανυσμάτων υποστήριξης (Support vector machines)
• Αυτο-οργανούμενα μοντέλα: Self-Organizing Maps (SOM)
• Ανάλυση κυρίων συνιστωσών (Principal Component Analysis - PCA)
• Clustering. ο αλγόριθμος K-μέσων
• Ενισχυτική Μάθηση (Reinforcement Learning)
• Dimensionality reduction και Sparse Dictionary Learning
• Εφαρμογές εξόρυξης γνώσης από τα περιεχόμενα, τηε δομή και τη χρήση του παγκόσμιου ιστού.

ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

• Κ. Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, εκδόσεις Κλειδάριθμος, 2007
• Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Τεχνητή Νοημοσύνη - Γ' Έκδοση, ISBN: 978-960-8396-64-7, Έκδοση/Διάθεση: Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011
• Haykin, Simon. Νευρωνικά δίκτυα και μηχανική μάθηση / Simon Haykin · μετάφραση Ελένη Γκαγκάτσιου. - 3η έκδ. - Αθήνα : Παπασωτηρίου, 2010