Weekly outline

• Ακαδημαϊκό Έτος 2024-2025
  

  Ακαδημαϊκό Έτος 2024-2025

  Το μάθημα προσφέρεται στα πλαίσια του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση", στους Υ.Δ. της ΣΗΜΜΥ, καθώς και σε άλλα μεταπτυχιακά προγράμματα (ΑΛΜΑ, ΕΜΕ, Μαθηματική Προτυποποίηση).
  

  Διαλέξεις

  • Παρασκευή, 13:15-16:00, αίθ. 003, Νέο Κτ. Ηλεκτρολόγων ΕΜΠ
    (οι φοιτητές του ΑΛΜΑ θα παρακολουθούν μία πρόσθετη ώρα, 16:15-17:00)

  Έναρξη

  • 14/02/2025

  Διδάσκοντες
  

  • Άρης Παγουρτζής, Καθηγητής (pagour@cs.ntua.gr)
  • Δώρα Σούλιου, ΕΔΙΠ (dsouliou@mail.ntua.gr)
    

  
  

  Βιβλιογραφία

  
  

  • [MMDS] Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, and Jeff Ullman
    www.mmds.org  (book, slides, videos, etc.)
  • [FDS] Foundations of Data Science, Avrim Blum, John Hopcroft, and Ravindran Kannan
    https://www.cs.cornell.edu/jeh/book.pdf
  • [TSKK] Introduction to Data Mining (2nd ed.), Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, and Vipin Kumar
    https://www-users.cs.umn.edu/~kumar001/dmbook/index.php
    

  
  

  • Ανακοινώσεις Forum
  • Διαφάνειες Folder
• 1η διάλεξη
  

  1η διάλεξη

  Διάλεξη 14/2

  • Εισαγωγή - διαδικαστικά (διαφάνειες)

  • Εισαγωγή στη Θεωρία Υπολογισμού (διαφάνειες)
    

    Προτεινόμενη μελέτη:

  • S. Dasgupta, C. H. Papadimitriou, and U. V. Vazirani: Algorithms (κεφ. 0 και 8).
  • Σημειώσεις Jeff Erickson για μη-ντετερμινισμό και για NP-πληρότητα.
• 2η Διάλεξη
  

  2η Διάλεξη

  Διάλεξη 21/2

  Data Mining I

  • Εξόρυξη κανόνων συσχέτισης και συνόλων στοιχείων που εμφανίζονται συχνά σε μεγάλα δεδομένα. 
  • Αλγόριθμος A-priori και FP-Growth. 

  Διαφάνειες
  

  Προτεινόμενη μελέτη: [MMDS] κεφ. 6 (link) (ενότητες 6.1, 6.2). 
  Συμπληρωματικά: [TSKK] κεφ. 6 (link) (ενότητες 6.1, 6.2).
• 3η διάλεξη
  

  3η διάλεξη

  Διάλεξη 10/3

  Data Mining II

  • Εξόρυξη συχνών συνόλων στοιχείων (μέρος 2): αλγόριθμοι με λιγότερες διασχίσεις βάσης. Διαφάνειες (έμφαση στις διαφ. 74-103) από μάθημα Π. Τσαπάρα (Παν. Ιωαννίνων).

  Προτεινόμενη μελέτη: [MMDS] κεφ. 6 (link) [ενότητες 6.3, 6.4].
  

  Δείτε ακόμη: [TSKK] κεφ. 6 (link) (ενότητα 6.5).

  
  
• 4η Διάλεξη
  

  4η Διάλεξη

  Διάλεξη 14/3

  Data Mining III

  • Εξόρυξη συχνών συνόλων στοιχείων (μέρος 3): Εύρεση κανόνων συσχέτισης, η μέθοδος A-priori για κανόνες. Μετρικές σπουδαιότητας κανόνων. Διαφάνειες (έμφαση στις διαφ. 48-64 και 64-73) από μάθημα Π. Τσαπάρα (Παν. Ιωαννίνων).

  Προτεινόμενη μελέτη: [MMDS] κεφ. 6 (link) [ενότητες 6.3, 6.4].
  

  Δείτε ακόμη: [TSKK] κεφ. 6 (link) (ενότητα 6.5).

  
  

  Κατακερματισμός (hashing) I

  (διαφάνειες U. Zwick [1-19] από μάθημα Advanced Algorithms, Tel Aviv University): 
  

  • Κλειστή και ανοιχτή διευθυνσιοδότηση. Universal hash families. Αλυσίδωση.
  • Παράγοντας φόρτου και επίδρασή του στον χρόνο εκτέλεσης.

  Προτεινόμενη μελέτη: σημειώσεις (και αναφορές που περιέχονται).