Section outline

  • Collapse Expand

    Ακαδημαϊκό Έτος 2024-2025

    Collapse all Expand all

    Το μάθημα προσφέρεται στους σπουδαστές 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


    Βιβλιογραφία



  • Collapse Expand

    1η διάλεξη

    Διάλεξη 14/2

  • Collapse Expand

    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).

  • Collapse Expand

    3η διάλεξη

    Διάλεξη 10/3

    Data Mining II

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

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

  • Collapse Expand

    4η Διάλεξη

    Διάλεξη 14/3

    Data Mining III

    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).

  • Collapse Expand

    5η Διάλεξη

    Διάλεξη 21/3

    Κατακερματισμός (hashing) II

    (διαφάνειες U. Zwick [20-54] από μάθημα Advanced Algorithms, Tel Aviv University): 

    • Επιθυμητές ιδιότητες. Καθολικότητα και k-ανεξαρτησία. Carter-Wegman Universal hash family. 
    • Ανάλυση χρόνου βασικών πράξεων στην κλειστή και ανοιχτή διεθυνσιοδότηση.
    • Μέθοδοι διερεύνησης στην ανοιχτή διευθυνσιοδότηση: γραμμική, τετραγωνική, διπλός κατακερματισμός.
    • Τέλειος κατακερματισμός (perfect hashing). Κατακερματισμός κούκου (Cuckoo hashing). 

    Προτεινόμενη μελέτη: σημειώσεις (και αναφορές που περιέχονται).

  • Collapse Expand

    6η Διάλεξη

    Διάλεξη 28/3

    Σύντομη επισκόπηση του clustering

    Clustering Techniques, The curse of dimensionality, Hierarchical clustering, K-means(Διαφάνειες, 1-31).

    Προτεινόμενη μελέτη: [MMDS] Ενότητες: 7.1, 7.2, 7.3.
    Περαιτέρω μελέτη:      [TSKK]  Κεφάλαιο 7

  • Collapse Expand

    7η Διάλεξη

    Διάλεξη 4/4

    Σύντομη επισκόπηση του clustering

    Recommendation Systems I

    • The long Tail, Utility Matrix, Content Based Recommendation Systems, Item Profile, User Profile.

        

    Προτεινόμενη μελέτη: [MMDS] Κεφάλαιο: 9 

  • Collapse Expand

    8η Διάλεξη

    Διάλεξη 11/4

    Recommendation Systems II

    Collaborative Filtering, Finding Similar Users, Rating prediction, User - User , Item - Item

    Hybrid Methods, Combining Global Baseline estimate and Collaborative Filtering

        

         Προτεινόμενη μελέτη: [MMDS] Κεφάλαιο: 9

  • Collapse Expand

    9η Διάλεξη

    Διάλεξη 2/5

    Community Detection Ι

    • Εισαγωγή σε community detection. Edge Betweeness και Modularity 
    • Αλγόριθμος Girvan-Newman
         Διαφάνειες (1-23)

         Προτεινόμενη μελέτη: [MMDS] 10.1 και 10.2

    • Αλγόριθμος Louvain

         Διαφάνειες (27-37)

         Προτεινόμενη μελέτη: σχετικό paper


    • Trawling (Frequent itemsets based community detection)

         Διαφάνειες (57-64)

  • Collapse Expand

    10η Διάλεξη

    Διάλεξη 9/5

    Community Detection II

    • Εντοπισμός κοινοτήτων μέσω ιδιοτιμών γράφων, spectral clustering. 
         Διαφάνειες (24-56, οι διαφ. 44-47 συνοπτικά).
         Προτεινόμενη μελέτη: [MMDS] 10.4


    • Εντοπισμός επικαλυπτόμενων κοινοτήτων με μεγιστοποίηση πιθανοφάνειας (MLE). Αλγόριθμος BigCLAM.
         Διαφάνειες. 
         Προτεινόμενη μελέτη: [MMDS]  10.5


  • Collapse Expand

    11η Διάλεξη

    Διάλεξη 16/05/2025

    Link Analysis

    Definition of Page Rank, Structure of the Web 

    Power Iteration method, Avoiding Dead Ends, Spider Traps and Taxation Efficient Computation of Page Rank, Efficient Approaches to Page Rank Iteration 

    Διαφάνειες, 1-46

    Προτεινόμενη μελέτη: [MMDS] Κεφάλαιο: 5



  • Collapse Expand

    12η Διάλεξη

    Διάλεξη 23/5

    Link Analysis

    Random Teleports, Computing Page Rank (Matrix Formulation, Rearranging the Equation, Sparse Matrix Formulation and Enconding, Block stripe Analysis)  

    Διαφάνειες, 46-60

    Topic Specific Page Rank,  Measuring Proximity in Graphs (Διαφάνειες 6-35)

    Προτεινόμενη μελέτη: [MMDS] Κεφάλαιο 5

    Advertising on the web  

          Adwords problem, the Balance Algorithm                                                                      

          Διαφάνειες (1-32)

          Προτεινόμενη μελέτη: [MMDS] Κεφάλαιο 8