Ανάλυση Δεδομένων

Το μάθημα καλύπτει μεθόδους ανάλυσης και κατηγοριοποίησης μεγάλου όγκου δεδομένων από θεωρητικής και πρακτικής σκοπιάς, καθώς και την  ανάλυση και άλλων συναφών τεχνικών και την εφαρμογή τους στην ανάλυση δεδομένων, την εξόρυξης πληροφορίας και την μηχανική μάθηση. Οι φοιτητές θα κληθούν να αντιμετωπίσουν πραγματικά προβλήματα πρόβλεψης, κατηγοριοποίησης, αλλά και ομαδοποίησης δεδομένων.

Για την ανάλυση και κατηγοριοποίηση μεγάλου όγκου δεδομένων βασικό εργαλείο αποτελούν οι τεχνικές που βασίζονται στην μείωσης των διαστάσεων του προβλήματος. Γενικά, η ιδέα  που διέπει τις μεθόδους αυτές είναι η ανάλυση (μετασχηματισμός) των δεδομένων σε ένα πεπερασμένο διανυσματικό χώρο με βάση ποιοτικά χαρακτηριστικά  τους, και στην συνέχεια  την επιλογή των σημαντικότερων εξ’ αυτών.  Χαρακτηριστικά παραδείγματα αποτελούν τα ελάχιστα τετράγωνα, η  SVD (Singular Value Decomposition) αλλά και η ανάλυση Fourier, με στοχαστικά ανάλογα τους, την γραμμική παλινδρόμιση, την PCA (Principal Component Analysis) και την SA (Spectral Analysis).

Δεν υπάρχει ουσιαστική προαπαιτούμενη γνώση, καθώς χρησιμοποιούνται βασικές γνώσεις Γραμμική Άλγεβρας, Στατιστικής και Πιθανοτήτων.  Επαρκεί επίσης η δυνατότητα προγραμματισμού σε οποιαδήποτε γλώσσα, ενώ θα γίνει επισκόπηση ειδικών γλωσσών.