Εισαγωγή στην Επιστήμη των Δεδομένων και την Μηχανική Μάθηση

• Δεδομένα που προκύπτουν από πειραματικές μετρήσεις, δεδομένα από επιστημονικές βάσεις και το διαδίκτυο, δημιουργία δεδομένων προσομοιώσεων.
• Εισαγωγή δεδομένων σε περιβάλλον γλώσσας προγραμματισμού Python - notebooks. Λίστες, λεξικά, ροή ελέγχου, βιβλιοθήκες με εργαλεία μηχανικής μάθησης (scikit-learn, pandas, statsmodels, keras, κ.α.) και απεικόνισης δεδομένων (matplotlib).
• Η διαδικασία επιλογής χαρακτηριστικών, υπερ-παραμετροποίηση, ανάλυση φαινομένων σε πολλές διαστάσεις, κανονικοποίηση, μείωση διαστάσης, τεχνικές αυτοσυσχέτισης.
• Γραμμική Παλινδρόμηση: Βασικές υποθέσεις, μέθοδοι εκτίμησης, ερμηνεία παραμέτρων, Πολλαπλή Παλινδρόμηση. Εφαρμογές παλινδρόμησης σε δεδομένα φυσικών φαινομένων.
• Λογιστική Παλινδρόμηση, σιγμοειδής καμπύλη, υπερβολική εφαπτομένη. Kernel Ridge Regression, Lasso Regression.
• Διασταυρωμένη επικύρωση k-τμημάτων, αλγόριθμος k-Fold.
• Αλγόριθμος Principal Component Analysis για επιλογή βέλτιστων εισόδων, έλεγχος ακρίβειας, απόλυτο και μέσο τετραγωνικό σφάλμα, ελαχιστοποίηση συνάρτησης σφάλματος, κάθοδος με κλίση, στοχαστική κάθοδος, ρυθμός μάθησης.
• Δένδρα απόφασης, διαχωρισμός δεδομένων με Support Vector Machines, αλγόριθμος Random Forest.
• Μηχανές Support Vector Machines, επιτάχυνση, εκτίμηση πυκνότητας πιθανότητας, δίκτυα Bayes.
• Κατηγορίες Μηχανικής Μάθησης: Μάθηση υπό επίβλεψη, Μάθηση χωρίς επίβλεψη, Μάθηση με ενίσχυση, ανταγωνιστική μάθηση.
• Ομαδοποίηση (clustering), κατασκευή χάρτη δεδομένων, αλγόριθμος k-μέσων, αλγόριθμος Learning Vector Quantization.
• Βαθιά Μάθηση, σύνθετα δίκτυα, δίκτυα με συνέλιξη και ανατροφοδότηση.
• Εφαρμογές στο εργαστήριο: προχωρημένες έννοιες προγραμματισμού με Python.

[Σύντομα θα προστεθεί η σχετική πληροφορία]