Στις μέρες μας, ένας τεράστιος όγκος δεδομένων είναι διαθέσιμος διαδικτυακά. Τα δεδομένα αυτά, πολλές φορές, είναι σημαντικής αξίας για τις αποφάσεις που καλούνται να πάρουν τα διοικητικά ή οικονομικά στελέχη των επι-χειρήσεων ενώ η φύση, η δομή και ο όγκος των δεδομένων καθιστά αναποτελεσματική και μη εφικτή την ανάλυσή τους με παραδοσιακές μεθόδους. Έτσι, τα σημερινά στελέχη επιχειρήσεων καλούνται να λάβουν αποφάσεις μέσα σε ένα ραγδαία εξελισσόμενο περιβάλλον όπου τα δεδομένα αυξάνονται με εκθετικό ρυθμό. Για το λόγο αυτό κα-λούνται να συνεργαστούν με υψηλόβαθμα στελέχη πληροφορικής, ειδικούς σε θέματα αναλυτικής και λήψης αποφάσεων κλπ. Από τα παραπάνω καταδεικνύεται ότι τα σημερινά στελέχη επιχειρήσεων έχουν ανάγκη να διαθέτουν ένα ισχυρό υπόβαθρο γνώσεων και δεξιοτήτων σε σχέση με την αναλυτική μέσω του διαδικτύου.

Ο σκοπός του μαθήματος είναι να προσφέρει στους/στις φοιτητές/τριες ένα αρχικό αλλά συνεκτικό πλαίσιο γνώσεων και δεξιοτήτων αναφορικά με την εξόρυξη δεδομένων και τις εφαρμογές της στο χώρο των επιχειρήσεων.

Οι βασικοί στόχοι του μαθήματος είναι να:

•  κατανοήσουν οι φοιτητές/τριες του τμήματος τις βασικές ιδέες και μεθόδους της εξόρυξης δεδομένων.
•  αποκτήσουν δεξιότητες εξόρυξης δεδομένων μέσα από πραγματικά παραδείγματα και εφαρμογές από το χώρο των επιχειρήσεων.

Το μάθημα περιλαμβάνει τα εξής βασικά μέρη:

•  Χαρακτηριστικά των δεδομένων.
•  Μετασχηματισμοί δεδομένων και μείωση διαστάσεων.
•  Δένδρα αποφάσεων.
•  Κανόνες συσχέτισης.
•  Συσταδοποίηση (ιεραρχική και μη ιεραρχική).
•  Πρόβλεψη.
•  Προσδιορισμός ανωμαλιών στα δεδομένα.

Οι ενότητες του μαθήματος είναι οι εξής:

1. Εισαγωγή στην εξόρυξη δεδομένων (εφαρμογές, προκλήσεις).
2. Η δομή ενός έργου εξόρυξης δεδομένων (στάδια, εμπλεκόμενοι, ρόλοι).
3. Είδη δεδομένων και τρόποι συλλογής.
4. Αναπαράσταση, μετασχηματισμοί δεδομένων και μείωση διαστάσεων.
5. Μέθοδοι πρόγνωσης και κατηγοριοποίησης (Πολλαπλή παλινδρόμηση, δένδρα αποφάσεων, λογιστική παλινδρόμηση, διακριτική ανάλυση).
6. Εξόρυξη σχέσεων από δεδομένα (κανόνες συσχέτισης, συσταδοποίηση).
7. Πρόγνωση (πρόγνωση από χρονοσειρές και παλινδρόμηση, μέθοδοι εξομάλυνσης).
8. Προσδιορισμός ανωμαλιών στα δεδομένα.

Μετά την παρακολούθηση του μαθήματος, οι φοιτητές και φοιτήτριες του Τμήματος θα είναι σε θέση να:

•  αντιλαμβάνονται τη σπουδαιότητα που έχει η έγκαιρη και στοχευμένη ανάλυση των δεδομένων για τη βελτίωση των επιχειρησιακών αποφάσεων.
•  αναγνωρίζουν τα στάδια ενός έργου εξόρυξης δεδομένων.
•  Προσεγγίζουν αναλυτικά τα επιχειρησιακά προβλήματα και να εκτελούν τη δική τους έρευνα αναφορικά με την εξόρυξη δεδομένων.
•  Αντιλαμβάνονται και να επιλέγουν τα πιο πρόσφορα εργαλεία της εξόρυξης δεδομένων προκειμένου να επιλύσουν ένα πρόβλημα.

•  Tan, P-N, Steinbach, M., Karpatne, A. και Kumar, V. (2018). Εισαγωγή στην Εξόρυξη Δεδομένων, 2η έκδοση, Εκδόσεις Τζιόλα.
•  Zaki, M.J. και Meira Jr., W. (2017). Εξόρυξη και ανάλυση δεδομένων, Εκδόσεις Κλειδάριθμος.
•  Hofimann, M. and Klinkenberg, R. (2014). Rapid Miner. Data Mining Use Cases and Business Analytics Applications, Chapman & Hall/CRC.
•  Kotu, V. and Deshpande, B. (2015). Predictive Analytics and Data Mining, Elsevier.