Ειδικά Θέματα Βάσεων Χωρικών και Χρονικών Δεδομένων και Εξόρυξης Γνώσης

Εισαγωγή

Η εξέλιξη της τεχνολογίας έχει συμβάλλει σημαντικά στη συσσώρευση τεράστιων όγκων δεδομένων. Αντικείμενο του μαθήματος είναι η μελέτη τεχνικών διαχείρισης, και ανάλυσης μεγάλων Βάσεων Χωρικών και Χρονικών Δεδομένων. Στόχος της ανάλυσης των δεδομένων αυτών είναι η κατανόηση προτύπων, η εύρεση ομοιοτήτων, ο προσδιορισμός συσχετίσεων, ομαλοτήτων, και ανωμαλιών. Οι τεχνικές διαχείρησης είναι απαραίτητες για την αποδοτική επεξεργασία και αποθήκευση των δεδομένων. Τέτοιου είδους δεδομένα συγκεντρώνονται καθημερινά από οργανισμούς, ερευνητικά κέντρα, νοσοκομεία, επιχειρήσεις, κ.λ.π.. Λόγω της φύσης αυτών των δεδομένων οι εφαρμογές ποικίλουν, όπως για παράδειγμα διάγνωση στον τομέα της ιατρικής, πρόβλεψη και στήριξη λήψης αποφάσεων στον επιχειρησιακό/χρηματιστηριακό τομέα, κ.λ.π.. Το μάθημα εξετάζει εφαρμογές αυτών των τεχνικών σε Βάσεις Βιοϊατρικών Δεδομένων.

Θέματα

• Εισαγωγή σε βασικές μεθόδους επεξεργασίας σημάτων (DFT, wavelets)
• Προεπεξεργασία δεδομένων
• Εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών, μείωση διαστατικότητας (Singular value decomposition)
• Μέθοδοι συμπίεσης δεδομένων (scalar and vector quantization, lossless and lossy compression)
• Ευρετήρια Χωρικών δεδομένων (Spatial Access Methods - k-d trees, quadtrees, z-ordering, space filing curves, R-trees)
• Ευρετήρια πολυμέσων γενικής χρήσης, GEMINI approach
• Βάσεις χωρικών και χρονικών δεδομένων
• Τεχνικές searching by content σε Βάσεις Πολυμέσων – χρονοσειρές, εικόνες, video
• Fractals σε Βάσεις Δεδομένων – self-similarity δεδομένων, fractal dimension
• Εξόρυξη γνώσης από Βάσεις Χωρικών και Χρονικών Δεδομένων
• Τεχνικές Ομαδοποίησης, Ταξινόμησης και Πρόβλεψης (clustering, classification, prediction)
• Δέντρα απόφασης
• Ανακάλυψη συσχετίσεων - Bayesian Networks
• Εφαρμογές σε Βάσεις Βιοϊατρικών Δεδομένων

Βιβλιογραφία

-Βιβλία

• R. Ramakrishnan, J. Gehrke, Database Management Systems, McGraw-Hill 2002
• J. Han and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, Second Edition, 2006.
• C. Faloutsos, Searching Multimedia Databases by Content, Kluwer Academic Press, 1996.
• T. Mitchell, Machine Learning, McGraw Hill, 1997.
• V.S. Subrahmanian, Principles of Multimedia Database Systems, Morgan Kaufmann Publishers, 1998.
• S. Jajodia, Multimedia Database Systems, Springer-Verlag, 2000.

- Επιλεγμένες δημοσιεύσεις και σημειώσεις σχετικές με τα θέματα είναι διαθέσιμες από την ιστοσελίδα του μαθήματος

Εξέταση του μαθήματος

- Project - 40%

- Προφορική εξέταση - 30%

- Παρουσίαση μιας από τις επιλεγμένες δημοσιεύσεις - 20%

- Περίληψη των επιλεγμένων δημοσιεύσεων - 10%

Project:

O στόχος του project είναι να δώσει στους διδασκόμενους την ευκαιρία να ασχοληθούν με ένα ενδιαφέρον πρόβλημα το οποίο μπορεί να οδηγήσει σε δημοσίευση. Στο project θα υπάρχει στενή επίβλεψη από το διδάσκοντα. Ο διδάσκων θα προτείνει διάφορα ερευνητικά projects. Μετά από την επιλογή του project ο κάθε φοιτητής θα υποβάλλει μια πρόταση η οποία θα αξιολογηθεί και σε συνενόηση με το διδάσκοντα θα οριστούν οι στόχοι της ερευνητικής εργασίας. Μετά την αποπεράτωση της εργασίας θα πρέπει να υποβάλλεται μια αναφορά και θα παρουσιάζεται η εργασία των φοιτητών.