Undergraduate Programmes
Πτυχίο στην Επιστήμη Δεδομένων
Το Πτυχίο στην Επιστήμη Δεδομένων παρέχει μια περιεκτική βάση σε στατιστικές, μαθηματικές και υπολογιστικές μεθόδους για προχωρημένη ανάλυση δεδομένων. Είναι σχεδιασμένο ούτως ώστε να καλύψει την αυξανόμενη παγκόσμια ζήτηση για επαγγελματίες της επιστήμης των δεδομένων και ποσοτικούς αναλυτές. Το πρόγραμμα εφοδιάζει τους/ις φοιτητές/τριες με σύγχρονες τεχνικές στην εξόρυξη, διαχείριση και ανάλυση δεδομένων, τη μηχανική μάθηση και την υπολογιστική στατιστική. Μέσω της συνεργασίας μεταξύ ακαδημαϊκών Τμημάτων του ΤΕΠΑΚ που σχετίζονται με επιστήμη υπολογιστών και πληροφορική, οι φοιτητές/τριες αποκτούν εκπαίδευση που συνδυάζει ενδελεχή μαθηματική και υπολογιστική εκπαίδευση με πρακτικές δεξιότητες σε συστήματα δεδομένων, προγραμματισμό, βελτιστοποίηση και εφαρμοσμένη ανάλυση. Αυτή η προσέγγιση επιτρέπει στους απόφοιτους να αντιμετωπίσουν σύνθετες προκλήσεις που σχετίζονται με μεγάλες και σύνθετες βάσεις δεδομένων σε διάφορους τομείς της βιομηχανίας. Η μοναδικότητα του προγράμματος ως το πρώτο του είδους του που προσφέρεται από δημόσιο πανεπιστήμιο στην Κύπρο διασφαλίζει πληθώρα ευκαιριών καριέρας σε αυτόν τον συνεχώς εξελισσόμενο τομέα, τόσο στην Κύπρο όσο και στο εξωτερικό.
ΠΡΟΟΠΤΙΚΕΣ ΑΠΑΣΧΟΛΗΣΗΣ ΤΩΝ ΑΠΟΦΟΙΤΩΝ
Οι προοπτικές απασχόλησης περιγράφονται ως ακολούθως ως προς το προφίλ ικανοτήτων των αποφοίτων:
Επιστήμη δεδομένων: Η έμφαση δίνεται στην ανάπτυξη προηγμένων ποσοτικών δεξιοτήτων για την ανάλυση δεδομένων, με έμφαση στην υπολογιστική στατιστική και τη διαχείριση δεδομένων. Το προφίλ των αποφοίτων είναι ιδανικό για ρόλους όπως αναλυτής δεδομένων, μηχανικός δεδομένων, αναλυτής επιχειρηματικής ευφυΐας, μηχανικός μηχανικής μάθησης, διαχειριστής βάσεων δεδομένων, αναλυτής έρευνας αγοράς, καθώς και για υποστήριξη σε τομείς όπως η επιδημιολογία και η παρακολούθηση της κλιματικής αλλαγής.
ΓΙΑΤΙ ΠΤΥΧΙΟ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ
Η Επιστήμη Δεδομένων αποτελεί έναν δυναμικά αναπτυσσόμενο κλάδο με πολλές προοπτικές άμεσης και υψηλά αμειβόμενης απασχόλησης. Ορισμένοι από τους λόγους για τους οποίους κάποιος μπορεί να επιλέξει να σπουδάσει στον τομέα αυτό είναι οι εξής:
Αυξημένη ζήτηση στην αγορά εργασίας:
Η επιστήμη δεδομένων είναι ένα γνωστικό αντικείμενο και πεδίο έρευνας που αναμένεται να προσφέρει πολλές ευκαιρίες απασχόλησης στους αποφοίτους του. Οι θέσεις εργασίας είναι ποικίλες και περιλαμβάνουν ρόλους όπως ποσοτικοί αναλυτές και επιστήμονες δεδομένων σε εταιρείες τεχνολογίας και πληροφορικής. Σε παγκόσμιο επίπεδο, οι εταιρείες αναζητούν ειδικούς στην επεξεργασία, ανάλυση και αξιοποίηση δεδομένων για την ανάπτυξη καινοτόμων προϊόντων και υπηρεσιών μέσω της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης, προκειμένου να λάβουν πιο ενημερωμένες και ορθολογικές αποφάσεις πριν από την ανάπτυξη στρατηγικών.
Σύμφωνα με πρόσφατες έρευνες, η ικανότητα ανάλυσης δεδομένων και εξαγωγής πολύτιμης γνώσης από αυτά θεωρείται εξαιρετικά σημαντική και κατατάσσεται σταθερά ανάμεσα στις είκοσι πιο απαραίτητες δεξιότητες (hard skills) για την εξεύρεση εργασίας που ζητούν οι εργοδότες. Επιπλέον, το επάγγελμα του αναλυτή και επιστήμονα δεδομένων κατατάσσεται σταθερά ανάμεσα στα πιο περιζήτητα επαγγέλματα.
Προοπτικές υψηλών αποδοχών:
Οι επιστήμονες δεδομένων κατατάσσονται ανάμεσα στους καλύτερα αμειβόμενους επαγγελματίες, κυρίως λόγω των εξειδικευμένων γνώσεων που απαιτούνται και της σημαντικής προστιθέμενης αξίας που προσφέρουν στις εταιρείες και οργανισμούς όπου εργάζονται.
Συνδυασμός τεχνικών και επιχειρηματικών δεξιοτήτων:
Η επιστήμη δεδομένων ενσωματώνει στατιστική ανάλυση, γνώσεις προγραμματισμού και επιχειρηματική στρατηγική. Στόχος της είναι να εντοπίσει και να επιλύσει τα προβλήματα που αντιμετωπίζουν επιχειρήσεις και οργανισμοί, χρησιμοποιώντας μια διεπιστημονική προσέγγιση που περιλαμβάνει πλήθος στοιχείων και δεδομένων. Συνδυάζει επιστήμες όπως τα μαθηματικά, τη στατιστική, την επιστήμη των υπολογιστών, την επιχειρησιακή έρευνα, καθώς και τη διοίκηση και επιχειρηματικότητα.
Λύση σύγχρονων προβλημάτων:
Πολλά από τα σημαντικότερα σύγχρονα προβλήματα, όπως η λήψη οικονομικών και επενδυτικών αποφάσεων, η κλιματική αλλαγή, η υγεία και η διαχείριση ενέργειας, μπορούν να αντιμετωπιστούν πιο αποτελεσματικά μέσω της ανάλυσης μεγάλων δεδομένων. Χρησιμοποιώντας τις προαναφερόμενες επιστήμες, όπως η υπολογιστική στατιστική, τα μαθηματικά, η επιστήμη υπολογιστών και η πληροφορική, και εξετάζοντας τα προβλήματα από πολλές οπτικές γωνίες, ο επιστήμονας δεδομένων προσπαθεί να επιλύσει διάφορα κοινωνικά ή άλλα ζητήματα μέσω της κατανόησης των δεδομένων. Αυτό περιλαμβάνει τον εντοπισμό μοτίβων και τάσεων, καθώς και τη δημιουργία αλγορίθμων, προγραμμάτων και καινοτόμων ή έξυπνων εφαρμογών.
Βασικά Χαρακτηριστικά
| Απονεμόμενος Τίτλος | Πτυχίο (BSc) στην Επιστήμη Δεδομένων |
| Διάρκεια | 4 έτη (8 εξάμηνα), πλήρους φοίτησης |
| Πιστωτικές Μονάδες | 240 ECTS |
| Επίπεδο | Προπτυχιακό (πρώτου κύκλου) |
| Πρώτη Εισαγωγή | 2025 |
| Γλώσσα | Ελληνικά (το πρόγραμμα περιλαμβάνει ειδικά μαθήματα στην αγγλική γλώσσα) |
| Πρακτική Άσκηση | Προαιρετική Πρακτική Άσκηση / Πρακτική Εξάσκηση (DSC_400) |
Μαθησιακά Αποτελέσματα
Γνώσεις
Με την επιτυχή ολοκλήρωση του προγράμματος, οι απόφοιτοι αναμένεται να:
- Κατανοούν τα βασικά μαθηματικά και στατιστικά θεμέλια της επιστήμης δεδομένων, συμπεριλαμβανομένου του απειροστικού λογισμού, της γραμμικής άλγεβρας και του υπολογισμού πινάκων, των πιθανοτήτων, της επαγωγικής στατιστικής και της παλινδρόμησης.
- Εξηγούν τις αρχές του προγραμματισμού υπολογιστών και των σύγχρονων εργαλείων της επιστήμης δεδομένων, συμπεριλαμβανομένου του αντικειμενοστρεφούς προγραμματισμού, της SQL, της Python, της R και του ελέγχου εκδόσεων.
- Περιγράφουν τις κύριες έννοιες, τεχνικές και εφαρμογές της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της στατιστικής (πολυμεταβλητής και Μπεϋζιανής) μάθησης.
- Κατανοούν μεθόδους για τη διαχείριση δεδομένων, τον σχεδιασμό βάσεων δεδομένων, την εξόρυξη δεδομένων και κειμένου, και την οπτικοποίηση δεδομένων.
- Αναγνωρίζουν τον ρόλο της βελτιστοποίησης, της οικονομετρίας, της θεωρίας γραφημάτων/δικτύων και της θεωρίας παιγνίων στην ανάλυση σύνθετων ποσοτικών προβλημάτων.
Δεξιότητες
Με την επιτυχή ολοκλήρωση του προγράμματος, οι απόφοιτοι αναμένεται να είναι σε θέση να:
- Σχεδιάζουν, υλοποιούν και τεκμηριώνουν προγράμματα και ροές επεξεργασίας δεδομένων χρησιμοποιώντας σύγχρονες γλώσσες και εργαλεία.
- Εφαρμόζουν στατιστικές μεθόδους και μεθόδους μηχανικής μάθησης για τη μοντελοποίηση δεδομένων, την αξιολόγηση των αποτελεσμάτων και την κριτική ερμηνεία τους.
- Δημιουργούν και υποβάλλουν ερωτήματα σε βάσεις δεδομένων και επεξεργάζονται μεγάλα, μη δομημένα σύνολα δεδομένων, συμπεριλαμβανομένου κειμένου.
- Διατυπώνουν και επιλύουν προβλήματα βελτιστοποίησης και λήψης αποφάσεων που σχετίζονται με τις επιχειρήσεις, τα οικονομικά και τη διοίκηση.
- Επικοινωνούν αποτελεσματικά τα αναλυτικά αποτελέσματα μέσω της οπτικοποίησης και της τεχνικής γραφής, μεταξύ άλλων στα αγγλικά για ένα επαγγελματικό κοινό της επιστήμης δεδομένων.
Ικανότητες
Με την επιτυχή ολοκλήρωση του προγράμματος, οι απόφοιτοι αναμένεται να:
- Συνδυάζουν τεχνικές και επιχειρηματικές δεξιότητες για την επίλυση σύγχρονων, πραγματικών προβλημάτων μέσω της ανάλυσης δεδομένων.
- Εργάζονται αυτόνομα σε ένα εκτεταμένο ερευνητικό έργο (διατριβή) και διεξάγουν έρευνα σε προηγμένο επίπεδο.
- Εφαρμόζουν τις μεθόδους της επιστήμης δεδομένων υπεύθυνα, με επίγνωση των ηθικών θεωρήσεων στην ανάλυση και την τεχνητή νοημοσύνη.
- Προσαρμόζονται σε αναδυόμενες τεχνικές και εργαλεία και συνεχίζουν να μαθαίνουν σε έναν ταχέως εξελισσόμενο τομέα.
- Εντάσσονται στην επαγγελματική αγορά εργασίας και συνεισφέρουν σε αναλυτικούς και ποσοτικούς ρόλους σε όλους τους τομείς.
Το πρόγραμμα οργανώνεται σε τέσσερα έτη (οκτώ εξάμηνα), 240 ECTS, με 30 ECTS ανά εξάμηνο. Κάθε έτος συνδυάζει υποχρεωτικά (βασικά) μαθήματα με μαθήματα επιλογής από την Επιστήμη Δεδομένων (DSC) και συναφή μαθήματα Μηχανικής Υπολογιστών και Πληροφορικής (CEI, CIS). Όλα τα διδασκόμενα μαθήματα φέρουν 6 ECTS· η πρακτική άσκηση (ή δύο μαθήματα επιλογής) φέρει 12 ECTS και η διατριβή εκπονείται σε δύο μέρη των 6 ECTS.
Έτος 1 — Εξάμηνο 1
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_111 | Πιθανότητες και Στατιστική | 6 |
| DSC_110 | Απ. Λογισμός και Εφαρμογές | 6 |
| DSC_112 | Εισαγωγή στην Υπολογιστική και τον Προγραμματισμό | 6 |
| DSC_113 | Προγραμματισμός για Επιστήμη Δεδομένων | 6 |
| LCE_138 | Αγγλικά για Επιστήμη Δεδομένων I | 6 |
Έτος 1 — Εξάμηνο 2
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_121 | Επαγωγική Στατιστική και Ανάλυση Παλινδρόμησης | 6 |
| DSC_120 | Άλγεβρα Πινάκων και Υπολογισμοί | 6 |
| DSC_122 | Προχωρημένες Έννοιες Προγραμματισμού | 6 |
| DSC_123 | Εισαγωγή στη Στατιστική Επιστήμη Δεδομένων | 6 |
| LCE_139 | Αγγλικά για Επιστήμη Δεδομένων ΙΙ | 6 |
Έτος 2 — Εξάμηνο 3
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_211 | Εισαγωγή στην Οικονομετρία | 6 |
| DSC_210 | Υπολογιστική Βελτιστοποίηση | 6 |
| DSC_212 | Τεχνητή Νοημοσύνη και Μηχανική Μάθηση | 6 |
| DSC_213 | Θεωρία Γραφημάτων και Δίκτυα | 6 |
| — | Μάθημα Επιλογής (DSC, CEI ή CIS) | 6 |
Έτος 2 — Εξάμηνο 4
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_220 | Διοικητική Επιστήμη | 6 |
| DSC_221 | Θεωρία Παιγνίων | 6 |
| DSC_223 | Οπτικοποίηση Δεδομένων | 6 |
| — | Μάθημα Επιλογής (DSC, CEI ή CIS) | 6 |
| — | Μάθημα Επιλογής | 6 |
Έτος 3 — Εξάμηνο 5
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_311 | Μπεϋζιανή Μοντελοποίηση | 6 |
| DSC_312 | Πολυμεταβλητές Μέθοδοι και Στατιστική Μάθηση | 6 |
| DSC_313 | Βάσεις Δεδομένων | 6 |
| — | Μάθημα Επιλογής (DSC, CEI ή CIS) | 6 |
| — | Μάθημα Επιλογής | 6 |
Έτος 3 — Εξάμηνο 6
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_320 | Εξόρυξη Δεδομένων και Κειμένου | 6 |
| DSC_332 | Στατιστική Μηχανική Μάθηση | 6 |
| — | Μάθημα Επιλογής (DSC, CEI ή CIS) | 6 |
| — | Μάθημα Επιλογής (DSC, CEI ή CIS) | 6 |
| — | Μάθημα Επιλογής | 6 |
Έτος 4 — Εξάμηνο 7
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_410 | Υπολογιστική Στατιστική και Οικονομετρία | 6 |
| DSC_411 | Προχωρημένα Θέματα στην Επιστήμη Δεδομένων | 6 |
| DSC_400 | Πρακτική Άσκηση (ή δύο μαθήματα επιλογής) | 12 |
| DSC_450 | Διατριβή (Μέρος Α) | 6 |
Έτος 4 — Εξάμηνο 8
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_421 / DSC_422 | Προχωρημένα Θέματα στην Επιστήμη των Στατιστικών Δεδομένων / Προχωρημένα Θέματα στη Στατιστική | 6 |
| DSC_450 | Διατριβή (Μέρος Β) | 6 |
| — | Μαθήματα Επιλογής ×2 (DSC, CEI_467, CEI_524, CIS_456, CIS_458, CIS_459, CIS_473) | 12 |
| — | Μάθημα Επιλογής | 6 |
Μαθήματα Επιλογής
Τα μαθήματα επιλογής επιλέγονται από την Επιστήμη Δεδομένων (DSC) και συναφή μαθήματα Μηχανικής Υπολογιστών και Πληροφορικής (CEI, CIS). Κάθε μάθημα φέρει 6 ECTS.
| Κωδικός | Μάθημα | ECTS |
|---|---|---|
| DSC_350 | Στοχαστικές Ανελίξεις | 6 |
| DSC_351 | Γραμμικά και Γενικευμένα Γραμμικά Μοντέλα | 6 |
| DSC_440 | Προχωρημένη Γραμμική Μοντελοποίηση και Ταξινόμηση | 6 |
| DSC_441 | Ανάλυση Χρονοσειρών | 6 |
| DSC_115 | Απειροστικός Λογισμός Ι | 6 |
| DSC_116 | Απειροστικός Λογισμός ΙΙ | 6 |
| DSC_117 | Γραμμική Άλγεβρα Ι | 6 |
| DSC_217 | Γραμμική Άλγεβρα ΙΙ | 6 |
| DSC_401 | Προχωρημένη Μη Παραμετρική Στατιστική | 6 |
| DSC_402 | Στατιστική Υψηλών Διαστάσεων | 6 |
| DSC_403 | Μέθοδοι Πυρήνων και Μάθηση σε Χώρους Hilbert | 6 |
| DSC_404 | Επιβλεπόμενη και Μη Επιβλεπόμενη Μείωση Διάστασης | 6 |
| CEI_467 | Προχωρημένα Θέματα Συστημάτων Επεξεργασίας Δεδομένων | 6 |
| CEI_524 | Επιστήμη των Δικτύων | 6 |
| CIS_306 | Μεθοδολογίες Έρευνας Βασισμένες στο Διαδίκτυο | 6 |
| CIS_456 | Ανάκτηση Πληροφοριών και Μηχανές Αναζήτησης | 6 |
| CIS_458 | Διαδίκτυο των Πραγμάτων και Κινητές Εφαρμογές | 6 |
| CIS_459 | Επεξεργασία Φυσικής Γλώσσας | 6 |
| CIS_473 | Συλλογική Νοημοσύνη | 6 |
Μαθήματα επιλογής μπορούν επίσης να επιλεγούν από τις κατευθύνσεις Επιστήμης Δεδομένων για Οικονομικά και Διοίκηση, Χρηματοοικονομικών και Λογιστικής, καθώς και από μαθήματα Πληροφορικής (CEI ή CIS).
Η πρόσβαση στο εν λόγω πρόγραμμα σπουδών θα γίνεται μέσω του πλαισίου πρόσβασης υπ’ αριθμό 23.
Τρόπος Διδασκαλίας
Το πρόγραμμα συνδυάζει θεωρητικές βάσεις με εκτεταμένη πρακτική, υπολογιστική εξάσκηση. Οι φοιτητές μαθαίνουν μέσα από διαλέξεις, εργαστηριακή εργασία και εργασία βασισμένη σε λογισμικό, έργα και περιπτωσιολογικές μελέτες, προαιρετική πρακτική άσκηση και ατομική διατριβή στο τελευταίο έτος.
Εργαλεία και Πρακτική
Η πρακτική εργασία αξιοποιεί σύγχρονα εργαλεία και γλώσσες της επιστήμης δεδομένων που χρησιμοποιούνται σε όλο το πρόγραμμα σπουδών, συμπεριλαμβανομένων των SQL, Python, R, Java και Git, καθώς και στατιστικά πακέτα λογισμικού για την εφαρμοσμένη στατιστική και τη μηχανική μάθηση.
Εργασία σε Έργα και Έρευνα
Πέρα από τα μαθήματα, οι φοιτητές εκπονούν ατομική διατριβή (DSC_450), η οποία διεξάγεται καθ’ όλη τη διάρκεια του τελευταίου έτους υπό ακαδημαϊκή επίβλεψη, και μπορούν να ολοκληρώσουν προαιρετική πρακτική άσκηση / πρακτική εξάσκηση (DSC_400) σε ένα πραγματικό εργασιακό περιβάλλον.
Γλωσσική Υποστήριξη
Τα ειδικά μαθήματα «Αγγλικά για Ακαδημαϊκούς Σκοπούς» (LCE_138 και LCE_139) αναπτύσσουν την τεχνική γραφή και το εξειδικευμένο λεξιλόγιο που χρειάζονται οι επαγγελματίες της επιστήμης δεδομένων, στοχεύοντας στα επίπεδα B1–B2 και B2 του ΚΕΠΑ.
Αναγνώριση & Προοπτικές Σταδιοδρομίας
Επαγγελματική Αναγνώριση
Δεν ισχύουν επί του παρόντος απαλλαγές από επαγγελματικούς φορείς για το πρόγραμμα αυτό.
Προοπτικές Σταδιοδρομίας
Το πρόγραμμα προετοιμάζει τους αποφοίτους για την ισχυρή και αυξανόμενη ζήτηση για επαγγελματίες της επιστήμης δεδομένων και ποσοτικούς αναλυτές. Δίνει έμφαση στον συνδυασμό τεχνικών και επιχειρηματικών δεξιοτήτων, σε υψηλές προοπτικές αποδοχών και στην ικανότητα επίλυσης σύγχρονων, πραγματικών προβλημάτων μέσω της ανάλυσης δεδομένων.
Τυπικοί επαγγελματικοί ρόλοι για τους αποφοίτους περιλαμβάνουν:
- Αναλυτής δεδομένων
- Μηχανικός δεδομένων
- Αναλυτής επιχειρηματικής ευφυΐας
- Μηχανικός μηχανικής μάθησης
- Διαχειριστής βάσεων δεδομένων
- Αναλυτής έρευνας αγοράς
Οι απόφοιτοι είναι επίσης κατάλληλοι για υποστηρικτικούς ρόλους σε εφαρμοσμένα αναλυτικά πεδία όπως η επιδημιολογία και η παρακολούθηση της κλιματικής αλλαγής, καθώς και για ποσοτικές και αναλυτικές θέσεις σε όλους τους τομείς της χρηματοοικονομικής, των επιχειρήσεων, της τεχνολογίας και του δημόσιου τομέα.
Στατιστικά Στοιχεία Απασχόλησης
Υποστήριξη και Πόροι Φοιτητών
Ακαδημαϊκή Καθοδήγηση
Οι φοιτητές υποστηρίζονται από το ακαδημαϊκό προσωπικό του Τμήματος Χρηματοοικονομικής, Λογιστικής και Διοικητικής Επιστήμης για την καθοδήγηση στην επιλογή μαθημάτων, στην ακαδημαϊκή πρόοδο και στον σχεδιασμό σταδιοδρομίας.
Δίκτυο Ανάπτυξης Μάθησης (LDN)
Τεχνική υποστήριξη, δεξιότητες μελέτης, υποστήριξη στη συγγραφή και εκπαίδευση στον ψηφιακό γραμματισμό.
Βιβλιοθήκη και Βάσεις Δεδομένων
Πρόσβαση στους ηλεκτρονικούς πόρους της πανεπιστημιακής βιβλιοθήκης, σε ηλεκτρονικά περιοδικά, επιστημονικές βάσεις δεδομένων και εργαλεία διαχείρισης βιβλιογραφικών αναφορών για την υποστήριξη των μαθημάτων, των έργων και της διατριβής.
Υπηρεσίες Σταδιοδρομίας
Συμβουλευτική σταδιοδρομίας, αξιολόγηση βιογραφικού, προετοιμασία για συνεντεύξεις και εκδηλώσεις δικτύωσης, παράλληλα με την προαιρετική πρακτική άσκηση / πρακτική εξάσκηση (DSC_400).
Υπηρεσίες Συμβουλευτικής
Εμπιστευτική υποστήριξη διαθέσιμη δια ζώσης και εξ αποστάσεως.
Τμήμα
Τμήμα Χρηματοοικονομικής, Λογιστικής και Διοικητικής Επιστήμης
Σχολή Διοίκησης και Οικονομίας
Τεχνολογικό Πανεπιστήμιο Κύπρου
Αρχ. Κυπριανού 30, 3036 Λεμεσός, Κύπρος
Γενικές Πληροφορίες
Τηλ: +357 2500 2500 · Φαξ: +357 2500 2750
Email: administration@cut.ac.cy
Συντονιστής Προγράμματος
Καθηγητής Erricos Kontoghiorghes
Email: erricos@cut.ac.cy · Τηλ: +357 25002168
ECTS
ECTS
ECTS
ECTS
ECTS
ECTS
ECTS
ECTS
ECTS
Μαθήματα επιλογής μπορούν επίσης να επιλεγούν από τις κατευθύνσεις Επιστήμης Δεδομένων για Οικονομικά και Διοίκηση, Χρηματοοικονομικών και Λογιστικής, καθώς και από μαθήματα Πληροφορικής (CEI ή CIS).
Στόχος Μαθήματος:
Στόχος αυτού του προγράμματος είναι η ανάπτυξη των θεωρητικών και πρακτικών θεμελίων που υποστηρίζουν το σχεδιασμό, την υλοποίηση και την αξιολόγηση των συστημάτων IR και Μηχανών Αναζήτησης (ΜΑ) και την απόκτηση εμπειρίας στα πρακτικά θέματα που εμπλέκονται κατά την υλοποίηση των βασικών λειτουργιών των εφαρμογών ανάκτησης πληροφορίας και μηχανών αναζήτησης.
Μαθησιακά Αποτελέσματα:
Με το τέλος του μαθήματος οι φοιτητές αναμένεται να γνωρίζουν τις κύριες διαδικασίες και τεχνικές που εφαρμόζουν τα Συστήματα Ανάκτησης Πληροφορίας (ΣΑΠ) και οι Μηχανές Αναζήτησης (ΜΑ). Επίσης, αναμένεται να μπορούν να αξιολογούν την αποδοτικότητα των ΣΑΠ και ΜΑ και να εφαρμόζουν βασικές τεχνικές επεξεργασίας και αναπαράστασης κειμένων και επερωτήσεων χρησιμοποιώντας την Python.
Περιεχόμενο Μαθήματος:
Το μάθημα καλύπτει το πιο κάτω θέματα:
1. Εισαγωγή στην Ανάκτηση Πληροφορίας (ΑΠ)
2. Βασική Αρχιτεκτονική ενός Συστήματος Ανάκτησης Πληροφορίας (ΣΑΠ)
3. Κλασσικά μοντέλα αναπαράστασης πληροφορίας (Μπούλειο μοντέλο, Διανυσματικό μοντέλο, Πιθανολογικό μοντέλο)
4. Αξιολόγηση Αποτελεσματικότητας
5. Γλώσσες Ερωτημάτων
6. Επεξεργασία ερωτημάτων
7. Ομοιότητα όρων, απόσταση τροποποίησης και μετρικές συνάφειας
8. Ευρετηρίαση εγγράφου
9. Ομοιότητα όρων, ορθογραφική απόσταση λέξεων, ομοιότητα όρων
10. Προ-επεξεργασία εγγράφου (Stopping, Tokenization, Cleaning, Stemming, Lemmatization, Στατιστική ανάλυση εγγράφων)
11. Αναζήτηση στο διαδίκτυο (Ιχνηλασία/ερπυσμός, Ανάλυση ιστοσελίδων, Ανάλυση υπερσυνδέσμων)
Στόχος Μαθήματος:
Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με τις τεχνολογίες που σχετίζονται άμεσα με τα συστήματα κινητού υπολογισμού και γενικότερα με τις έννοιες "Ubiquitous Computing" και "Internet of Things". Η αφομοίωση των εννοιών αναμένεται να επιτευχθεί μέσα από θεωρητικές διαλέξεις αλλά σε μεγάλο βαθμό μέσα από πρακτικές εφαρμογές.
Μαθησιακά Αποτελέσματα:
Μέσα από τις δραστηριότητες του μαθήματος αναμένεται ότι οι φοιτητές θα:
1. Ενημερωθούν για τεχνολογίες αιχμής και το Internet of Things
2. Εξοικειωθούν με τον προγραμματισμό μικρο-υπολογιστών
3. Αφομοιώσουν πρακτικές χρήσης αισθητήρων και τρόπους μετάδοσης, επεξεργασίας και αποθήκευσης των δεδομένων που παράγονται
4. Αποκτήσουν δεξιότητες σχεδιασμού συστημάτων για χρήση σε κινητές συσκευές
5. Αποκτήσουν εμπειρία στον προγραμματισμό λογισμικού για κινητές συσκευές σε περιβάλλον Android
Περιεχόμενο Μαθήματος:
1. Το διαδίκτυο των πραγμάτων
2. Προγραμματισμός μικρο-υπολογιστών
3. Τεχνολογίες δικτύων
4. Κινητές συσκευές και προγραμματισμός σε περιβάλλον Android
Στόχος Μαθήματος:
Το μάθημα έχει στόχο να δημιουργήσει το θεωρητικό και πρακτικό υπόβαθρο που θεμελιώνει τις κύριες αρχές και τεχνικές που εμπλέκονται στην αυτόματη αναγνώριση, ανάλυση, παραγωγή και επεξεργασία της φυσικής γλώσσας. Επίσης, τη πρακτική εφαρμογή μεθόδων ανάλυσης και επεξεργασίας της φυσικής γλώσσας με δημοφιλή αρθρώματα και εργαλεία στη Python.
Μαθησιακά Αποτελέσματα:
Με το τέλος του μαθήματος οι φοιτητές/τριες αναμένεται να γνωρίζουν τις κύριες έννοιες και τεχνικές που εφαρμόζουν τα συστήματα Επεξεργασίας Φυσικής Γλώσσας (ΕΦΓ), και να μπορούν να εκτιμήσουν τη χρήση των μεθόδων ΕΦΓ στις σύγχρονες τεχνολογίες αναγνώρισης και παραγωγής φυσικής γλώσσας.
Πιο συγκεκριμένα, οι φοιτητές αναμένεται:
1. Να κατανοούν τις θεμελιώδεις έννοιες και χαρακτηριστικά της φυσικής γλώσσας
2. Να κατανοούν τα διάφορα επίπεδα γλωσσολογικής επεξεργασίας
3. Να κατανοούν τις μεθόδους και τη σημασία της μορφολογικής ανάλυσης
4. Να κατανοούν τη συντακτική ανάλυση κειμένων με γραμματικές χωρίς συμφραζόμενα
5. Να κατανοούν πώς προκύπτει η αμφισημία σε διάφορα επίπεδα και τις προκλήσεις στην αναγνώριση πληροφορίας
6. Να κατανοούν τα γλωσσικά μοντέλα και τη χρήση τους στην αυτόματη παραγωγή της φυσικής γλώσσας
7. Να χρησιμοποιούν εργαλεία στην Python για την επεξεργασία και την ανάλυση κειμένων από συλλογές κειμένων και ιστοσελίδες
Περιεχόμενο Μαθήματος:
1. Εισαγωγή στις αρχές και στόχους της Επεξεργασίας Φυσικής Γλώσσας
2. Μορφολογική Ανάλυση
3. Προ-επεξεργασία (Tokenization, Stopping, Καθαρισμός κειμένου/ιστοσελίδων, Ομαλοποίηση κειμένου, Ανάλυση δομής Ιστοσελίδων)
4. Διόρθωση Ορθογραφίας και Μοντέλο Θορυβώδους Καναλιού
5. Ν-Γραμμα γλωσσικά μοντέλα
6. Συνεκφραζόμενα
7. Κλάσεις λέξεων και επισημάνσεις μερών του λόγου
8. Συντακτική ανάλυση και γραμματικές χωρίς συμφραζόμενα
9. Διανυσματική αναπαράσταση κειμενικών δεδομένων
10. Λεξική Σημασιολογία
11. Κατηγοριοποίηση κειμένου
Σκοπός και στόχοι μαθήματος
Ο κύριος σκοπός του μαθήματος είναι να εισαγάγει τους/τις φοιτητές/τριες στις βασικές αρχές των μηχανών αναζήτησης και της εξόρυξης δεδομένων από τα Μέσα Κοινωνικής Δικτύωσης (ΜΚΔ). Εξοπλίζει τους/τις φοιτητές/τριες με τεχνικές για την βέλτιστη σχεδίαση ιστοσελίδων βάση αρχών βελτιστοποίηση μηχανών αναζήτησης (SEO). Σκοπός η εξοικείωση με την ανάλυση δεδομένων από ιστοσελίδες και Μέσα Κοινωνικής Δικτύωσης για την αύξηση της ανταγωνιστικότητας ενός οργανισμού.
Μαθησιακά αποτελέσματα
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τριες θα μπορούν να:
· Εφαρμόζουν γενική και κάθετη αναζήτηση χρησιμοποιώντας τις κατάλληλες μηχανές αναζήτησης.
· Κατανοούν την αξία των μεταδεδομένων και εφαρμόζουν τεχνικές επισημείωσης δεδομένων στην πράξη χρησιμοποιώντας πλατφόρμες crowdsourcing.
· Σχεδιάζουν ιστοσελίδες που είναι φιλικές προς τους web crawlers (αράχνες).
· Συλλέγουν και να αναλύουν δεδομένα από το διαδίκτυο και τα μέσα κοινωνικής δικτύωσης.
· Εφαρμόζουν ελέγχους στα μέσα κοινωνικής δικτύωσης χρησιμοποιώντας σύγχρονα εργαλεία.
· Εξηγούν τις βασικές αρχές της ανάκτησης πολυμεσικού περιεχομένου βασισμένης στο περιεχόμενο.
Περιεχόμενο μαθήματος
· Αναζήτηση στο διαδίκτυο και στα μέσα κοινωνικής δικτύωσης
· Αρχές λειτουργίας των μηχανών αναζήτησης
· Δεδομένα, μετα-δεδομένα και λέξεις-κλειδιά
· Τεχνικές ανάκτησης πληροφορίας από κείμενο
· Βελτιστοποίηση ιστοσελίδων για τις μηχανές αναζήτησης
· Ανάλυση πληροφορίας από μέσα κοινωνικής δικτύωσης
· Σημασιολογικός ιστός
· Ανάλυση Κοινωνικών Δικτύων και εφαρμογές
· Ανάκτηση πολυμεσικού περιεχομένου βασισμένη στο περιεχόμενο.
Σκοπός και στόχοι μαθήματος
Ο κύριος σκοπός του μαθήματος είναι να εισαγάγει τους/τις φοιτητές/τριες στις βασικές αρχές και έννοιες της Συλλογικής Νοημοσύνης, των συστημάτων πληθοπορισμού (crowdsourcing) και των συστημάτων συστάσεων. Το μάθημα στοχεύει στην ανάπτυξη δεξιοτήτων ανάλυσης δεδομένων από τον παγκόσμιο ιστό και την χρήση σύγχρονων πλατφόρμων πληθοπορισμού. Το μάθημα εισαγάγει τους/τις φοιτητές/τριες στις βασικές αρχές και σύγχρονες τεχνικές των συστημάτων συστάσεων και των εφαρμογών τους στις επιχειρήσεις.
Μαθησιακά αποτελέσματα
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τριες θα μπορούν να:
· Κατανοούν και να περιγράφουν έννοιες της επιστήμης των δεδομένων, του crowdsourcing, της συλλογικής νοημοσύνης και των συστημάτων συστάσεων
· Εφαρμόζουν βασικές τεχνικές για την ανάκτηση και ανάλυση δεδομένων από το διαδίκτυο χρησιμοποιώντας τις γλώσσες προγραμματισμού R και Python.
· Σχεδιάζουν εργασίες (tasks) σε πλατφόρμες πληθοπορισμούς όπως είναι η FigureEight.
· Περιγράφουν και εφαρμόζουν τις βασικές αρχές των συστημάτων συστάσεων όπως το συνεργατικό φιλτράρισμα και η σύσταση βάση περιεχομένου, σε πραγματικά προβλήματα.
· Κατανοούν πως τα συστήματα συστάσεων μπορούν να βελτιστοποιήσουν τις επιχειρήσεις.
Περιεχόμενο μαθήματος
· Βασικές έννοιες και θεωρίες της συλλογικής νοημοσύνης
· Πλατφόρμες πληθοπορισμού (crowdsourcing)
· Συλλογή γνώμης και επισημείωση δεδομένων – γνώση μέσω πλατφόρμων πληθοπορισμού
· Μηχανική μάθηση: από τα δεδομένα στη νοημοσύνη
· Μηχανική μάθηση: τεχνικές
· Εισαγωγή στα συστήματα συστάσεων
· Τεχνικές συστημάτων συστάσεων : συνεργατικό φιλτράρισμα
· Τεχνικές συστημάτων συστάσεων : σύσταση με βάση το περιεχόμενο
· Υβριδικές μέθοδοι συστημάτων συστάσεων
· Συστήματα συστάσεων : εφαρμογές
Σκοπός του μαθήματος είναι η εξοικείωση των φοιτητών με τις βασικές έννοιες του ορίου, της συνέχειας, της παραγώγισης και του ολοκληρώματος. Επιπλέον σκοπεύει να φέρει το φοιτητή σε μια πρώτη επαφή με την θεωρία βελτιστοποίησης καθώς και να τον βοηθήσει στην κατανόηση και εκμάθηση των κατάλληλων μαθηματικών μεθόδων, που θα τον οδηγήσουν, στην καλύτερη δυνατή ανάλυση, μελέτη και επίλυση οικονομικών, διοικητικών και άλλων προβλημάτων της επιχείρησης με τη χρησιμοποίηση της μαθηματικής ανάλυσης.
Σκοπός του μαθήματος είναι η εξοικείωση των φοιτητών με τις βασικές έννοιες του ορίου, της συνέχειας, της παραγώγισης και του ολοκληρώματος. Επιπλέον σκοπεύει να φέρει το φοιτητή σε μια πρώτη επαφή με την θεωρία βελτιστοποίησης καθώς και να τον βοηθήσει στην κατανόηση και εκμάθηση των κατάλληλων μαθηματικών μεθόδων, που θα τον οδηγήσουν, στην καλύτερη δυνατή ανάλυση, μελέτη και επίλυση οικονομικών, διοικητικών και άλλων προβλημάτων της επιχείρησης με τη χρησιμοποίηση της μαθηματικής ανάλυσης.
Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με τις κύριες αρχές προγραμματισμού ηλεκτρονικών υπολογιστών μέσα από την εκμάθηση της Java που είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου. Διδάσκονται λεπτομερώς οι βασικές αρχές της αντικειμενοστρέφειας αλλά και του σωστού σχεδιασμού κώδικα και επαναχρησιμοποίησης του μέσω βιβλιοθηκών.
Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να είναι σε θέση να:
• Αποκτήσουν γνώσεις σχετικά με τις βασικές αρχές προγραμματισμού στο πλαίσιο της βάσης δεδομένων.
• Αναπτύξουν ικανότητες χειρισμού δεδομένων
• Εφαρμόζουν την υπολογιστική σκέψη σε διάφορους τομείς εφαρμογών
• Γνωρίζουν εργαλεία τελευταίας τεχνολογίας, π.χ. SQL, Python, R και Git.
• Κατανοούν και να αναλύουν δεδομένα
Η ανάλυση και οι υπολογισμοί πινάκων χρησιμοποιούνται ευρέως σε πολλούς τομείς της επιστήμης δεδομένων, όπως η πολυμεταβλητή στατιστική, η οικονομετρία, η μηχανική μάθηση, η βελτιστοποίηση και πολλοί άλλοι και θεωρούνται βασικά εργαλεία θεμελιώδους σημασίας.
Ο σκοπός του μαθήματος είναι να παρέχει στους φοιτητές αρκετές γνώσεις σε μαθηματικά και αλγοριθμικά εργαλεία για προβλήματα πινάκων, τα οποία είναι απαραίτητα για την κατανόηση προηγμένων θεμάτων που σχετίζονται με το αντικείμενό τους. Στόχος του μαθήματος είναι επίσης να δώσει τα κατάλληλα εφόδια στους φοιτητές να εφαρμόζουν αυτές τις μαθηματικές τεχνικές, να λύνουν διάφορα προβλήματα χρησιμοποιώντας εξειδικευμένο λογισμικό και να βοηθήσει στην ανάπτυξη και ενίσχυση της κριτικής τους σκέψης. Το μάθημα περιλαμβάνει εργαστήριο στη MATLAB (ή Octave), R και Python.
Το μάθημα αυτό έχει στόχο να αποκτήσουν οι φοιτητές επαρκείς γνώσεις πιθανοτήτων και στατιστικής που είναι απαραίτητες για να κατανοήσουν προχωρημένα θέματα σχετικά με το αντικείμενό τους. Περιέχει, μεταξύ άλλων θέματα που καλύπτουν, ροπογεννήτριες, τυχαίες μεταβλητές, συνδιακύμανση/συσχέτιση, κεντρικό οριακό θεώρημα, εκτιμήσεις, μέθοδος των ροπών, μέθοδος μέγιστης πιθανοφάνειας. κατανομές, ελέγχους υποθέσεων, μοντέλα παλινδρόμησης κλπ.
Σε αυτό το μάθημα οι φοιτητές θα επεκτείνουν τις γνώσεις τους στον προγραμματισμό υπολογιστών με τη χρήση της αντικειμενοστρεφούς γλώσσας Java και θα αποκτήσουν εμπειρία σχεδιασμού και προγραμματισμού ολοκληρωμένου συστήματος. Ιδιαίτερη έμφαση θα δοθεί σε τεχνολογίες που χρησιμοποιούνται για τη δημιουργία λογισμικού που εμπεριέχουν μηχανισμούς πρόσβασης σε βάση δεδομένων καθώς και στη χρήση των κατάλληλων βιβλιοθηκών για τη δημιουργία γραφικού περιβάλλοντος αλληλεπίδρασης με το σύστημα.
Ο σκοπός του μαθήματος είναι να παρέχει βασικές γνώσεις στατιστικής χρησιμοποιώντας ένα στατιστικό πακέτο λογισμικού. Η ενότητα παρέχει τις βασικές έννοιες για περαιτέρω χρήση του τομέα της στατιστικής.
Ο κύριος στόχος του μαθήματος είναι η εκμάθηση βασικών στοιχείων της θεωρίας της υπολογιστικής βελτιστοποίησης, των αριθμητικών αλγορίθμων και των εφαρμογών τους. Το μάθημα αυτό σκοπεύει να φέρει τους φοιτητές/τριες σε επαφή με τον γραμμικό προγραμματισμό (μέθοδος simplex, duality theory), με τις αριθμητικές μεθόδους για την επίλυση προβλημάτων μη γραμμικής βελτιστοποίησης, με προβλήματα βελτιστοποίησης χωρίς περιορισμούς (συνθήκες βελτιστοποίησης, descent algorithms και θεωρήματα σύγκλισης) καθώς επίσης και προβλήματα με περιορισμούς (Lagrange πολλαπλασιαστές, συνθήκες Karush-Kuhn-Tucker). Στοχεύει επίσης να δώσει τα εφόδια στους φοιτητές/τριες ώστε να είναι σε θέση να προσδιορίζουν τις απαραίτητες και επαρκείς συνθήκες βελτιστοποίησης για διαφορετικές κατηγορίες μοντέλων βελτιστοποίησης και να εφαρμόσουν την κατάλληλη αριθμητική μέθοδο δεδομένου των χαρακτηριστικών του μοντέλου βελτιστοποίησης. Ειδικότερα θα δοθεί έμφαση σε εφαρμογές στη μηχανική, στα οικονομικά, τη στατιστική κ.λπ. Οι φοιτητές/τριες στα πλαίσια του μαθήματος θα χρησιμοποιήσουν επίσης MATLAB ή R για να αποκτήσετε πρακτική εμπειρία με το υλικό.
Εισαγωγικό μάθημα στην Οικονομετρία που έχει ως στόχο οι φοιτητές να αποκτήσουν επαρκή γνώση στη στατιστική και οικονομετρία, που είναι απαραίτητη έτσι ώστε να κατανοούν, να αξιολογούν και να ερμηνεύουν οικονομετρικές έρευνες, χρησιμοποιώντας βασικά μοντέλα παλινδρόμησης. Στην αρχή του μαθήματος γίνεται η σύνδεση των στατιστικών εννοιών με το μοντέλο γραμμικής παλινδρόμησης και τις παραδοχές του. Στην πορεία εξετάζονται οι παραβιάσεις των παραδοχών του μοντέλου και οι επιπτώσεις τους στις εκτιμήσεις.
Στόχος του μαθήματος είναι η εισαγωγή στη θεωρία των γραφημάτων. Κατά την διάρκεια του μαθήματος θα συζητηθούν εφαρμογές της θεωρίας των γράφων στην Επιστήμη Υπολογιστών. Έμφαση θα δίνεται στην ανάγνωση, την κατανόηση και την ανάπτυξη αποδείξεων θεωρητικών γράφων. Τα θέματα που θα αναλυθούν στη διάρκεια του μαθήματος είναι τα πιο κάτω: μοίρες, μονοπάτια, δέντρα, κύκλοι, γραφήματα Eulerian, διμερή γραφήματα, ακρότητα, αντιστοιχίσεις συνδεσιμότητα, ροές δικτύου, χρωματισμοί κορυφών και ακμών, κύκλοι Hamiltonian και επιπεδότητα.
Σκοπός του μαθήματος είναι η μελέτη τεχνικών της επιχειρησιακής έρευνας και μεθοδολογίας με στόχο την εφαρμογή τους για τη λήψη βέλτιστων διοικητικών αποφάσεων. Έμφαση δίνεται στηv επίλυση προβλημάτων και στη μελέτη μοντέλων στους κλάδους της χρηματοοικονομικής, της διοικητικής επιστήμης, των οικονομικών και της ναυτιλίας. Εργασίες και ασκήσεις με λογισμικά θα πραγματοποιηθούν κατά τη διάρκεια των περιόδων των διαλέξεων και φροντιστηρίων. Μερικά απο αυτά τα θέματα θα αποτελέσουν αντικείμενο μελέτης και θα παρουσιαστούν κατά τη διάρκεια του μαθήματος. Με τη συμπλήρωση των μαθημάτων οι φοιτητές αναμένεται να είναι σε θέση να εντοπίζουν, να χρησιμοποιούν και να αναλύουν τις κατάλληλες τεχνικές που χρειάζονται για την απάντηση διάφορων ερωτημάτων στους τομείς εξειδίκευσης. Το μάθημα είναι ειδικά προσαρμοσμένο για φοιτητές που ενδιαφέρονται να εμπλουτίσουν και να εμβαθύνουν τις γνώσεις τους στη λήψη αποφάσεων σε επιχειρησιακό περιβάλλον.
Αυτό το μάθημα στοχεύει στην εισαγωγή των σπουδαστών στον τομέα της απεικόνισης δεδομένων. Θα παρέχονται στους φοιτητές βασικές γνώσεις για την απεικόνιση δεδομένων και μοντέλων. Ο κύριος στόχος είναι να κατανοήσουν οι φοιτητές τη μετατροπή των δεδομένων σε οπτικές αναπαραστάσεις για το σκοπό της περιγραφής και έρευνας δεδομένων, εξέτασης υποθέσεων, συσχετίσεων και παρουσίασης αποδεικτικών στοιχείων. Σκοπός του μαθήματος είναι η αποτελεσματική κατανόηση και εφαρμογή των αρχών της απεικόνισης δεδομένων, η βελτίωση των δεξιοτήτων συλλογής και διαχείρισης δεδομένων για την απεικόνιση, και η εφαρμογή τεχνικών απεικόνισης δεδομένων για την ανάλυση σχετικών συνόλων δεδομένων.
Ο κύριος στόχος του μαθήματος είναι να εξοπλίσει τους φοιτητές με τις δεξιότητες να εκτελούν και να ερμηνεύουν τις αναλύσεις δεδομένων Bayes. Το μάθημα σκοπεύει να προσφέρει μια διεξοδική εισαγωγή στην Μπεϋζιανή προσέγγιση στην ανάλυση και μοντελοποίηση δεδομένων καθώς και μια εισαγωγή στα υπολογιστικά εργαλεία που καθιστούν δυνατή τη χρήση των Μπεϋζιανών μεθόδων στην πράξη.
Τα πολυμεταβλητά στατιστικά μοντέλα και οι πολυμεταβλητές μέθοδοι είναι απαραίτητα για την ανάλυση σύνθετων δομημένων και ενδεχομένως ανάλυση υψηλών διαστάσεων δεδομένων από οποιονδήποτε τομέα της επιστήμης και της βιομηχανίας, όπως τη βιολογία, την ιατρική, τη γενετική όπως επίσης τα χρηματοοικονομικά και την κοινωνιολογία. Η στατιστική πολλαπλών μεταβλητών παρέχει επίσης τη βάση πολλών αλγορίθμων μηχανικής και στατιστικής μάθησης. Σκοπός του μαθήματος είναι η εξοικείωση των φοιτητών με τη μεθοδολογία της πολυμεταβλητής στατιστικής και της στατιστικής μάθησης για φοιτητές με ειδίκευση στην επιστήμη δεδομένων, καθώς και με την πρακτική εφαρμογή τους με τη χρήση της γλώσσας στατιστικού προγραμματισμού R.
Στόχος του μαθήματος είναι να εφοδιάσει τους φοιτητές με τις απαραίτητες γνώσεις έτσι ώστε να είναι ικανοί να σχεδιάσουν βάσεις δεδομένων και συστήματα βάσεων δεδομένων και να υλοποιήσουν βάσεις δεδομένων με χρήση γλώσσας SQL.
Ο στόχος ενός μαθήματος εξόρυξης κειμένου και δεδομένων είναι να διδάξει στους μαθητές πώς να εξάγουν χρήσιμες πληροφορίες από μεγάλα σύνολα μη δομημένων δεδομένων κειμένου. Αυτό περιλαμβάνει την εκμάθηση του τρόπου προεπεξεργασίας δεδομένων κειμένου, την αναπαράστασή τους με τρόπο που μπορεί να αναλυθεί από αλγόριθμους μηχανικής μάθησης και την εφαρμογή διαφόρων τεχνικών όπως η ταξινόμηση, η ομαδοποίηση και η εξόρυξη κανόνων συσχέτισης για την εξαγωγή πληροφοριών από τα δεδομένα. Το μάθημα μπορεί επίσης να καλύπτει θέματα όπως η ανάλυση συναισθημάτων, η μοντελοποίηση θεμάτων, η απόξεση ιστού (web scraping) και η εξόρυξη μέσων κοινωνικής δικτύωσης.
Η στατιστική μηχανική μάθηση είναι μια ολοένα και πιο σημαντική προσέγγιση για την εξαγωγή πολύτιμων πληροφοριών από δεδομένα. Ειδικότερα, όταν χρησιμοποιείται κατάλληλα, επιτρέπει μια προσέγγιση βάσει των δεδομένων για την επίλυση διαφόρων προβλημάτων που δεν θα μπορούσαν να επιλυθούν μόνο από τις πρώτες αρχές/θεωρίες. Το μάθημα έχει σχεδιαστεί για να αναπτύξει θεωρητικά και πρακτικά μια επιλογή θεμελιωδών προβλημάτων μηχανικής μάθησης και λύσεων που χρησιμοποιούνται συνήθως.
Γενικά, μιια στοχαστική ή τυχαία διαδικασία είναι κάθε μετρήσιμο φαινόμενο που αναπτύσσεται τυχαία στο χρόνο. Στο μάθημα αυτό θα ληφθούν υπόψη μόνο τα απλούστερα μοντέλα, δηλαδή εκείνα όπου η διαδικασία κινείται με μια ακολουθία πηδημάτων σε διακριτά χρονικά βήματα. Θα γίνει συζήτηση για: Αλυσίδες Markov, οι οποίες χρησιμοποιούν την ιδέα της υπό όρους πιθανότητας για να παρέχουν μια ευέλικτη και ευρέως εφαρμόσιμη οικογένεια τυχαίων διαδικασιών. τυχαίους περιπάτους, οι οποίοι χρησιμεύουν ως θεμελιώδεις δομικοί λίθοι για την κατασκευή άλλων διαδικασιών, που είναι σημαντικές και από μόνες τους· και τη θεωρία της ανανέωσης, η οποία μελετά διαδικασίες που περιστασιακά «ξεκινούν από την αρχή». Τέτοιες διαδικασίες είναι κοινά εργαλεία στην οικονομία, τη βιολογία, την ψυχολογία και την επιχειρησιακή έρευνα, επομένως είναι πολύ χρήσιμες καθώς και ελκυστικές και ενδιαφέρουσες θεωρίες.
Οι στόχοι αυτής της ενότητας είναι να εισαγάγει την ιδέα μιας στοχαστικής διαδικασίας και να δείξει πόσο απλή θεωρία πιθανοτήτων και πινάκων μπορούν να χρησιμοποιηθούν για την οικοδόμηση αυτής της έννοιας σε ένα όμορφο και χρήσιμο κομμάτι εφαρμοσμένων μαθηματικών.
Το μάθημα έχει σχεδιαστεί για να παρέχει στους φοιτητές γνώσεις σχετικά με τον ορισμό των γραμμικών μοντέλων και τη θεωρητική προσέγγιση της εκτίμησης των ελαχίστων τετραγώνων χρησιμοποιώντας την αποσύνθεση QR για στατιστικά συμπεράσματα. Επίσης το μάθημα αυτό θα παρέχει γνώσεις στους φοιτητές σχετικά με τον ορισμό των γενικευμένων γραμμικών μοντέλων και τη θεωρητική αντιμετώπιση της εκτίμησης μέγιστης πιθανότητας. Το μάθημα παράλληλα στοχεύει στην παρουσίαση των διαδικασιών προσαρμογής του μοντέλου, συμπεριλαμβανομένης της διάγνωσης του μοντέλου, της σταδιακής κατασκευής μοντέλου και της ερμηνείας των αποτελεσμάτων. Τέλος, θα δώσει τα κατάλληλα εφόδια στους φοιτητές να χρησιμοποιούν τα «lm», «glm» και σχετικές συναρτήσεις στην R για να είναι σε θέση να κατανοούν τις υπολογιστικές πτυχές της προσαρμογής του μοντέλου. Στα πλαίσια του μαθήματος προσφέρεται στους φοιτητές μια σύντομη εισαγωγή στις ποινικοποιημένες μεθόδους ελαχίστων τετραγώνων για το χειρισμό «μεγάλων δεδομένων».
Βασικός στόχος της Πρακτικής Άσκησης είναι να δώσει στους φοιτητές/τριες την ευκαιρία να κατανοήσουν τα προβλήματα και τις τάσεις στον τομέα της επιστήμης δεδομένων, εντάσσοντάς τους σε ένα εργασιακό περιβάλλον με πραγματικές συνθήκες εργασίας. Οι φοιτητές/τριες μπορούν να εκτιμήσουν κατά πόσο το εν λόγω περιβάλλον σχετίζεται με τις ακαδημαϊκές τους σπουδές και να προετοιμαστούν κατάλληλα για την επιτυχημένη ένταξη τους στην αγορά εργασίας, μετά την ολοκλήρωση των σπουδών τους. Κατ’ επέκταση, το Τμήμα επωφελείται από τη συνισταμένη των ενισχυμένων σχέσεων με την εγχώρια βιομηχανία και με άλλους οργανισμούς/φορείς.
Ο σκοπός του μαθήματος είναι η μελέτη των γραμμικών μοντέλων παλινδρόμησης που χρησιμοποιούνται στη Στατιστική και την Οικονομετρία. Η μελέτη αυτών των μοντέλων είναι ιδιαίτερα σημαντική για την αποτελεσματική εφαρμογή της οικονομικής θεωρίας σε πραγματικά οικονομικά προβλήματα. Το μάθημα προορίζεται ειδικά για φοιτητές που ενδιαφέρονται να εμβαθύνουν στη γνώση της υπολογιστικής στατιστικής και οικονομετρίας. Ο όρος υπολογιστική στατιστική αναφέρεται στη χρήση υπολογιστικών μεθόδων για την επίλυση προβλημάτων στη στατιστική και την οικονομετρία. Το μάθημα στοχεύει στην εφαρμογή προηγμένων ποσοτικών μεθόδων χρησιμοποιώντας βασικές υπολογιστικές μεθόδους ή εργαλεία υπολογιστών. Προαπαιτούμενο για το μάθημα είναι η καλή γνώση ποσοτικών μεθόδων.
Η εκτίμηση μοντέλων παλινδρόμησης εφαρμόζεται ευρέως στην ανάλυση οικονομικών μοντέλων. Σημειώνεται ότι οι μέθοδοι που παρέχουν θεωρητικά αποδοτικούς εκτιμητές και στατιστικά συμπεράσματα (στατιστική επαγωγή) για οικονομετρικά μοντέλα είναι στο επίκεντρο των εξελίξεων στη στατιστική κοινότητα. Αυτές οι μέθοδοι αποτελούν ένα κύριο πεδίο έρευνας για την περαιτέρω ανάπτυξη της στατιστικής επιστήμης και της οικονομετρίας. Οι στατιστικές μέθοδοι που αναλύονται σε αυτό το μάθημα έχουν εφαρμογές και σε άλλα αντικείμενα εκτός από την Οικονομική Διοίκηση, όπως η Μηχανική και η Τεχνολογία, οι Επιστήμες της Υγείας, η Γεωτεχνική, τα Πολυμέσα και το Διαδίκτυο.
Ο κύριος στόχος του μαθήματος είναι η μελέτη των αναπτυγμένων ποσοτικών μεθόδων στο πεδίο των στατιστικών και οικονομετρικών εφαρμογών. Επιπλέον, θα δοθεί έμφαση στη στατιστική εκτίμηση γραμμικών μοντέλων παλινδρόμησης και πολυμεταβλητών μοντέλων μεγάλης κλίμακας, στη στατιστική επιλογή μοντέλων και σταθερή στατιστική.
Αυτό το μάθημα καλύπτει βασικούς τομείς στις σύγχρονες υπολογιστικές και αναλυτικές τεχνικές. Στην Επεξεργασία Φυσικής Γλώσσας (NLP), αξιολογεί τα δυνατά και αδύνατα σημεία των τεχνολογιών NLP και διερευνά αναλυτικές τεχνικές όπως η στυλομετρία και η μοντελοποίηση θεμάτων. Τα θέματα Deep Learning περιλαμβάνουν deep reinforcement learning, μεταβλητούς αυτόματους κωδικοποιητές για παραγωγή δεδομένων και μετα-εκμάθηση για γρήγορη προσαρμογή εργασιών. Το Foundations of Large Language Models (LLMs) εστιάζεται στην προτροπή αλυσίδας σκέψης, το εξειδικευμένο υλικό NGPU και την αρχιτεκτονική GPT. Το Scientific and Statistical Computing αντιμετωπίζει μεθόδους για την επίλυση προβλημάτων μη γραμμικής βελτιστοποίησης και τον προσδιορισμό των συνθηκών βελτιστοποίησης. Το μοντέλο προγραμματισμού MapReduce συζητά την κλιμακούμενη επεξεργασία δεδομένων με το Hadoop και το Spark. Τέλος, οι αλγόριθμοι ροής και η θεωρία κωδικοποίησης καλύπτουν τη συμπίεση δεδομένων, τον εντοπισμό σφαλμάτων και την επεξεργασία ροής δεδομένων σε πραγματικό χρόνο με χρήση προηγμένων αλγορίθμων.
Αυτό το μάθημα σχεδιάζεται για φοιτητές που έχουν μια ισχυρή βάση στην ανάλυση στατιστικών δεδομένων και θέλουν να βελτιώσουν τις δεξιότητές τους στη στατιστική επιστήμη των δεδομένων. Το μάθημα καλύπτει μια σειρά από προηγμένες υπολογιστικές και στατιστικές μεθόδους για την αντιμετώπιση προκλητικών προβλημάτων ανάλυσης δεδομένων. Επικεντρώνεται στη στατιστική μεθοδολογία, αλγόριθμους και λογισμικά που επηρεάζονται από τα δεδομένα. Τα θέματα που καλύπτονται περιλαμβάνουν Υψηλής Διάστασης Ανάλυση Δεδομένων, Ανάλυση Δεδομένων σε Μεγάλη Κλίμακα, Συνδυαστική Μέθοδο στην Στατιστική, Βελτιστοποίηση, Ευρητικές Μέθοδοι στην Στατιστική, Οικονομετρία, Μέθοδοι Βελτιστοποίησης στη Στατιστική (π.χ. αλγόριθμοι τύπου EM), Στοχαστική βελτιστοποίηση και μέθοδοι bootstrapping, Προσομοίωση Δεδομένων, Παλινδρόμηση Ridge, Πολύπλοκες Δομές Δεδομένων, Μη Κανονικά Δεδομένα
Μέσω μιας συνδυαστικής προσέγγισης, περιλαμβάνοντας διαλέξεις, και εργαστήρια, οι φοιτητές θα αποκτήσουν βαθιά κατανόηση των προηγμένων τεχνικών στην στατιστική επιστήμη δεδομένων και θα αναπτύξουν τις δεξιότητές τους για να εφαρμόζουν αυτές τις τεχνικές στην επίλυση πραγματικών προβλημάτων. Σκοπός αυτού του μαθήματος είναι να παρέχει στους φοιτητές προηγμένες γνώσεις και δεξιότητες στη στατιστική επιστήμη δεδομένων, έτσι ώστε μέχρι το τέλος του μαθήματος, οι φοιτητές θα μπορούν να αναλύουν δύσκολα σύνολα δεδομένων, να αναγνωρίζουν μοτίβα και τάσεις, και να εφαρμόζουν προηγμένα στατιστικά μοντέλα για να λύσουν πραγματικά προβλήματα.
Το μάθημα απευθύνεται σε φοιτητές με αρκετά καλή βάση στη στατιστική, οι οποίοι επιθυμούν να βελτιώσουν τις δεξιότητές τους στη στατιστική επιστήμη. Σε αυτό το μάθημα, οι φοιτητές θα πάρουν μια καθοδηγούμενη περιήγηση στις βασικές και προηγμένες μεθόδους στατιστικής μάθησης και στα βοηθητικά εργαλεία ανάλυσης που μας επιτρέπουν να τις κατανοήσουμε θεωρητικά. Τα θεωρήματα παρουσιάζονται με πρακτικές πτυχές της μεθοδολογίας για να βοηθήσουν τους φοιτητές να αναπτύξουν μια ευρεία αίσθηση των λόγων (πλεονεκτημάτων και μειονεκτημάτων) που καθορίζουν την επιλογή μιας συγκεκριμένης μεθόδου/προσέγγισης σε μια συγκεκριμένη προβληματική κατάσταση.
Το μάθημα σκοπεύει να παρέχει στους φοιτητές μια επισκόπηση των σύγχρονων μεθόδων γραμμικής παλινδρόμησης και ταξινόμησης και τις δεξιότητες για τη χρήση σχετικών πακέτων στην R για την ανάλυση απλών συνόλων δεδομένων.
6 ECTS
Το μάθημα απευθύνεται σε φοιτητές/φοιτήτριες με ισχυρό υπόβαθρο στη στατιστική, οικονομετρία ή επιστήμη δεδομένων και στοχεύει στην ανάπτυξη προχωρημένων δεξιοτήτων στην ανάλυση χρονοσειρών με έμφαση σε υπολογιστικές μεθόδους. Παρέχει μια ολοκληρωμένη προσέγγιση που συνδυάζει κλασικά στατιστικά μοντέλα, σύγχρονες μεθόδους μηχανικής μάθησης και αλγοριθμική υλοποίηση. Θεματικές ενότητες: στασιμότητα και μετασχηματισμοί, γραμμικά μοντέλα χρονοσειρών (AR, MA, ARIMA), μέθοδοι πρόβλεψης, μοντέλα κατάστασης και φίλτρο Kalman, μοντέλα μεταβλητότητας (ARCH/GARCH), μη γραμμικές και μη παραμετρικές μέθοδοι, μηχανική και βαθιά μάθηση για χρονοσειρές, πολυδιάστατες χρονοσειρές και δεδομένα μεγάλης κλίμακας, και εφαρμογές.
Στο μάθημα αυτό ο φοιτητής/τρια καλείται να εκπονήσει διπλωματική μελέτη υπό την επίβλεψη κάποιου καθηγητή του Τμήματος. Ο φοιτητής/τρια αναμένεται να μπορεί να ολοκληρώσει μια ανεξάρτητη έρευνα για ένα επιχειρησιακό θέμα χρησιμοποιώντας τις γνώσεις και δεξιότητες που ανέπτυξε μέχρι αυτό το σημείο (για το οποίο θα πρέπει να έχει την έγκριση του ακαδημαϊκού επιβλέποντα). Οι στόχοι του μαθήματος είναι:
· Να παρέχεται στους φοιτητές/τριες η απαιτούμενη κατάρτιση για την διεξαγωγή προηγμένης έρευνας στο γνωστικό τους αντικείμενο.
· Να παρέχει στους φοιτητές/τριες μια προηγμένη κατανόηση της συνάφειας και της σημασίας των εναλλακτικών επιστημολογικών θέσεων στις κοινωνικές επιστήμες και τη φύση τόσο ποιοτικών όσο και ποσοτικών προσεγγίσεων στην έρευνα.
· Να αναπτύξει την κατανόηση των φοιτητών/τριών σε ένα προηγμένο επίπεδο έρευνας, εξετάζοντας τις δεξιότητες μελέτης που απαιτούνται για τη διαχείριση και την ανάληψη ενός ερευνητικού έργου.
· Να δώσει στους φοιτητές/τριες ευκαιρίες να εξοικειωθούν με την εμπειρική και θεωρητική έρευνα αιχμής.
· Να δοθεί στους φοιτητές/τριες η δυνατότητα διεξαγωγής εμπεριστατωμένης έρευνας σε προχωρημένο επίπεδο ενός ζητήματος το οποίο είναι εφαρμόσιμο στον κόσμο των επιχειρήσεων/αγοράς εργασίας
Αυτό το μάθημα προσφέρει μια ολοκληρωμένη εισαγωγή στις θεμελιώδεις έννοιες, τεχνικές και εφαρμογές της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Οι φοιτητές/τριες θα εξερευνήσουν διάφορους αλγόριθμους μηχανικής μάθησης, νευρωνικά δίκτυα, deep learning, reinforcement learning και τις εφαρμογές τους σε σενάρια πραγματικού κόσμου. Το μάθημα περιλαμβάνει θεωρητικές βάσεις, πρακτικές εργασίες προγραμματισμού και ένα έργο.
Σκοπός του μαθήματος είναι η παρουσίαση και η ανάλυση των βασικών εργαλείων της Θεωρίας Παιγνίων με κύριο στόχο την κατανόηση από τους φοιτητές της σημασία της θεωρίας παιγνίων για τη λήψη αποφάσεων σε διάφορες επιστήμες.
Πιο συγκεκριμένα, η Θεωρία Παιγνίων ασχολείται με τη λήψη αποφάσεων από στρατηγικά αλληλεξαρτώμενους παράγοντες. Το μάθημα εξετάζει και αναλύει έννοιες ισορροπίας σε στατικά και δυναμικά παίγνια υπό καθεστώς πλήρους και τέλειας πληροφόρησης καθώς και υπό καθεστώς ελλιπούς πληροφόρησης.
Στόχος αυτού του υποχρεωτικού μαθήματος είναι να καταστήσει τους φοιτητές/τριες ικανούς/ες να επικοινωνούν σε επίπεδο B1-Β2 του Κοινού Ευρωπαϊκού Πλαισίου Αναφοράς (ΚΕΠΑ) για τις Γλώσσες. Το μάθημα είναι ειδικά σχεδιασμένο σύμφωνα με τις ανάγκες των φοιτητών/τριών στον κλάδο της Επιστήμης Δεδομένων. Συγκεκριμένα, το μάθημα έχει σχεδιαστεί για να εξοπλίσει τους φοιτητές/τριες με τις απαραίτητες γλωσσικές δεξιότητες και το εξειδικευμένο λεξιλόγιο που απαιτούνται για την αποτελεσματική επικοινωνία και εργασία στον τομέα της επιστήμης δεδομένων για τα οικονομικά και τις επιχειρήσεις. Αυτό το μάθημα εστιάζει στην ανάπτυξη επάρκειας στη χρήση της αγγλικής γλώσσας, στην τεχνική γραφή και στις δεξιότητες προφορικής παρουσίασης ειδικά προσαρμοσμένες για επαγγελματίες της επιστήμης δεδομένων. Μέσω ενός συνδυασμού διαδραστικών διαλέξεων, πρακτικών ασκήσεων και πρότζεκτ, οι φοιτητές/τριες θα ενισχύσουν την ικανότητά τους να κατανοούν, να ερμηνεύουν και να επικοινωνούν σύνθετες έννοιες που σχετίζονται με δεδομένα στα αγγλικά. Το μάθημα θα καλύψει διάφορες πτυχές της επιστήμης δεδομένων, συμπεριλαμβανομένης της ανάλυσης δεδομένων, της στατιστικής μοντελοποίησης, της μηχανικής μάθησης και της οπτικοποίησης δεδομένων, δίνοντας έμφαση στην αποτελεσματική επικοινωνία εντός διεπιστημονικών ομάδων και μεταξύ διαφορετικών ενδιαφερομένων. Καθ' όλη τη διάρκεια του μαθήματος, οι φοιτητές/τριες θα έχουν την ευκαιρία να εφαρμόσουν τις γλωσσικές τους δεξιότητες σε σενάρια επιστήμης δεδομένων πραγματικού κόσμου, να εργαστούν σε συνεργατικά έργα, να λάβουν σχόλια σχετικά με τις επικοινωνιακές τους ικανότητες και να συμμετάσχουν σε συζητήσεις για ηθικές και επαγγελματικές πρακτικές στον κλάδο της επιστήμης δεδομένων.
Στόχος αυτού του υποχρεωτικού μαθήματος είναι να καταστήσει τους φοιτητές/τριες ικανούς/ες να επικοινωνούν σε επίπεδο Β2 του Κοινού Ευρωπαϊκού Πλαισίου Αναφοράς (ΚΕΠΑ) για τις Γλώσσες. Το μάθημα έχει σχεδιαστεί για φοιτητές/τριες που έχουν γερές βάσεις στις δεξιότητες της αγγλικής γλώσσας σε επίπεδο Β1 και επιθυμούν να βελτιώσουν περαιτέρω τις επικοινωνιακές τους ικανότητες στον εξειδικευμένο τομέα της επιστήμης δεδομένων. Με βάση τις έννοιες που καλύπτονται στο εισαγωγικό μάθημα, αυτό το μάθημα εμβαθύνει σε προηγμένες δεξιότητες χρήσης γλώσσας, τεχνικής γραφής και προφορικής παρουσίασης, εστιάζοντας ειδικά στις πολύπλοκες και εξελισσόμενες πτυχές της επιστήμης δεδομένων. Μέσω ενός συνδυασμού διαλέξεων, πρακτικών έργων, περιπτωσιολογικών μελετών και διαδραστικών συζητήσεων, οι φοιτητές/τριες θα ασχοληθούν με θέματα αιχμής στην επιστήμη των δεδομένων, εξερευνώντας προηγμένα στατιστικά μοντέλα, οικονομικά, τεχνικές μηχανικής μάθησης, επεξεργασία φυσικής γλώσσας και ηθικές θεωρήσεις στην τεχνητή νοημοσύνη. Το μάθημα στοχεύει να εξοπλίσει τους φοιτητές/τριες με τις στρατηγικές γλωσσικής επάρκειας και επικοινωνίας που είναι απαραίτητες για την πλοήγηση στην πολυπλοκότητα των προηγμένων εννοιών της επιστήμης δεδομένων και την αποτελεσματική επικοινωνία τους σε διαφορετικές επικοινωνιακές περιστάσεις.