Μαθήματα

Επιστήμη των Δεδομένων

Γενικά

Περιεχόμενα μαθήματος

  1. Εισαγωγικά σημεία μαθήματος.
  2. Η γλώσσα Python: εγκατάσταση, χρήση, εκφράσεις.
  3. Python: Λίστες και διαχείρισή τους.
  4. Python: Εντολές υπό συνθήκη, εντολές επανάληψης.
  5. Python: Συναρτήσεις, αναδρομή.
  6. Python: Πίνακες, Αναζήτηση, Ταξινόμηση.
  7. Python: Numpy, Pandas.
  8. Python visualizations, matplotlib.
  9. Python και machine learning.
  10. R: Εγκατάσταση και παρουσίαση.
  11. Βασικές εντολές της R.
  12. R: Visualizations single and multiple variables, Hypothesis testing.
  13. Επαναληπτικό μάθημα.

Μαθησιακοί Στόχοι

Σκοπός του μαθήματος είναι να εισάγει τους φοιτητές του Τμήματος Οικονομικών Επιστημών στις έννοιες της Επιστήμης των Δεδομένων, περιλαμβανομένων των εννοιών των big data analytics, data mining, business data analysis κλπ. Για το σκοπό αυτό αρχικά αναπτύσσεται η διδασκαλία της γλώσσας προγραμματισμού Python και γίνεται αναφορά στη (στατιστικού σκοπού) γλώσσα προγραμματισμού R. Μετά την απόκτηση της γνώσης των εργαλείων, γίνεται εισαγωγή στα βασικά ζητήματα της Επιστήμης των Δεδομένων.

Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές και οι φοιτήτριες:

  • Θα έχουν αναπτύξει επαρκή γνώση της γλώσσας προγραμματισμού Python και εισαγωγική γνώση της γλώσσας προγραμματισμού R.
  • Θα μπορούν να μελετούν έτοιμο κώδικα που επιλύει συγκεκριμένα προβλήματα της επιστήμης των δεδομένων.
  • Θα μπορούν να αναπτύσσουν κώδικα σε Python ή/και R για την επίλυση συγκεκριμένων προβλημάτων.
  • Θα αποκτήσουν μια αρχική γνώση σε ζητήματα όπως Νευρωνικά Δίκτυα, Τεχνητή Νοημοσύνη, Machine Learning.
  • Θα αναγνωρίζουν την ανάγκη μοντελοποίησης δεδομένων.
  • Θα μπορούν να εφαρμόζουν και να μοντελοποιούν θέματα που σχετίζονται με την ανάλυση επιχειρηματικών και οικονομικών θεμάτων (στα πλαίσια της Επιστήμης των Δεδομένων), να προτείνουν και να υλοποιούν σχετικές λύσεις.
  • Θα έχουν την ικανότητα και τις δεξιότητες να παρουσιάζουν τα αποτελέσματά τους σε γραφική μορφή.
  • Θα μπορούν να αξιολογούν καταστάσεις στις οποίες είναι απαραίτητη η μελέτη μεγάλου όγκου δεδομένων.
  • Θα αναπτύξουν ικανότητα απόκτησης γνώσεων στο ζήτημα της ανάλυσης μεγάλου όγκου δεδομένων.

Γενικές Ικανότητες

  • Αυτόνομη εργασία.
  • Λήψη αποφάσεων.
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών.
  • Εργασία σε διεπιστημονικό περιβάλλον.

Μέθοδοι Διδασκαλίας

  • Στην αίθουσα, πρόσωπο με πρόσωπο.

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

  • Τ.Π.Ε στη Διδασκαλία και στην Επικοινωνία με τους φοιτητές.
  • Χρήση της πλατφόρμας eclass του Τμήματος για επιπλέον υλικό, ασκήσεις κλπ.

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Διαλέξεις26
Ασκήσεις – Πράξεις που εστιάζουν στην εφαρμογή μεθοδολογιών και ανάλυση μελετών περίπτωσης13
Συγγραφή Εργασίας20
Αυτοτελής Μελέτη66
Σύνολο125

Αξιολόγηση Φοιτητών

Γραπτή τελική εξέταση που περιλαμβάνει:

  • Ερωτήσεις κρίσεως.
  • Ερωτήσεις σύντομης απάντησης.
  • Συγκριτική αξιολόγηση στοιχείων θεωρίας.
  • Ερωτήσεις Σ-Λ και πολλαπλής επιλογής.
  • Ασκήσεις εφαρμογής.

Σε κάθε ερώτηση προσδιορίζονται το ειδικό βάρος και τα μόρια που αναλογούν.
Εργασία 40% του βαθμού.

Συνιστώμενη Βιβλιογραφία

  1. Νικόλαος Αβούρης, Μιχαήλ Κουκιάς, Βασίλειος Παλιουράς, Κυριάκος Σγάρμπας, Python – Εισαγωγή στους υπολογιστές, ΙΔΡΥΜΑ ΤΕΧΝΟΛΟΓΙΑΣ & ΕΡΕΥΝΑΣ-ΠΑΝΕΠΙΣΤΗΜΙΑΚΕΣ ΕΚΔΟΣΕΙΣ ΚΡΗΤΗΣ, 2018.
  2. Μανής, Γ., 2015. Εισαγωγή στον Προγραμματισμό με αρωγό τη γλώσσα Python. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/2745
  3. Robert Johanson, Numerical Python, Apress, 2015, link.springer.com/content/pdf/10.1007%2F978-1-4842-0553-2.pdf
  4. David Ditrich et al., Data Science and Big Data Analytics, Wiley, 2014, https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119183686