ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Επιστήμη των Δεδομένων

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ Σχολή Οικονομίας και Διοίκησης
ΤΜΗΜΑ Τμήμα Οικονομικών Επιστημών
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ 462 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 4ο
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Επιστήμη των Δεδομένων
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων. 		ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις και Ασκήσεις - Πράξεις 3 5
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.    
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ
Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) . 		 Ειδικού υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:  
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:  Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS Όχι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) https://elearning.cm.ihu.gr/course/view.php?id=639

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

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
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Αυτόνομη εργασία.
  • Λήψη αποφάσεων.
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών.
  • Εργασία σε διεπιστημονικό περιβάλλον.

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

  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.

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.
  • Στην αίθουσα, πρόσωπο με πρόσωπο.
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές
  • Τ.Π.Ε στη Διδασκαλία και στην Επικοινωνία με τους φοιτητές.
  • Χρήση της πλατφόρμας eclass του Τμήματος για επιπλέον υλικό, ασκήσεις κλπ.
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Διαλέξεις26
Ασκήσεις – Πράξεις που εστιάζουν στην εφαρμογή μεθοδολογιών και ανάλυση μελετών περίπτωσης13
Συγγραφή Εργασίας20
Αυτοτελής Μελέτη66
Σύνολο125
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

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.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

  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