Έτος 1 — Μαθήματα Κορμού
DSC_110 — Απ. Λογισμός και Εφαρμογές
6 ECTS
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.
DSC_111 — Πιθανότητες και Στατιστική
6 ECTS
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.
DSC_112 — Εισαγωγή στην Υπολογιστική και τον Προγραμματισμό
6 ECTS
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.
DSC_113 — Προγραμματισμός για Επιστήμη Δεδομένων
6 ECTS
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
LCE_138 — Αγγλικά για Ακαδημαϊκούς Σκοπούς Ι
6 ECTS
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.
DSC_120 — Άλγεβρα Πινάκων και Υπολογισμοί
6 ECTS
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.
DSC_121 — Επαγωγική Στατιστική και Ανάλυση Παλινδρόμησης
6 ECTS
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.
DSC_122 — Προχωρημένες Έννοιες Προγραμματισμού
6 ECTS
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.
DSC_123 — Εισαγωγή στη Στατιστική Επιστήμη Δεδομένων
6 ECTS
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.
LCE_139 — Αγγλικά για Ακαδημαϊκούς Σκοπούς ΙΙ
6 ECTS
Το μάθημα αναπτύσσει επικοινωνιακή ικανότητα σε επίπεδο B2 και εστιάζει ειδικά στις σύνθετες και εξελισσόμενες πτυχές της επιστήμης δεδομένων, εξερευνώντας προηγμένα στατιστικά μοντέλα, μηχανική μάθηση, επεξεργασία φυσικής γλώσσας και την ηθική της τεχνητής νοημοσύνης μέσα από διαλέξεις, έργα και περιπτωσιολογικές μελέτες.
Έτος 2 — Μαθήματα Κορμού
DSC_210 — Υπολογιστική Βελτιστοποίηση
6 ECTS
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.
DSC_211 — Εισαγωγή στην Οικονομετρία
6 ECTS
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.
DSC_212 — Τεχνητή Νοημοσύνη και Μηχανική Μάθηση
6 ECTS
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.
DSC_213 — Θεωρία Γραφημάτων και Δίκτυα
6 ECTS
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.
DSC_220 — Διοικητική Επιστήμη
6 ECTS
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.
DSC_221 — Θεωρία Παιγνίων
6 ECTS
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.
DSC_223 — Οπτικοποίηση Δεδομένων
6 ECTS
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.
Έτος 3 — Μαθήματα Κορμού
DSC_311 — Μπεϋζιανή Μοντελοποίηση
6 ECTS
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.
DSC_312 — Πολυμεταβλητές Μέθοδοι και Στατιστική Μάθηση
6 ECTS
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.
DSC_313 — Βάσεις Δεδομένων
6 ECTS
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.
DSC_320 — Εξόρυξη Δεδομένων και Κειμένου
6 ECTS
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.
DSC_332 — Στατιστική Μηχανική Μάθηση
6 ECTS
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.
Έτος 4 — Μαθήματα Κορμού, Διατριβή & Πρακτική Άσκηση
DSC_410 — Υπολογιστική Στατιστική και Οικονομετρία
6 ECTS
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.
DSC_411 — Προχωρημένα Θέματα στην Επιστήμη Δεδομένων
6 ECTS
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.
DSC_421 — Προχωρημένα Θέματα στην Επιστήμη των Στατιστικών Δεδομένων
6 ECTS
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.
DSC_422 — Προχωρημένα Θέματα στη Στατιστική
6 ECTS
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.
DSC_400 — Πρακτική Άσκηση / Πρακτική Εξάσκηση
6 ECTS
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.
DSC_450 — Διατριβή
6 ECTS
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.
Προσφέρεται σε δύο μέρη (Μέρος Α στο Εξάμηνο 7 και Μέρος Β στο Εξάμηνο 8).
Μαθήματα Επιλογής
DSC_440 — Προχωρημένη Γραμμική Μοντελοποίηση και Ταξινόμηση
6 ECTS
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.
DSC_351 — Γραμμικά και Γενικευμένα Γραμμικά Μοντέλα
6 ECTS
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».
DSC_350 — Στοχαστικές Ανελίξεις
6 ECTS
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.
CEI_467 — Προχωρημένα Θέματα Συστημάτων Επεξεργασίας Δεδομένων
6 ECTS
CEI_524 — Επιστήμη των Δικτύων
6 ECTS
CIS_306 — Μεθοδολογίες Έρευνας Βασισμένες στο Διαδίκτυο
6 ECTS
CIS_456 — Ανάκτηση Πληροφοριών και Μηχανές Αναζήτησης
6 ECTS
CIS_458 — Διαδίκτυο των Πραγμάτων και Κινητές Εφαρμογές
6 ECTS
CIS_459 — Επεξεργασία Φυσικής Γλώσσας
6 ECTS
CIS_473 — Συλλογική Νοημοσύνη
6 ECTS
DSC_441 — Ανάλυση Χρονοσειρών
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.
DSC_115 — Απειροστικός Λογισμός Ι
6 ECTS
DSC_116 — Απειροστικός Λογισμός ΙΙ
6 ECTS
DSC_117 — Γραμμική Άλγεβρα Ι
6 ECTS
DSC_217 — Γραμμική Άλγεβρα ΙΙ
6 ECTS
DSC_401 — Προχωρημένη Μη Παραμετρική Στατιστική
6 ECTS
DSC_402 — Στατιστική Υψηλών Διαστάσεων
6 ECTS
DSC_403 — Μέθοδοι Πυρήνων και Μάθηση σε Χώρους Hilbert
6 ECTS
DSC_404 — Επιβλεπόμενη και Μη Επιβλεπόμενη Μείωση Διάστασης
6 ECTS
