Επιχειρηματική Αναλυτική και Αναλυτική Δεδομένων (ΕΑΑΔ)
Η κατεύθυνση Επιχειρηματική Αναλυτική και Αναλυτική Δεδομένων αποτελείται από μια σειρά προηγμένων μαθημάτων στον τομέα της Επιστήμης Δεδομένων. Για να εκπληρώσουν τις υποχρεώσεις τους, οι φοιτητές πρέπει να παρακολουθήσουν επιτυχώς έναν αριθμό μαθημάτων που ανέρχεται συνολικά σε 30 ECTS ανά εξάμηνο. Κατά τη διάρκεια του 1ου εξαμήνου η κατεύθυνση προσφέρει 7 μαθήματα και κατά τη διάρκεια του 2ου εξαμήνου, η κατεύθυνση προσφέρει 6 μαθήματα (τόσο υποχρεωτικά όσο και μαθήματα επιλογής). Οι φοιτητές μπορούν επίσης να επιλέξουν 1-2 μαθήματα από άλλες κατευθύνσεις ως μαθήματα επιλογής, ώστε να συγκεντρώσουν συνολικά 30 ECTS ανά εξάμηνο. Το 3ο εξάμηνο είναι αφιερωμένο στη διπλωματική εργασία σε ένα σύγχρονο θέμα της Επιστήμης Δεδομένων, υπό την επίβλεψη ενός από τους διδάσκοντες της κατεύθυνσης.
Μαθήματα Κατεύθυνσης:
Πρώτο εξάμηνο:
(ECTS: 6)
Περιγραφή μαθήματος:
Εισαγωγή στην ανάλυση δεδομένων (αρχές, αγωγός, προεπεξεργασία). Κοινές μέθοδοι μηχανικής μάθησης (ταξινόμηση, ομαδοποίηση). Νευρωνικά δίκτυα και βαθιά μάθηση. Προηγμένες τεχνικές ομαδοποίησης (DBSCAN, OPTICS κ.λπ.). Εφαρμογές στην εξόρυξη δεδομένων κειμένου/ήχου/βίντεο. Εργαστηριακές ώρες με Python, R.
Συντονιστής μαθήματος: Άγγελος Πικράκης
ECTS: 3
Περιγραφή μαθήματος: Διαχείριση έργων πληροφορικής (προγραμματισμός έργων, προγραμματισμός πόρων, προγραμματισμός κόστους). Οικονομικά της Διαχείρισης Έργων. Εργαστηριακές ώρες με το MS Project, εργαλεία διαχείρισης ανοικτού κώδικα.
Συντονιστής μαθήματος: Δημήτρης Αποστόλου
(ECTS: 6)
Περιγραφή μαθήματος:
Εισαγωγή στη μαθηματική μοντελοποίηση και βελτιστοποίηση. Βελτιστοποίηση με περιορισμούς. Κυρτά και μη κυρτά κύτταρα δεδομένων. Τεχνικές βελτιστοποίησης για την ανάλυση δεδομένων (μοντέλα και εφαρμογές ανάλυσης συνόρων και περιβάλλουσας ανάλυσης δεδομένων). Ανάλυση περιβάλλουσας δεδομένων με δεδομένα ροής. Εργαστηριακές ώρες με EMS, LP Solve.
Συντονιστής μαθήματος: Δημήτρης Δεσπότης
(ECTS: 6)
Περιγραφή μαθήματος:
Εισαγωγή – ανασκόπηση των σχεσιακών και αντικειμενοσχεσιακών βάσεων δεδομένων. Σύγχρονες τάσεις στο σχεδιασμό βάσεων δεδομένων. Μη παραδοσιακοί τύποι δεδομένων (κείμενο, πολυμέσα, χωρικές πληροφορίες). Μη παραδοσιακή αρχιτεκτονική βάσεων δεδομένων (δίκτυα αισθητήρων, ροές δεδομένων, κατανεμημένες, στο σύννεφο). Η εποχή των “μεγάλων δεδομένων” (αρχιτεκτονική MapReduce κ.λπ.). Εργαστηριακές ώρες με PostgreSQL, MongoDB, Spark (Batch Processing, Streaming, MLib).
Συντονιστής μαθήματος: Γιάννης Θεοδωρίδης
(ECTS: 3)
Περιγραφή μαθήματος:
Επιχειρηματική αναλυτική με Python (επεξεργασία και αποθήκευση δεδομένων, χρήση αλγορίθμων μηχανικής μάθησης και βελτιστοποίησης, οπτικοποίηση των αποτελεσμάτων). Μέθοδοι, αλγόριθμοι και μελέτες περιπτώσεων επιχειρηματικής αναλυτικής για τη διαχείριση και βελτιστοποίηση χαρτοφυλακίου. Μέθοδοι, αλγόριθμοι και μελέτες περιπτώσεων για την επιχειρηματική ανάλυση στη βιομηχανία 4.0. Εργαστηριακές ώρες με Pyomo (γλώσσα μοντελοποίησης βελτιστοποίησης), SymPy (εκτέλεση συμβολικών μαθηματικών υπολογισμών), Gurobi Optimizer (επιλυτής μαθηματικού προγραμματισμού).
Συντονιστής μαθήματος: Δημήτρης Αποστόλου
(ECTS: 3)
Περιγραφή μαθήματος:
Βασικές τεχνικές σχεδιασμού και ανάλυσης αλγορίθμων. Κατηγορίες πολυπλοκότητας. Αλγόριθμοι για υπολογιστικά δυσεπίλυτα προβλήματα. Στοιχεία αλγοριθμικής θεωρίας παιγνίων. Σχεδιασμός αλγορίθμων με βάση τη μηχανική μάθηση.
Συντονιστής μαθήματος: Χαράλαμπος Κωνσταντόπουλος
ECTS: 3
Περιγραφή μαθήματος:
Το μάθημα παρουσιάζει κοινές και σύγχρονες αρχιτεκτονικές βαθιών νευρωνικών δικτύων, όπως: Συνελικτικές αρχιτεκτονικές, Αναδρομικά Νευρωνικά Δίκτυα, μηχανισμοί προσοχής και μετασχηματιστές. Επιπλέον, το μάθημα συζητά έννοιες και ζητήματα που σχετίζονται με την εκπαίδευση και είναι ζωτικής σημασίας για την απόκτηση μιας σταθερής κατανόησης των υποκείμενων αρχών των πιο σημαντικών διαδικασιών εκπαίδευσης, όπως η μηχανική του αλγορίθμου backpropagation, ο συντονισμός των παραμέτρων και τα ζητήματα σύγκλισης/υπερπροσαρμογής. Το μάθημα εξελίσσεται σε πέντε διαλέξεις και η πρόοδος των φοιτητών αξιολογείται μέσω ενός ομαδικού έργου.
Συντονιστής μαθήματος: Άγγελος Πικράκης
Δεύτερο εξάμηνο:
(ECTS: 6)
Περιγραφή μαθήματος:
Ανάλυση διακύμανσης (ANOVA). Ανάλυση παλινδρόμησης. Ανάλυση κύριων συνιστωσών, ανάλυση παραγόντων. Κυρτή βελτιστοποίηση. Ακέραιος προγραμματισμός και συνδυαστική βελτιστοποίηση. Μη γραμμικός προγραμματισμός (ευρετικές μέθοδοι, παραμετρικές τεχνικές, αλγόριθμοι προσέγγισης). Δυναμικός προγραμματισμός. Εργαστηριακές ώρες με MATLAB.
Συντονιστής μαθημάτων: Γρηγόρης Κορωνάκος
(ECTS: 3)
Περιγραφή μαθήματος:
Έννοιες νευρωνικών δικτύων (perceptron, feed-forward δίκτυα, συναρτήσεις κόστους, εκπαίδευση και επικύρωση). Αρχιτεκτονικές βαθιών Νευρωνικών Δικτύων (MLPs, Convolutional, Recurrent, κ.λπ.). Εφαρμογές στις επιχειρήσεις και στην ανάλυση δεδομένων. Εφαρμογές στην κυβερνοασφάλεια και τα ενσωματωμένα συστήματα. Εργαστηριακές ώρες με Tensorflow, Keras, PyTorch.
Συντονιστής μαθήματος: Άγγελος Πικράκης
(ECTS: 3)
Περιγραφή μαθήματος:
Μοντέλα γεωγραφικών πληροφοριών και τεχνικές αναπαράστασης. Συστήματα διαχείρισης χωρικών βάσεων δεδομένων (λογικό – φυσικό επίπεδο). Ανάλυση γεωχωρικών δεδομένων (κατανόηση, προεπεξεργασία, αποθήκευση, ανακάλυψη γνώσης, οπτικοποίηση). Επεξεργασία και ανάλυση δεδομένων κινητικότητας. Πρόκληση Επιστήμης Δεδομένων (Kaggle). Εργαστηριακές ώρες με PostGIS, Apache Sedona (πρώην GeoSpark), Python (GeoPandas, MovingPandas).
Συντονιστής μαθήματος: Γιάννης Θεοδωρίδης
(ECTS: 6)
Περιγραφή μαθήματος:
Εισαγωγή στην οπτικοποίηση δεδομένων και πληροφοριών. Διαδικασία και μοντέλα σχεδιασμού οπτικοποίησης δεδομένων – Οπτική επίλυση προβλημάτων. Οπτικοποίηση μοτίβων με την πάροδο του χρόνου, οπτικοποίηση αναλογιών, οπτικοποίηση γραφημάτων και δικτύων, οπτικοποίηση γεωγραφικών δεδομένων σε χάρτες. Διαδραστικές τεχνικές οπτικοποίησης. Συστήματα και τεχνικές οπτικοποίησης για μεγάλα δεδομένα και τεχνητή νοημοσύνη. Εργαστηριακές ώρες με JS (D3, ChartJS, HighCharts), Python (Matplotlib, Plotly), R (ggplot2).
Συντονιστής μαθήματος: Γιώργος Παπαστεφανάτος
(ECTS: 3)
Περιγραφή μαθήματος:
Εισαγωγή. Θεωρητικά μέτρα κεντρικότητας γραφημάτων. Αλγόριθμοι ανίχνευσης κοινοτήτων. Μοντέλα εξέλιξης δικτύων. Δίκτυα συν-συγγραφής. Twitter streaming API. Ανάλυση συναισθήματος. Μοντέλα διαμόρφωσης γνώμης. Εργαστηριακές ώρες με MATLAB, Python.
Συντονιστής μαθήματος: Διονύσιος Σωτηρόπουλος
(ECTS: 3)
Περιγραφή μαθήματος:
Εισαγωγή – βασικές έννοιες των χρονοσειρών. Συνήθη μοντέλα χρονολογικών σειρών (γραμμικά, αυτοπαλινδρομούμενα, ARMA, ARIMA κ.λπ.). Πρόβλεψη με νευρωνικά δίκτυα (π.χ. μοντέλα LSTM). Επιλεγμένες προηγμένες μέθοδοι (π.χ. Prophet του Facebook). Επικύρωση προβλέψεων και μέτρα ποιότητας. Πρόκληση Επιστήμης Δεδομένων (Kaggle). Εργαστηριακές ώρες με R, Python (scikit-learn), TensorFlow (Keras), PyTorch.
Συντονιστής μαθήματος: Άγγελος Πικράκης