Εξόρυξη Δεδομένων
| Τίτλος | Εξόρυξη Δεδομένων / Big Data Analytics |
| Κωδικός | ΜΙΣΤΒ005 |
| Σχολή | Επιστημών Υγείας |
| Τμήμα | Ιατρικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Εαρινή |
| Υπεύθυνος/η | Άννα-Μπεττίνα Χάιδιτς |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600020026 |
Πρόγραμμα Σπουδών: ΠΜΣ Στατιστική και Αναλυτική Βιοϊατρικών Δεδομένων (2020-σήμερα)
Εγγεγραμμένοι φοιτητές: 30
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| Κορμός | Υποχρεωτικό | 2 | 1 | 7,5 |
| Τίτλος | Εξόρυξη Δεδομένων |
| Ακαδημαϊκό Έτος | 2021 – 2022 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Διδάσκοντες άλλων Κατηγοριών |
|
| Ώρες Εβδομαδιαία | 2 |
| Class ID | 600200603
|
Τύπος Μαθήματος
Ανάπτυξης Δεξιοτήτων
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600200603
- eLearning: https://elearning.auth.gr/course/view.php?id=15594
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία)
- Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Προαπαιτούμενα Μαθήματα
- ΜΙΣΤΑ001 Εισαγωγή στην Ανάλυση Δεδομένων
Μαθησιακά Αποτελέσματα
Γνώσεις
Οι συμμετέχοντες και οι συμμετέχουσες θα καταστούν ικανοί και ικανές να γνωρίζουν:
• Μεγάλα Δεδομένα: προκλήσεις και πλεονεκτήματα
• Δημοφιλείς τομείς των Μεγάλων Δεδομένων
• Έργο της ανάλυσης Μεγάλων Δεδομένων
• Τεχνικές μηχανικής μάθησης για την επίλυση προβλημάτων στην Αναλυτική Μεγάλων Δεδομένων
Ικανότητες
Οι συμμετέχοντες και οι συμμετέχουσες θα καταστούν ικανοί και ικανές:
• Να βρίσκουν υποδομές των Μεγάλων Δεδομένων
• Να οπτικοποιούν και να επεξεργάζονται συλλογές Μεγάλων Δεδομένων
• Να κατανοούν τις βασικές τεχνικές μηχανικής μάθησης και τους αλγόριθμους
• Να εφαρμόζουν τις τεχνικές μηχανικής μάθησης (ταξινόμηση, ομαδοποίηση, ανάλυση παλινδρόμησης, ανίχνευση αποκλίσεων) σε πιλοτικά προβλήματα
• Να επιλέγουν τoν πιο αποτελεσματικό αλγόριθμο, ανάλογα με τις απαιτήσεις του προβλήματος
• Να σχεδιάζουν τη μεθοδολογία για τα προβλήματα των Μεγάλων Δεδομένων μέτριας πολυπλοκότητας
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
Περιεχόμενο Μαθήματος
1. Εισαγωγή στην Αναλυτική Μεγάλων Δεδομένων: Ορισμοί, Παραδείγματα, Τομείς εφαρμογής
2. Μοντελοποίηση Μεγάλων Δεδομένων – Τεχνικές αρχιτεκτονικής διαχείρισης Μεγάλων Δεδομένων
3. Διερεύνηση/ οπτικοποίηση δεδομένων
4. Προετοιμασία και προεπεξεργασία δεδομένων
5. Τεχνικές μηχανικής εκμάθησης (Μέρος 1): Αξιολόγηση μοντέλου
6. Τεχνικές μηχανικής εκμάθησης (Μέρος 2): Ταξινόμηση, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
7. Τεχνικές μηχανικής εκμάθησης (Μέρος 3): Ομαδοποίηση, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
8. Τεχνικές μηχανικής εκμάθησης (Μέρος 4): Παλινδρόμηση, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
9. Τεχνικές μηχανικής εκμάθησης (Μέρος 5): Ανίχνευση αποκλίσεων, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
10. Τεχνικές μηχανικής εκμάθησης (Μέρος 6): Μέθοδοι συνόλων, μετα-μάθηση
11. Αυτοματοποιημένη μηχανική μάθηση: Ανασκόπηση, τεχνικές, βελτιστοποίηση υπερ-παραμέτρων
Λέξεις Κλειδιά
αλγόριθμοι, τεχνικές μηχανικής εκμάθησης, αναλυτική μεγάλων δεδομένων
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιντεοδιαλέξεις
- Πολυμεσικό υλικό
- Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 45 | ✓ | |||
| Εργαστηριακή Άσκηση | 60 | ✓ | |||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 20 | ✓ | |||
| Εξετάσεις | 65 | ✓ | |||
| Σύνολο | 190 |
Αξιολόγηση Φοιτητών
Περιγραφή
Εβδομαδιαία κουίζ πολλαπλών επιλογών
Αξιολόγηση των σχολίων που υποβάλλονται από κάθε εκπαιδευόμενο στις online ομάδες συζήτησης
Τελική αξιολόγηση με ερωτήσεις πολλαπλών επιλογών
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική)
- Εργαστηριακή Εργασία (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Introduction to Data mining, P. Tan, M. Steinbach & V. Kumar, Addison Wesley, 2005
Data Mining; Concepts and Techniques, 2nd edition, J. Han and M. Kamber, Morgan Kaufmann, 2006
Τελευταία Επικαιροποίηση
16-06-2022
