ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
| Τίτλος | ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ / DATA ANALYSIS |
| Κωδικός | 228 |
| Σχολή | Πολυτεχνική |
| Τμήμα | Μηχανολόγων Μηχανικών |
| Κύκλος / Επίπεδο | 1ος / Προπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Σοφία Παναγιωτίδου |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600021718 |
Πρόγραμμα Σπουδών: ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΗΧΑΝΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ
Εγγεγραμμένοι φοιτητές: 72
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| Ενεργειακός | Επιλογή της Άλλης Κατεύθυνσης | 8 | 4 | 5 |
| Κατασκευαστικός | Επιλογή της Άλλης Κατεύθυνσης | 8 | 4 | 5 |
| Βιομηχανικής Διοίκησης | Υποχρεωτικό Κατεύθυνσης | 8 | 4 | 5 |
| Τίτλος | ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ |
| Ακαδημαϊκό Έτος | 2022 – 2023 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Ώρες Εβδομαδιαία | 4 |
| Class ID | 600216125
|
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600216125
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Είναι απαραίτητη η πολύ καλή γνώση βασικών εννοιών της θεωρίας πιθανοτήτων και της στατιστικής.
Μαθησιακά Αποτελέσματα
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
• να παρουσιάζουν γραφικά και να αναλύουν σύνολα δεδομένων
• να εκτελούν απλή και πολλαπλή γραμμική παλινδρόμηση και να εφαρμόζουν μεθόδους επιλογής μοντέλων πολλαπλής γραμμικής παλινδρόμησης
• να υπολογίζουν διαστήματα εμπιστοσύνης και διαστήματα πρόβλεψης σε προβλήματα παλινδρόμησης
• να εφαρμόζουν μεθόδους ταξινόμησης, κατηγοριοποίησης και ομαδοποίησης δεδομένων
• να εφαρμόζουν μεθόδους αξιολόγησης αποτελεσματικότητας
• να εφαρμόζουν ειδικές μεθόδους δειγματοληψίας
• να εκτελούν όλες τις προαναφερθείσες τεχνικές σε γλώσσα προγραμματισμού Python και να επιλέγουν την καταλληλότερη
• να ερμηνεύουν τα αποτελέσματα και να αξιολογούν την επίδοση των επιμέρους μεθόδων με χρήση στατιστικών εργαλείων
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Εργασία σε διεπιστημονικό περιβάλλον
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Το περιεχόμενο του μαθήματος «Ανάλυση Δεδομένων» καλύπτει τις σύγχρονες στατιστικές μεθόδους επεξεργασίας και διαχείρισης δεδομένων. Συγκεκριμένα, στο μάθημα μελετώνται μέθοδοι στατιστικής επεξεργασίας κατάλληλες για μεγάλο όγκο δεδομένων (Big Data) σε εποπτευόμενο και μη-εποπτευόμενο περιβάλλον (supervised και unsupervised statistical learning), καθώς επίσης και μέθοδοι αξιολόγησης της αποτελεσματικότητας των διάφορων στατιστικών τεχνικών και επιλογής της καταλληλότερης.
Επιγραμματικά, στο μάθημα αναλύονται τα ακόλουθα:
• Γραμμική και μη γραμμική παλινδρόμηση (Linear and Non-linear Regression)
• Η μέθοδος του πλησιέστερου γείτονα (K-nearest neighbors)
• Λογιστική παλινδρόμηση (Logistic regression)
• Ανάλυση γραμμικής διάκρισης (Linear Discriminant Analysis)
• Ειδικές μέθοδοι παλινδρόμησης
• Μέθοδοι αξιολόγησης αποτελεσματικότητας (Cross-Validation and Bootstrap)
• Δένδρα ταξινόμησης και παλινδρόμησης (Regression and Classification Trees)
• Τυχαιοποιημένα δάση (Random Forests)
• Ειδικές μέθοδοι δειγματοληψίας (Bagging – Boosting)
• Μέθοδοι ομαδοποίησης κατά συστάδες (K-means Clustering, Hierarchical Clustering)
• Μέθοδοι στατιστικής ανάλυσης αποτελεσμάτων
Λέξεις Κλειδιά
Ανάλυση δεδομένων, Επιβλεπόμενη μάθηση, Μη επιβλεπόμενη μάθηση
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Χρήση Η/Υ και εξειδικευμένου λογισμικού (γλώσσα προγραμματισμού Python) κατά τη διδασκαλία και την αξιολόγηση των φοιτητών.
Δυνατότητα επίλυσης αποριών μέσω Zoom κατά τις ώρες συνεργασίας.
Ανάρτηση ανακοινώσεων και γενικών πληροφοριών σχετικών με το μάθημα στο eLearning
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 52 | 1,7 | ✓ | ||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 30 | 1 | ✓ | ✓ | |
| Συγγραφή εργασίας / εργασιών | 65 | 2,2 | ✓ | ||
| Εξετάσεις | 3 | 0,1 | ✓ | ||
| Σύνολο | 150 | 5 |
Αξιολόγηση Φοιτητών
Περιγραφή
Ο τελικός βαθμός του μαθήματος Μ θα προκύψει από συνδυασμό των βαθμών της τελικής εξέτασης (Τ) και του μέσου όρου βαθμολογίας των εργασιών του μαθήματος (Ε) μέσω της σχέσης: Μ = (0,6)Τ + (0,4)Ε αν Τ>4. Σε κάθε άλλη περίπτωση Μ = Τ.
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική)
- Προφορική Εξέταση (Διαμορφωτική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
[1] Εφαρμοσμένη Στατιστική και Στατιστική Μηχανική Μάθηση με χρήση των IBM SPSS Statistics, R Python, Μπερσίμης Σωτήριος, Μπάρτζης Γεώργιος, Παπαδάκης Γεώργιος, Σαχλάς Αθανάσιος, Εκδ. Τζιόλα, 2021.
[2] Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, Grus Joel, Εκδ. Α. Παπασωτηρίου & ΣΙΑ Ι.Κ.Ε., 2020.
[3] Ανάλυση Δεδομένων με την R, Νικολάου Χριστόφορος, Εκδ. Δίσιγμα ΙΚΕ, 2019.
[4] Μηχανική Μάθηση, Κωνσταντίνος Διαμαντάρας, Δημήτρης Μπότσης, Εκδ. Κλειδάριθμος ΕΠΕ, 2019.
[5] Αναγνώριση Προτύπων και Μηχανική Μάθηση, C.M. Bishop, Εκδ. Γρηγόριος Χρυσοστόμου Φούντας, 2019.
[6] Στατιστική και Μηχανική Μάθηση με την R, Ιωαννίδης Δημήτριος- Αθανασιάδης Ιωάννης, Εκδ. Τζιόλα, 2017.
Επιπρόσθετη βιβλιογραφία για μελέτη
[1] An Introduction to Statistical Learning with applications in R, Second Edition, Gareth James, Daniela Witter, Trevor Hastie, Robert Tibshirani, Springer, 2021.
Τελευταία Επικαιροποίηση
18-07-2025
