ΒΙΟΣΤΑΤΙΣΤΙΚΗ
| Τίτλος | ΒΙΟΣΤΑΤΙΣΤΙΚΗ / BIOSTATISTICS |
| Κωδικός | APBC.01.02 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Βιολογίας |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Αθανάσιος Καλλιμάνης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600022121 |
Πρόγραμμα Σπουδών: ΔΙΠΜΣ ΕΦΑΡΜΟΣΜΕΝΗ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ 2022
Εγγεγραμμένοι φοιτητές: 13
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Υποχρεωτικό | 1 | 1 | 6 |
| Τίτλος | ΒΙΟΣΤΑΤΙΣΤΙΚΗ |
| Ακαδημαϊκό Έτος | 2023 – 2024 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Class ID | 600244849
|
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600244849
- eLearning (Moodle): https://elearning.auth.gr/course/view.php?id=17264
Γλώσσα Διδασκαλίας
- Αγγλικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα:
1) εξοικειωθούν με τις αρχές και τα βήματα της στατιστικής συμπερασματολογίας
2) μπορούν να εκτελούν αναλύσεις στο πρόγραμμα SPSS
3) μπορούν να εκτελούν προχωρημένες στατιστικές αναλύσεις στο περιβάλλον της R
4) μπορούν να κάνουν σύγκριση και επιλογή μοντέλων
5) εξοικειωθούν με μοντέλα μηχανικής εκμάθησης με ή χωρίς επίβλεψη στο περιβάλλον της python.
Γενικές Ικανότητες
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Εργασία σε διεπιστημονικό περιβάλλον
Περιεχόμενο Μαθήματος
Τα περιεχόμενα του μαθήματος περιλαμβάνουν:
1) εισαγωγή στις βασικές έννοιες της στατιστικής, στις κατανομές και στη συμπερασματολογία, 2) hands-on στατιστική ανάλυση στο πρόγραμμα SPSS, 3) εκμάθηση βασικών και προχωρημένων προσεγγίσεων στατιστικής ανάλυσης στο περιβάλλον της R σε διαφορετικές κατηγορίες δεδομένων (basic linear model analysis, generalized linear models, και generalized linear mixed-effects models), 4) μέθοδοι resampling, 5) σύγκριση και επιλογή μεταξύ μοντέλων, 6) βασικές αρχές Bayesian στατιστικής και παραδείγματα, 7) εισαγωγή σε μοντέλα μηχανικής εκμάθησης με ή χωρίς επίβλεψη και παραδείγματα στο περιβάλλον της python.
Τύποι Εκπαιδευτικού Υλικού
- Διαφάνειες
- Βιντεοδιαλέξεις
- Διαδραστικές ασκήσεις
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 | 96 | 3,8 | |||
| Εργαστηριακή Άσκηση | 4 | 0,2 | |||
| Διαδραστική διδασκαλία στο Υπολογιστικό Κέντρο | 3 | 0,1 | |||
| Συγγραφή εργασίας / εργασιών | 24 | 1,0 | |||
| Εξετάσεις | 23 | 0,9 | |||
| Σύνολο | 150 | 6 |
Αξιολόγηση Φοιτητών
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εργασία (Συμπερασματική)
- Προφορική Εξέταση (Συμπερασματική)
Τελευταία Επικαιροποίηση
28-01-2024
