Εξόρυξη Δεδομένων

Πληροφορίες Μαθήματος
ΤίτλοςΕξόρυξη Δεδομένων / Big Data Analytics
ΚωδικόςΜΙΣΤΒ005
ΣχολήΕπιστημών Υγείας
ΤμήμαΙατρικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΆννα-Μπεττίνα Χάιδιτς
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600020026

Πρόγραμμα Σπουδών: ΠΜΣ Στατιστική και Αναλυτική Βιοϊατρικών Δεδομένων (2020-σήμερα)

Εγγεγραμμένοι φοιτητές: 28
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚορμόςΥποχρεωτικό217,5
Πληροφορίες Τάξης
ΤίτλοςΕξόρυξη Δεδομένων
Ακαδημαϊκό Έτος2024 – 2025
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Διδάσκοντες άλλων Κατηγοριών
Ώρες Εβδομαδιαία3
Ώρες Συνολικά39
Class ID
600260152
Τύπος Μαθήματος
Ανάπτυξης Δεξιοτήτων
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
  • Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
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
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις45✓
Εργαστηριακή Άσκηση60✓
Μελέτη και ανάλυση βιβλίων και άρθρων20✓
Εξετάσεις65✓
Σύνολο190
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