ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ
| Τίτλος | ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ / DATA SCIENCE IN LOGISTICS MANAGEMENT |
| Κωδικός | ΕΔΕ11 |
| Σχολή | Κοινωνικών και Οικονομικών Επιστημών |
| Τμήμα | Οικονομικών Επιστημών |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Αλέξανδρος Διαμαντίδης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600026525 |
Πρόγραμμα Σπουδών: ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΣΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΑ
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| Κορμός | Επιλογής | 1 | 1 | 6 |
| Τίτλος | ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Class ID | 600273582
|
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600273582
- eLearning (Moodle):
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
•κατανοούν τα βασικά προβλήματα που καλούνται να αντιμετωπίσουν στην καθημερινότητά τους οι υπεύθυνοι Διοίκησης Εφοδιαστικής
•να εφαρμόζουν εργαλεία της Επιστήμης Δεδομένων για να επιλύουν προβλήματα που εντάσσονται στο πλαίσιο της Διοίκησης Εφοδιαστικής, όπως για παράδειγμα το πρόβλημα της διανομής προϊόντων, της δρομολόγησης στόλου και της σχεδίασης-βελτιστοποίησης του δικτύου της Εφοδιαστικής Αλυσίδας
•να αξιοποιούν εργαλεία και γλώσσες προγραμματισμού όπως η R η Python για να εντοπίζουν λύσεις που βασίζονται σε δεδομένα (data-driven solutions)
•να αναλύουν μελέτες περιπτώσεων που αφορούν πραγματικές εφαρμογές της Επιστήμης Δεδομένων στη Διοίκηση Εφοδιαστικής
•να μπορούν να μετρούν και να συγκρίνουν την αποτελεσματικότητα λειτουργικών μονάδων ενός δικτύου εφοδιαστικής αλυσίδας
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Εργασία σε διεθνές περιβάλλον
- Εργασία σε διεπιστημονικό περιβάλλον
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Στα πλαίσια του μαθήματος παρουσιάζονται οι βασικές αρχές της Διοίκησης Εφοδιαστικής, η αξία των δεδομένων για τη λήψη των σχετικών αποφάσεων καθώς και οι πηγές και ο τύπος των σχετικών δεδομένων. Επιπλέον, παρουσιάζονται βασικοί αλγόριθμοι για την επίλυση προβλημάτων μέτρησης και σύγκρισης αποτελεσματικότητας μονάδων, διανομής προϊόντων, δρομολόγησης στόλου και σχεδίασης-βελτιστοποίησης του δικτύου της Εφοδιαστικής Αλυσίδας, καθώς και τεχνικές Μηχανικής Μάθησης που είναι σε θέση να παρέχουν αποτελεσματικές λύσεις στα παραπάνω προβλήματα, αξιοποιώντας ποσοτικά δεδομένα. Η εφαρμογή των παραπάνω μεθόδων γίνεται με τη χρήση κατάλληλων εργαλείων σε γλώσσες προγραμματισμού, όπως η R η Python.
Πρόγραμμα διαλέξεων
1.Εισαγωγή. Εισαγωγικές έννοιες Εφοδιαστικής
2.Βασικά προβλήματα στη Διοίκηση Εφοδιαστικής: Πρόβλημα του Περιοδεύοντος πωλητή (TSP), Δρομολόγηση στόλου (VRP), Σχεδίαση δικτύου. Δημοφιλείς αλγόριθμοι επίλυσης για προβλήματα μεγάλη κλίμακας (π.χ. Further Insertion, Large Neighborhood Search) και εφαρμογή τους σε Python & R.
3. Επίλυση των βασικών προβλημάτων της Διοίκησης Εφοδιαστικής με αλγόριθμους μηχανικής μάθησης (π.χ. self-organizing map – SOM, Policy-Based Reinforcement Learning, Supervised Learning Approaches with Neural Networks).
4. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
5. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
6. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
7. Εισαγωγή σε βασικές έννοιες του γραμμικού προγραμματισμού και μοντελοποίησης
8. Μοντελοποίηση δικτύου εφοδιαστικής αλυσίδας με χρήση μεικτού ακέραιου γραμμικού προγραμματισμού
9. Σχεδιασμός και βελτιστοποίηση δικτύων εφοδιαστικής αλυσίδας με χρήση της γλώσσας R
10. Μέτρηση αποτελεσματικότητας μονάδων με χρήση της μεθόδου DEA (Data Envelopment Analysis) , μοντελοποίηση με χρήση γραμμικού προγραμματισμού και επίλυση με χρήση της γλώσσας R
11. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
12. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
13. Εργαστήριο: Εφαρμογές μεθόδων μηχανικής μάθησης σε Python & R
Λέξεις Κλειδιά
Διοίκηση Εφοδιαστικής – Μηχανική Μάθηση – Δρομολόγηση Στόλου – Λύσεις βασισμένες σε δ_Sxeεδομένα – Python και R – Αλγόριθμοι Βελτιστοποίησης_-Σύγκριση απότελεσματικότητας μονάδων_Βελτιστοποίηση εφοδιαστικής αλυσίδας
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
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
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 39 | ||||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 65 | ||||
| Συγγραφή εργασίας / εργασιών | 76 | ||||
| Σύνολο | 180 |
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (50%), Γραπτή Εργασία (50%)
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
- Γραπτή Εργασία (Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Cooper, W.W., Seiford, L.M., & Zhu, J. (2011),Handbook on Data Envelopment Analysis (2nd Edition),Springer
Pistikopoulos, E.N., M.C. Georgiadis and V. Dua (2010), Process Systems Engineering, Supply Chain Optimization, Wiley-VCH, ISBN: 978-3-527-31693-9.
James G., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning with applications in R (2nd edition), Springer.
James G., Witten D., Hastie T., Tibshirani R., Taylor J. (2023), An Introduction to Statistical Learning with applications in Python.Springer.
Τελευταία Επικαιροποίηση
04-09-2025
