Ανάλυση μεγάλων δεδομένων
| Τίτλος | Ανάλυση μεγάλων δεδομένων / Big data Analysis |
| Κωδικός | UAV07 |
| Σχολή | Πολυτεχνική |
| Τμήμα | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Ανδρέας Συμεωνίδης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600024620 |
Πρόγραμμα Σπουδών: ΔΠΜΣ Εναέρια Αυτόνομα Συστήματα
Εγγεγραμμένοι φοιτητές: 3
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Επιλογής | 2 | 1 | 5 |
| Τίτλος | Ανάλυση μεγάλων δεδομένων |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Διδάσκοντες άλλων Κατηγοριών | |
| Class ID | 600293512
|
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τύπος Μαθήματος 2016-2020
- Επιστημονικής Περιοχής
Τύπος Μαθήματος 2011-2015
Εμβάθυνσης / Εμπέδωσης Γνώσεων
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600293512
Γλώσσα Διδασκαλίας
- Αγγλικά (Διδασκαλία, Εξέταση)
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
- Λήψη αποφάσεων
- Παραγωγή νέων ερευνητικών ιδεών
Περιεχόμενο Μαθήματος
1. Εισαγωγή στην Αναλυτική Μεγάλων Δεδομένων: Ορισμοί, Παραδείγματα, Τομείς εφαρμογής
2. Μοντελοποίηση Μεγάλων Δεδομένων – Aρχιτεκτονικές διαχείρισης Μεγάλων Δεδομένων
3. Διερεύνηση/ οπτικοποίηση δεδομένων
4. Προετοιμασία και προεπεξεργασία δεδομένων
5. Τεχνικές μηχανικής μάθησης (Μέρος 1): Αξιολόγηση μοντέλου
6. Τεχνικές μηχανικής μάθησης (Μέρος 2): Ταξινόμηση, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
7. Τεχνικές μηχανικής μάθησης (Μέρος 3): Ομαδοποίηση, Ανασκόπηση, Ορισμοί, Αλγόριθμοι
8. Τεχνικές μηχανικής εκμάθησης (Μέρος 6): Μέθοδοι συνόλων, μετα-μάθηση
Λέξεις Κλειδιά
αλγόριθμοι, τεχνικές μηχανικής εκμάθησης, αναλυτική μεγάλων δεδομένων
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιντεοδιαλέξεις
- 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 | 43 | 1,7 | ✓ | ||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 19 | 0,8 | ✓ | ||
| Διαδραστική διδασκαλία στο Υπολογιστικό Κέντρο | ✓ | ||||
| Εκπόνηση μελέτης (project) | |||||
| Εξετάσεις | 63 | 2,5 | ✓ | ||
| Σύνολο | 125 | 5 |
Αξιολόγηση Φοιτητών
Περιγραφή
- Δύο διαδικτυακά κουίζ (αναμένονται την εβδομάδα 6, εβδομάδα 12) (40% + 40%)
- Αξιολόγηση σε ένα πρόβλημα ανάλυσης μεγάλων δεδομένων που θα υποβληθεί από κάθε φοιτητή στο τέλος του μαθήματος (20%)
-- Έκθεση (1000 – 1500 λέξεις) που συζητά την υπόθεση και τη λύση του προβλήματος
-- Σενάρια R/Python της λύσης, συμπεριλαμβανομένων των πειραμάτων και των μοντέλων εκπαίδευσης που δημιουργήθηκαν.
- Αξιολόγηση βάσει σχολίων που υποβάλλονται από κάθε φοιτητή στα διαδικτυακά φόρουμ συζητήσεων (10%)"
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
- Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
- Εργαστηριακή Εργασία (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
-Recommended Bibliography:
1. Introduction to Data mining, P. Tan, M. Steinbach & V. Kumar, Addison Wesley, 2005.
2. Data Mining; Concepts and Techniques, 2nd edition, J. Han and M. Kamber, Morgan Kaufmann, 2006.
3. Practical Machine Learning in R, 2nd edition, K. Chatzidimitriou et al., 2015.
Τελευταία Επικαιροποίηση
08-11-2024
