Υπολογισμός της συνάρτησης πυκνότητας πιθανότητας συνάρτησης g(X) της τ.μ. Χ
Συνδιασπορά και συντελεστής συσχέτισης
Ενότητα 4: Οριακά Θεωρήματα
Ροπογεννήτριες συναρτήσεις
Ο ασθενής νόμος των μεγάλων αριθμών
Το κεντρικό οριακό θεώρημα
Βασικές έννοιες στοχαστικών διαδικασιών
Μαθησιακά αποτελέσματα:
Γνώση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής έχει αποκτήσει ένα πλήρες και ισχυρό μαθηματικό υπόβαθρο στη Θεωρία Πιθανοτήτων η οποία είναι απαραίτητη στην ανάλυση και μελέτη τυχαίων φαινομένων και αποτελεί ένα από τα κύρια συστατικά της Επιστήμης των Δεδομένων. Κατανόηση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής έχει κατανοήσει τις βασικές έννοιες των πιθανοτήτων (πιθανοτικοί νόμοι, δεσμευμένη πιθανότητα, πολλαπλασιαστικός νόμος, ολική πιθανότητα, νόμος του Bayes, ανεξαρτησία), των διακριτών και των συνεχών τυχαίων μεταβλητών και κατανομών. Εφαρμογή: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να κατανοεί και να εφαρμόζει καινοτόμες τεχνικές για πρακτικά προβλήματα ανίχνευσης, ταξινόμησης και λήψης αποφάσεων σε διάφορους τομείς της μηχανικής όπως η ανάλυση δεδομένων, η ακουστική, η βιοϊατρική, η δορυφορική τηλεπισκόπηση, οι τηλεπικοινωνίες, η ανάλυση εικόνας, ήχου και βίντεο, η αστροφυσική. Ανάλυση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να πραγματοποιεί πιθανοτική ανάλυση και μοντελοποίηση δεδομένων που προέρχονται από διάφορες πηγές (επιστημονικά όργανα, κοινωνικά δίκτυα, οικονομικές μετρήσεις, κτλ). Σύνθεση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να συνθέτει τεχνικές επεξεργασίας δεδομένων και να σχεδιάζει στατιστικές μεθόδους που βασίζονται σε πιθανοτικά μοντέλα για την εξαγωγή πληροφορίας από επιστημονικές μετρήσεις. Αξιολόγηση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να παρακολουθήσει προχωρημένα μαθήματα ανάλυσης δεδομένων, να συγκρίνει την απόδοση διαφορετικών μεθόδων επεξεργασίας σημάτων χρησιμοποιώντας μετρήσιμα κριτήρια απόδοσης και να αξιολογεί την αποδοτικότητα αλγορίθμων τελευταίας τεχνολογίας.
Αξιολόγηση:
Λεπτομέρειες για την βαθμολόγηση του μαθήματος περιέχονται στην ιστοσελίδα του μαθήματος
Τα μαθήματα του Τμήματος Επιστήμης Υπολογιστών κωδικοποιούνται με τα γράμματα "ΗΥ" και με τρία ψηφία. Το πρώτο ψηφίο δηλώνει το έτος κατά το οποίο συνήθως παρακολουθείται το μάθημα:
Πρώτο Ψηφίο
Κανονικό Έτος Παρακολούθησης
1,2,3,4
Πρώτο, Δεύτερο, Τρίτο, Τέταρτο
5,6
Μεταπτυχιακά μαθήματα
7,8,9
Ειδικά θέματα
Περιοχές Μαθημάτων
Κωδικός
Επιστημονική Περιοχή
A1
Αρχιτεκτoνική υπολογιστών και μικρο-ηλεκτρονική
A2
Συστήματα υπολογιστών και παράλληλα υπολογιστικά συστήματα υψηλών επιδόσεων
A3
Ασφάλεια υπολογιστών και κατανεμημένα συστήματα
A4
Δίκτυα υπολογιστών, κινητοί υπολογισμοί και τηλεπικοινωνίες
B1
Αλγοριθμική και ανάλυση συστημάτων
B2
Βάσεις δεδομένων, διαχείριση πληροφορίας και γνώσης
B3
Τεχνολογία λογισμικού και γλώσσες προγραμματισμού
B4
Τεχνητή νοημοσύνη και μηχανική μάθηση
C1
Επεξεργασία και ανάλυση σημάτων
C2
Υπολογιστική όραση και ρομποτική
C3
Γραφική και αλληλεπίδραση ανθρώπου-υπολογιστή
C4
Βιοπληροφορική, ιατρική πληροφορική, και υπολογιστικές νευροεπιστήμες
Ακολουθούν συνοπτικοί κατάλογοι κατά κατηγορίες των μαθημάτων του προγράμματος βασικών σπουδών του Τμήματος Επιστήμης Υπολογιστών του Πανεπιστημίου Κρήτης. Μαθήματα των οποίων οι κωδικοί αρχίζουν με "ΜΕΜ" ή "ΦΥΣ" διδάσκονται από το Τμήμα Μαθηματικών Εφαρμοσμένων Μαθηματικών ή το Φυσικό αντιστοίχως και αναφέρονται με τους οικείους κωδικούς. Τα προαπαιτούμενα που αναφέρονται μέσα σε παρενθέσεις συνιστώνται έντονα, αλλά δεν είναι υποχρεωτικά.