Το μάθημα στοχεύει στην εισαγωγή στις θεμελιώδεις έννοιες της σύγχρονης επιστήμης δεδομένων, παρέχοντας τόσο μια βασική θεωρητική κατανόηση όσο και εμπειρία στην εφαρμογή αυτών των μεθόδων. Αρχικά, θα δώσει έμφαση στην απόκτηση βασικών θεωρητικών δεξιοτήτων μέσω του συνδυασμού γνώσεων από άλγεβρα (διανύσματα και πίνακες), λογισμό (ελαχιστοποίηση συναρτήσεων) και πιθανότητες (κατανομές). Στη συνέχεια, το μάθημα θα προχωρήσει σε βασικούς αλγορίθμους και τεχνικές ανάλυσης δεδομένων όπως η μηχανική μάθηση, η προεπεξεργασία δεδομένων και η ανάπτυξη συστημάτων. Στο τελευταίο μέρος του μαθήματος, η έμφαση θα δοθεί σε εφαρμογές σε πρακτικούς τομείς, συμπεριλαμβανομένης της ανάλυσης χρονοσειρών, της κατανόησης εικόνας, της ανάλυσης κειμένου και της μοντελοποίησης γραφημάτων.
Κάθε εβδομάδα, θα καλύπτεται ένα βασικό θέμα, με τρεις ώρες αφιερωμένες σε παραδοσιακές διαλέξεις και μία ώρα αφιερωμένη σε πρακτικές συνεδρίες. Αυτές οι συνεδρίες όχι μόνο θα παρέχουν μια συζήτηση για το θέμα κάθε εβδομάδας, αλλά και θα εμπλέκουν ενεργά τους μαθητές μέσω εργασιών παρακολούθησης και επακόλουθης σύνταξης εκθέσεων. Για να διευκολύνουμε την πρακτική πτυχή του μαθήματος, θα χρησιμοποιήσουμε ελεύθερα διαθέσιμους πόρους, ιδιαίτερα βιβλιοθήκες Python όπως NumPy, Pandas, Scikit-learn και TensorFlow. Επιπλέον, θα αξιοποιήσουμε δωρεάν υπολογιστικούς πόρους που διατίθενται μέσω πλατφορμών όπως το Google Colab. Αυτή η προσέγγιση διασφαλίζει ότι οι φοιτητές έχουν πρόσβαση στα απαραίτητα εργαλεία για να ασχοληθούν επιτυχώς με το υλικό του μαθήματος, προωθώντας τόσο τη θεωρητική κατανόηση όσο και την ανάπτυξη των πρακτικών δεξιοτήτων τους.
Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι εξοπλισμένοι με τις γνώσεις και την εμπειρία για να εφαρμόσουν βασικές αρχές και τεχνικές της επιστήμης των δεδομένων σε διάφορα σενάρια, προετοιμάζοντάς τους για προηγμένες σπουδές ή σταδιοδρομίες στον τομέα.
Μαθησιακά Αποτελέσματα
Γνώση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι ικανός να περιγράφει, να αναγνωρίζει και να διακρίνει τις βασικές θεωρητικές και πρακτικές διαστάσεις της επιστήμης δεδομένων, εφαρμόζοντας αυτές τις γνώσεις σε πραγματικά σενάρια ανάλυσης και επεξεργασίας δεδομένων. Κατανόηση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής μπορεί να κατανοεί βαθιά τις θεωρητικές αρχές της επιστήμης των δεδομένων και να αναγνωρίζει πώς αυτές εφαρμόζονται σε πραγματικά δεδομένα και σενάρια, προετοιμάζοντας τον για περαιτέρω ακαδημαϊκή εξέλιξη ή επαγγελματική ενασχόληση. Εφαρμογή: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να εφαρμόζει αποτελεσματικά τις γνώσεις του σε διάφορα πρακτικά πλαίσια, αξιοποιώντας τεχνικές και εργαλεία για την ανάλυση και την επεξεργασία δεδομένων, προκειμένου να λύσει πολύπλοκα προβλήματα και να αναπτύξει βιώσιμες λύσεις. Ανάλυση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να συνδυάζει, να αναλύει και να εφαρμόζει τις θεωρητικές γνώσεις και πρακτικές δεξιότητες που έχει αποκτήσει για τη διαχείριση και ανάλυση πραγματικών δεδομένων, προσαρμόζοντας καινοτόμες λύσεις σε πρακτικά προβλήματα.. Σύνθεση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να δημιουργεί καινούριες δομές δεδομένων, να σχεδιάζει και να οργανώνει αποτελεσματικές λύσεις για την ανάλυση και επεξεργασία πραγματικών δεδομένων, ενσωματώνοντας κριτικά τις θεωρητικές γνώσεις και τις πρακτικές μεθοδολογίες που αποκτήθηκαν. Αξιολόγηση: Έχοντας παρακολουθήσει και επιτύχει στο μάθημα, ο φοιτητής είναι σε θέση να αξιολογεί συγκρίνει, και να διακρίνει την αξία και την ποιότητα δεδομένων και αναλύσεων, να κρίνει την εγκυρότητα και να προβλέπει τις επιπτώσεις των ευρημάτων τους, ενισχύοντας την ικανότητά τους να προσδιορίζουν τις κατάλληλες στρατηγικές για την εφαρμογή στην πράξη.
Αξιολόγηση:
Λεπτομέρειες για την βαθμολόγηση του μαθήματος περιέχονται στην ιστοσελίδα του μαθήματος
ECTS
6
Προαπαιτούμενα
ΗΥ-119, ΗΥ-150, ΗΥ-217
Κατάλογος μαθημάτων (από ακαδημαϊκό έτος 2024-25)
A+
A-
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.