Professional Documents
Culture Documents
High Performance Habits How Extr
High Performance Habits How Extr
“ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ”
(MSc “DATA SCIENCE”)
ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ
Εισαγωγικά
Για την κατάρτιση του Προγράμματος Σπουδών του Π.Μ.Σ. ακολουθήθηκαν τα εξής βήματα:
α) Κατ’ αρχήν τέθηκαν οι στόχοι του με βάση τις αναγκαιότητες που οδήγησαν στη
δημιουργία ενός Π.Μ.Σ. με αντικείμενο «Επιστήμη Δεδομένων».
β) Ακολούθως προσδιορίστηκαν οι ομάδες στόχευσης (target groups), οι προοπτικές
ενασχόλησης των μελλοντικών πτυχιούχων, οι αναγκαιότητες από τις οποίες απορρέουν
οι προοπτικές αυτές και εν τέλει τα προσόντα και οι ικανότητες που απαιτούνται για
τους πτυχιούχους.
γ) Με βάση την παραπάνω αποτύπωση καθορίστηκαν τα εξειδικευμένα μαθησιακά
αποτελέσματα (subject specific learning outcomes) στα οποία οφείλει να στοχεύει το
Π.Μ.Σ.
δ) Στη συνέχεια, αναζητήθηκαν σε μία πρώτη προσέγγιση ενδεικτικά συναφή διδακτικά
αντικείμενα από τα οποία θα μπορούσαν να παράγονται τα διάφορα εξειδικευμένα
μαθησιακά αποτελέσματα.
ε) Τέλος, τα εν λόγω διδακτικά αντικείμενα ομαδοποιήθηκαν σε μείζονες θεματικές
ενότητες (modules) διδακτικών αντικειμένων, ανάλογα με το αντικείμενο που
καλύπτουν. Το σύνολο των θεματικών ενοτήτων συνιστά το πρόγραμμα σπουδών του
Π.Μ.Σ. Οι θεματικές ενότητες μπορούν να συνδυαστούν με συγκεκριμένους τρόπους,
οδηγώντας στη διαμόρφωση των κατευθύνσεων (tracks) οι οποίες είναι δομικό στοιχείο
του Προγράμματος Σπουδών του Π.Μ.Σ.
1ο εξάμηνο
Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων)
1. ΘΕ 1 - Θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων (18
ΠΜ-ECTS)
2. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την
επιστήμη των δεδομένων (12 ΠΜ-ECTS)
2ο εξάμηνο
Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων)
1. ΘΕ 1 - Θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων (6
ΠΜ-ECTS)
2. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την
επιστήμη των δεδομένων (24 ΠΜ-ECTS)
3ο εξάμηνο
Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων)
1. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την
επιστήμη των δεδομένων (2 ΠΜ-ECTS)
Γ. Κατ’ Επιλογήν Θεματικές Ενότητες. Επιλέγεται μία από τις τρεις ακόλουθες
θεματικές ενότητες:
1. ΘΕ 5 - Η επιστήμη των δεδομένων στην περιοχή της ενέργειας (24 ΠΜ-ECTS)
2. ΘΕ 6 - Η επιστήμη των δεδομένων στους τομείς της διατροφής και της γεωργίας (24
ΠΜ-ECTS)
3. ΘΕ 7 - Μηχανική δεδομένων στην επιστήμη δεδομένων (24 ΠΜ-ECTS)
4. ΘΕ 8 – Η επιστήμη των δεδομένων στις βιο-επιστήμες (24 ΠΜ-ECTS)
4ο εξάμηνο
Α. Υποχρεωτικές Θεματικές Ενότητες
1. ΘΕ 4 – Διπλωματική εργασία (30 ΠΜ-ECTS)
Τα μαθήματα του προγράμματος σπουδών διαμορφώνονται ως εξής :
Α’ εξάμηνο: ECTS
1. Introduction to Big Data systems 6
2. Advanced and large-scale statistical methods 6
3. Machine learning 6
4. Data lifecycle management 6
5. Introduction to data intensive science 6
ΣΥΝΟΛΟ 30
Β’ εξάμηνο: ECTS
1. Computation for Big Data 6
2. Distributed databases 6
3. Data Summarization and Visualization 6
4. High performance computing and parallel systems 6
5. Thematic implementations of data intensive science 6
ΣΥΝΟΛΟ 30
ΣΥΝΟΛΟ 30
5. Research methodology 2
6. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data 4
analysis β) Linked open data applications
ΣΥΝΟΛΟ 30
2. Bioinformatics 6
5. Research methodology 2
6. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data 4
analysis β) Linked open data applications
7. ΣΥΝΟΛΟ 30
5. Research methodology 2
6. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data
analysis β) Linked open data applications 4
7. ΣΥΝΟΛΟ 30
Δ’ εξάμηνο: ECTS
1. Μεταπτυχιακή διατριβή 30
ΣΥΝΟΛΟ 30
1. να μπορούν να περιγράφουν το αντικείμενο της επιστήμης των • Έννοιες σχετικές με τα «μεγάλα δεδομένα»
δεδομένων, τα επιστημονικά ζητήματα που άπτονται αυτής, • Επισκόπηση των υποδειγμάτων (paradigms) ανάλυσης δεδομένων στην περιοχή
τις περιοχές όπου βρίσκει εφαρμογή, τα οφέλη από τη χρήση των μεγάλων δεδομένων
της και ιδιαίτερα αυτά που σχετίζονται με την ανάλυση των • Επισκόπηση των υποδειγμάτων (paradigms) αποθήκευσης στην περιοχή των
δεδομένων και την αξία που παράγεται από αυτή την μεγάλων δεδομένων
ανάλυση, τις πρακτικές και τα εργαλεία που • Επισκόπηση των σύγχρονων προβλημάτων στην περιοχή των μεγάλων
χρησιμοποιούνται. δεδομένων
• Υποδείγματα επιστημονικής έρευνας
• Επιστημονική έρευνα που βασίζεται στα δεδομένα
• Προσεγγίσεις επιστημονικής ανακάλυψης με ένταση δεδομένων στους τομείς
της ενέργειας, της Γης και του περιβάλλοντος, των βιοεπιστημών και στους
κλάδους της διατροφής και της γεωργίας
• Ευκαιρίες και προκλήσεις στην ενέργεια και το περιβάλλον
• Ευκαιρίες και προκλήσεις στους κλάδους της διατροφής και της γεωργίας
• Ευκαιρίες και προκλήσεις στις βιοεπιστήμες
Εξειδικευμένα μαθησιακά αποτελέσματα
Ενδεικτικά συναφή διδακτικά αντικείμενα
Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές
πρέπει:
3. να μπορούν να καταγράψουν μεθόδους για επεξεργασία, • Προηγμένες στατιστικές μέθοδοι για δεδομένα μεγάλης κλίμακας (Μοντέλα,
ανάλυση και εν γένει αξιοποίηση των δεδομένων, να Συναγωγή (inference), Δειγματοληψία)
επιλέξουν την κατάλληλη μέθοδο για το κάθε πρόβλημα και • Μηχανική μάθηση με εποπτεία
τα κατάλληλα εργαλεία για την εφαρμογή της μεθόδου. • Μηχανική μάθηση χωρίς εποπτεία
• Ημιεποπτευόμενη μηχανική μάθηση και μεταφορά μάθησης (transfer learning)
• Εξόρυξη πληροφορίας και γνώσης από τα δεδομένα
Εξειδικευμένα μαθησιακά αποτελέσματα
Ενδεικτικά συναφή διδακτικά αντικείμενα
Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές
πρέπει:
να έχουν τη δυνατότητα να συνθέτουν λύσεις για ανάλογα • Εργαλεία υποστήριξης αποφάσεων για διαμόρφωση πολιτικής
προβλήματα, είτε στις συγκεκριμένες περιοχές εφαρμογής • Προηγμένες και κατανεμημένες μέθοδοι μηχανικής μάθησης
είτε σε διαφορετικές, μεταφέροντας τη γνώση και την • Προηγμένα θέματα μεγάλων δεδομένων
εμπειρία τους. • Αισθητήρες και διαδίκτυο των πραγμάτων
6. να μπορούν να περιγράφουν τους βασικούς αλγόριθμους και • Προηγμένες στατιστικές μέθοδοι για δεδομένα μεγάλης κλίμακας (Μοντέλα,
τις δομές της επιστήμης της πληροφορικής που Συναγωγή (inference), Δειγματοληψία)
χρησιμοποιούνται για τη διαχείριση, επεξεργασία και • Μηχανική μάθηση με εποπτεία
ανάλυση των δεδομένων και να επιλέγουν τις κατάλληλες • Μηχανική μάθηση χωρίς εποπτεία
δομές και αλγορίθμους για την επίλυση των προβλημάτων • Ημιεποπτευόμενη μηχανική μάθηση και μεταφορά μάθησης (transfer learning)
• Εξόρυξη πληροφορίας και γνώσης από τα δεδομένα
• Βάσεις δεδομένων γράφων
• Αποθήκες εγγράφων/NoSQL
• Αποθήκες οργανωμένες κατά στήλες
• Το προγραμματιστικό υπόδειγμα Map/Reduce
• Κατανεμημένος συναρτησιακός προγραμματισμός
• Επεξεργασία ροών δεδομένων και μαζική επεξεργασία δεδομένων
• Εξαγωγή σύνοψης κειμένων
• Εξαγωγή σύνοψης από σειρές δεδομένων
• Προσεγγίσεις στην οπτικοποίηση δεδομένων
• Εισαγωγή στις έννοιες της υπολογιστικής υψηλών επιδόσεων
• Προγραμματισμός με το υπόδειγμα μεταβίβασης μηνύματος (MPI)
Εξειδικευμένα μαθησιακά αποτελέσματα
Ενδεικτικά συναφή διδακτικά αντικείμενα
Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές
πρέπει:
7. να αναπτύξουν τις δυνατότητες έρευνας σε αντικείμενα που • Διαμόρφωση ερευνητικών προβλημάτων-ερωτημάτων και κατάρτιση
άπτονται της επιστήμης δεδομένων σχεδιασμού έρευνας
• Συλλογή και ανάλυση δεδομένων για την επίλυση επιστημονικών προβλημάτων
Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS
ΘΕ 3 (Υποχρεωτικά κατ’ επιλογήν • Νομικά και ηθικά ζητήματα της ανάλυσης μεγάλων δεδομένων
αντικείμενα) o Άδειες χρήσης δεδομένων
o Διαμοιρασμός δεδομένων
Ζητήματα στην επιστήμη των μεγάλων o Ανοικτότητα δεδομένων
δεδομένων o Ζητήματα ασφάλειας και ιδιωτικότητας
o Νομικό πλαίσιο για τη διαχείριση δεδομένων 5,5
• Εφαρμογές ανοικτών και διασυνδεδεμένων δεδομένων
o Ανοικτά και διασυνδεδεμένα δεδομένα στην ενέργεια και το περιβάλλον.
o Ανοικτά και διασυνδεδεμένα δεδομένα στους κλάδους της διατροφής και της γεωργίας
o Ανοικτά και διασυνδεδεμένα δεδομένα στις βιοεπιστήμες
ΘΕ 6 (Επιλογής) • Αλυσίδα αξίας δεδομένων στους τομείς της διατροφής και της γεωργίας
o Επισκόπηση της αλυσίδας αξίας
Η επιστήμη των δεδομένων στους o Ανακάλυψη δεδομένων και αποτίμησή τους
τομείς της διατροφής και της γεωργίας o Λήψη δεδομένων (data ingestion)
o Επεξεργασία δεδομένων
o Ολοκλήρωση δεδομένων
o Ανάλυση δεδομένων
o Προβολή/διάθεση δεδομένων
• Αναγνώριση κινδύνων και διαχείριση κρίσεων διά μέσου των δεδομένων
o Τα δεδομένα ως ένδειξη κινδύνων/κρίσεων
o Εντοπισμός οριακών περιπτώσεων (outliers)
o Εξόρυξη σε κείμενα για αναγνώριση κινδύνων 22
• Αισθητήρες και διαδίκτυο των πραγμάτων
o Τύποι αισθητήρων
o Μορφές δεδομένων αισθητήρων
o Επισκόπηση του διαδικτύου των πραγμάτων και των εφαρμογών τους
o Υποδομές αισθητήρων και διαδικτύου των πραγμάτων
• Εργαλεία υποστήριξης αποφάσεων για διαμόρφωση πολιτικής
o Επισκόπηση της διαμόρφωσης πολιτικής
o Συνάθροιση δεδομένων για μοντελοποίηση πολιτικής
o Οπτικοποίηση δεδομένων για μοντελοποίηση πολιτικής
o Εφαρμογές εργαλείων υποστήριξης αποφάσεων
Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS