Ανάλυση Δεδομένων - Σχολή Μηχανικών Παραγωγής και Διοίκησης

(1) ΓΕΝΙΚΑ

ΣΧΟΛΗ	Μηχανικών Παραγωγής και Διοίκησης
2η ΣΧΟΛΗ
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ	Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ	ΜΠΔ 323	ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ	6^ο
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ	ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ		ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις	2
Φροντιστηριακές Ασκήσεις	2
Σύνολο	4		4
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ	Ειδικού υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ KAI ΕΞΕΤΑΣΕΩΝ	Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS	Όχι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

(2) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να:

Συσχετίζει (Γνωρίζει) τις βασικές μεθόδους ανάλυσης δεδομένων
Αναγνωρίζει τις βασικές ένοιες της Ανάλυσης Δεδομένων
Εφαρμόζει Μαθαίνει εργαλεία με την χρήση Matlab και excel για να αναλύει δεδομένα με τις μεθόδους ανάλυσης δεδομένων
Αναλύει τα διαγράμματα και τα αποτελέσματα των μεθόδων ανάλυσης δεδομένων
Προτείνει το μοντέλο που παράγει τα βέλτιστα αποτελέσματα
Κρίνει την απόφαση που θα ληφθεί με βάση τα βέλτιστα αποτελέσματα

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
Λήψη αποφάσεων
Ομαδική εργασία
Γραπτή επικοινωνία
Εναλλακτική/Καινοτόμος σκέψη
Επίλυση προβλημάτων
Διαχείριση αριθμητικών δεδομένων
Εργασία σε διεπιστημονικό περιβάλλον

(3) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Εισαγωγή, βασικές έννοιες. Παλινδρόμηση. Ανάλυση σε κύριες συνιστώσες. Ανάλυση αντιστοιχιών. Παραγοντική ανάλυση. Διακριτή ανάλυση. Κατανομή κατά τμήματα. Ταξινομική ανάλυση. Συμπλεκτική ανάλυση. Q-ανάλυση. Ιεραρχική ανάλυση. Κανονική ανάλυση. Ανάλυση χρονολογικών σειρών. Πρόβλεψη. Τεχνικές πρόβλεψης. Τεχνολογική πρόβλεψη. Προγράμματα Η/Υ. Εφαρμογές.

(4) ΔΙΔΑΚΤΙΚΕΣ KAI ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ

Με φυσική παρουσία

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Στη διδασκαλία:	e-class
Στην εργαστηριακή εκπαίδευση:	εργασίες με λογισμικό
Στην επικοινωνία με τους φοιτητές:	e-class, email

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Διαλέξεις	26 ώρες
Φροντιστήρια	26 ώρες
Εκπόνηση Ομαδικής Εργασίας	15 ώρες
Αυτοτελής μελέτη	18 ώρες
Μελέτη και ανάλυση Βιβλιογραφίας	20 ώρες
Σύνολο	105 ώρες

Διδακτέα Ύλη ανά Εβδομάδα (13 εβδομάδες) :

Α. ΔΙΑΛΕΞΕΙΣ
1. Εισαγωγή στην Ανάλυση Δεδομένων Εισαγωγή. Σκοπός. Ορισμοί.
2. Ανασκόπηση από τη Γραμμική Άλγεβρα Άλγεβρα πινάκων.
3. Άλγεβρα διανυσμάτων, Βασικές έννοιες. Άλγεβρα διανυσμάτων. Ανάλυση διασποράς. Παραδείγματα.
4. Κεντροποιημένος πίνακας. Κανονικοποιημένος Πίνακας. Ισοσταθμισμένος πίνακας. Πίνακας συνδιακύμανσης.
5. Γραφική αναπαράσταση πινάκων. Ιδιοτιμές ιδιοδιανύσματα.
6. Ανάλυση σε Κύριες Συνιστώσες Ορισμός. Υπολογισμός. Εφαρμογή στην ανάλυση δεδομένων. Παραδείγματα.
7. Ανάλυση Αντιστοιχιών Ανάπτυξη μεθοδολογίας. Η μέθοδος του τριγώνου. Παραδείγματα.
8. Παραγοντική Ανάλυση, Ανάπτυξη μεθοδολογίας. Παραδείγματα..
9. Γραμμική Παλινδρόμηση Ανάπτυξη μεθοδολογίας. Ιδιότητες μεθόδου. Παραδείγματα.
10. Έρευνες Αγοράς
11 Ανάλυση μη προφανών δεδομένων
12. Αναλύσεις περιπτώσεων
13. Καινοτόμες αναλύσεις

Β. ΦΡΟΝΤΙΣΤΗΡΙΑ
Καταχώρηση, επεξεργασία και παρουσίαση δεδομένων με υπολογιστικά πακέτα (Ms Excel, MATLAB), επεξεργασία δεδομένων (στατιστική ανάλυση), κλπ.
1. Matalab για ανάλυση δεδομένων
2. Excel για ανάλυση δεδομένων
3. Παλινδόμηση
4. Πολλαπλή Παλινδρόμηση
5. Ανάλυση σε κύριες συνιστώσες 1
6. Ανάλυση σε κύριες συνιστώσεις 2
7. Παραγοντική Ανάλυση 1
8. Παραγοντική Ανάλυση 2
9. Ανάλυση τριγώνου
10. Ιεραρχική ταξινόμιση
11. Διακριτή Ανάλυση
12. Αναλυση αντιστοιχειών
13. Παρουσιάσεις Δεδομένων

(5) ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Αθροιστική/Συμπερασματική (για βαθμό φοιτητή) Αξιολόγηση
Γραπτή Τελική Εξέταση	80%	(Ερωτήσεις πολλαπλής επιλογής / Αντιστοίχιση)
		(Ερωτήσεις σύντομης απάντησης)
Ομαδική Εργασία	20%	(Διόρθωση Παραδομένης Εργασίας)

(6) ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Προτεινόμενη Βιβλιογραφία:

Γιάννης Παπαδημητρίου, «H Ανάλυση δεδομένων»,) Εκδόσεις: Τυπωθήτω, Αθήνα 2014.
Bartholomew, Steele, Moustaki, Galbraith, «Ανάλυση πολυμεταβλητών δεδομένων για κοινωνικές επιστήμες» Αθήνα. 2017
Καραπιστόλης, “Ανάλυση δεδομένων και Έρευνα Αγοράς”, Εκδόσεις Ανικούλα, Αθήνα, 2001.

Συναφής Βιβλιογραφία (μερική κάλυψη):

J.E. Jackson, “A Users Guide to Principal Components”, John Wiley, New York, 1991
I.T. Jolliffe, “Principal Component Analysis”, Springer Verlag, New York, 1986
L. Ljung, “System Identification: Theory for the User”, Prentice Hall, New Jersey, 1987
T. Soderstrom and P. Stoica, “System Identification”, Prentice Hall, UK, 1989

Συναφή επιστημονικά περιοδικά:

Computational Statistics & Data Analysis
Lifetime Data Analysis
International Journal of Data Analysis
Intelligent Data Analysis
Journal of Data Analysis and Information
International Journal of Data Analysis Techniques and Strategies

Πολυτεχνείο Κρήτης

Χρήσιμα

Επικοινωνία