Ανάλυση Δεδομένων

(1) ΓΕΝΙΚΑ

 ΣΧΟΛΗ Μηχανικών Παραγωγής και Διοίκησης
 2η ΣΧΟΛΗ 
 ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό
 ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΜΠΔ 323 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 6ο
 ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
   Διαλέξεις2 
   Φροντιστηριακές Ασκήσεις2 
   Σύνολο44
 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 με ανάλυση δεδομένων. Τεχνητή Νοημοσύνη στην Ανάλυση Δεδομένων. Προγράμματα Η/Υ. Εφαρμογές. Ανάλυση δεδομένων - Επιχειρηματική κατανόηση. Διερευνητική Ανάλυση Δεδομένων. Μηχανική και βαθιά μάθηση στην Ανάλυση Δεδομένων. Νεύρο-ασαφή μοντέλα. Ανάλυση δεδομένων γεωοικονομίας και γεωπολιτικής.

 

(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