Επιχειρηματική Ευφυΐα, Αναλυτική και Ανάλυση Μεγάλων Δεδομένων - Σχολή Μηχανικών Παραγωγής και Διοίκησης

(1) ΓΕΝΙΚΑ

ΣΧΟΛΗ	Μηχανικών Παραγωγής και Διοίκησης
2η ΣΧΟΛΗ
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ	Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ	ΜΠΔ 518	ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ	8^ο
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ	ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ		ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις	2
Εργαστήρια	2
Σύνολο	4		4
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ	Ειδίκευσης
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ	Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS	Όχι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)	https://www.eclass.tuc.gr/courses/MPD220/

(2) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα

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

Αναγνωρίζει επιχειρησιακά προβλήματα
Αναλύει μεγάλους όγκους δεδομένων
Δημιουργεί γνώση και αναφορές
Διαχειρίζεται δεδομένα και γνώση
Διατυπώνει προτάσεις για επιχειρηματική ευφυΐα
Ερμηνεύει αποτελέσματα αναλύσεων
Συγκρίνει (Αξιολογεί) εναλλακτικά σενάρια
Σχεδιάζει (Αναλύει) επιχειρησιακές λύσεις
Εφαρμόζει επιχειρηματική γνώση
Χρησιμοποιεί εργαλεία για ανάλυση δεδομένων και εξαγωγή γνώσης
Αξιολογεί αλγορίθμους εξόρυξης δεδομένων και μοντέλα μηχανικής μάθησης
Διακρίνει διαφορετικούς τύπους δεδομένων

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
Λήψη αποφάσεων
Αυτόνομη εργασία
Ομαδική εργασία
Παραγωγή νέων ερευνητικών ιδεών
Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Χρήση Υπολογιστή
Επίλυση προβλημάτων
Διαχείριση αριθμητικών δεδομένων

(3) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Επιχειρηματική Ευφυΐα, Ευφυΐα Πελατών, Επιχειρηματική Ευφυΐα Νέφους, Κινητή Επιχειρηματική Ευφυΐα. Επιχειρηματική Αναλυτική. Επιστήμη των Δεδομένων, Μεγάλα Δεδομένα, τεχνολογίες αναλυτικής Μεγάλων Δεδομένων, κατανεμημένα συστήματα, MapReduce, Apache Hadoop, σχεσιακές και μη σχεσιακές (NoSQL) βάσεις δεδομένων, υπολογιστικό νέφος (Cloud Computing), μεγάλα δεδομένα και επιχειρήσεις. Αποφάσεις, συστήματα υποστήριξης αποφάσεων, διαδικασία λήψης αποφάσεων, λήψη αποφάσεων υπό αβεβαιότητα και κίνδυνο, δένδρα απόφασης. Δεδομένα, πληροφορία, γνώση, κατανόηση, σοφία. Διαχείριση Γνώσης. Αποθήκες Δεδομένων. Συστήματα Άμεσης Αναλυτικής Επεξεργασίας (OLAP). Εξόρυξη Δεδομένων και Μηχανική Μάθηση, μοντέλα διαδικασιών ανακάλυψης γνώσης, είδη Μηχανικής Μάθησης, κατηγορίες προβλημάτων Μηχανικής Μάθησης, περιορισμοί και θέματα Μηχανικής Μάθησης. Προεπεξεργασία δεδομένων: ποιότητα, ολοκλήρωση, καθαρισμός, συμπλήρωση, εξομάλυνση θορύβου, επίλυση ασυνεπειών, απαλοιφή πλεονασμών, μείωση δεδομένων, μείωση διαστάσεων, μείωση πολυαριθμίας, κανονικοποίηση δεδομένων. Κατηγοριοποίηση - ταξινόμηση (classification): δένδρα απόφασης, αλγόριθμοι κατηγοριοποίησης, μέτρηση ακρίβειας. Συσταδοποίηση (clustering): αλγόριθμοι συσταδοποίησης, ιεραρχικοί αλγόριθμοι, αλγόριθμοι διαμερισμού, αλγόριθμοι βασιζόμενοι στην πυκνότητα, μέτρηση ποιότητας.

Εργαστήρια: Εκπαίδευση στην ανάλυση δεδομένων και στη χρήση μοντέλων μηχανικής μάθησης με τη γλώσσα προγραμματισμού Python.

(4) ΔΙΔΑΚΤΙΚΕΣ ΚΑΙ ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ

Πρόσωπο με πρόσωπο

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Στη Διδασκαλία:	Διαφάνεις με κίνηση powerpoint Χρήση λογισμικού Weka για εκπαίδευση και αξιολόγηση μοντέλων μηχανικής μάθησης.
Στην Εργαστηριακή Εκπαίδευση:	Ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) Spyder.
Στην Επικοινωνία με τους φοιτητές:	Πλατφόρμα ασύγχρονης τηλεκπαίδευσης E-Class. Email Επικοινωνία μέσω zoom για επίλυση αποριών

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Διαλέξεις	26 ώρες
Εργαστήρια	22 ώρες
Εκπόνηση Ατομικής Εργασίας	40 ώρες
Αυτοτελής μελέτη	32 ώρες
Σύνολο	120 ώρες

Διδακτέα Ύλη ανά Εβδομάδα (13 εβδομάδες) :

Διαλέξεις ανά εβδομάδα:

Εβδομάδα 1: Εισαγωγή στην Επιχειρηματική Ευφυΐα και την Επιχειρηματική Αναλυτική
Εβδομάδα 2: Επιστήμη των Δεδομένων και Μεγάλα Δεδομένα
Εβδομάδα 3: Δεδομένα, πληροφορία και γνώση
Εβδομάδα 4: Λήψη Αποφάσεων
Εβδομάδα 5: Εξόρυξη Δεδομένων και Μηχανική Μάθηση
Εβδομάδα 6: Κατηγοριοποίηση - Ταξινόμηση (1/2)
Εβδομάδα 7: Κατηγοριοποίηση - Ταξινόμηση (2/2)
Εβδομάδα 8: To λογισμικό Weka
Εβδομάδα 9: Συσταδοποίηση (1/2)
Εβδομάδα 10: Συσταδοποίηση (2/2)
Εβδομάδα 11: Προεπεξεργασία δεδομένων (1/2)
Εβδομάδα 12: Προεπεξεργασία δεδομένων (2/2)
Εβδομάδα 13: Αποθήκες δεδομένων και OLAP

Αλλα Σχόλια για την Οργάνωση της Διδασκαλίας :

Εργαστήρια:

Εργαστήριο 1: Εισαγωγή στη Python
Εργαστήριο 2: Διαχείριση αρχείων
Εργαστήριο 3: Διαχείριση, προεπεξεργασία και οπτικοποίηση δεδομένων
Εργαστήριο 4: Λογιστική παλινδρόμηση και αξιολόγηση αποτελεσμάτων
Εργαστήριο 5: Οι αλγόριθμοι C4.5/J48 και Random Forest
Εργαστήριο 6: Το μοντέλο XGBoost
Εργαστήριο 7: Επιλογή υπερπαραμέτρων
Εργαστήριο 8: Διαμεριστική συσταδοποίηση (K-Means, DBSCAN)
Εργαστήριο 9: Ιεραρχική συσταδοποίηση
Εργαστήριο 10: Ερμηνεία Αποτελεσμάτων μέσω SHAP Values
Εργαστήριο 11: Μελέτη περίπτωσης (ομαδοσυνεργατική μικρή εργασία εργαστηρίου)

Παραδίδεται μία εργασία η οποία εξετάζεται προφορικά και παρουσιάζεται δημόσια στη τάξη.

(5) ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Αθροιστική/Συμπερασματική (για βαθμό φοιτητή) Αξιολόγηση
Γραπτή Τελική Εξέταση	50%	(Ερωτήσεις πολλαπλής επιλογής / Αντιστοίχιση)
		(Ερωτήσεις σύντομης απάντησης)
		(Συγκριτική αξιολόγηση στοιχείων θεωρίας)
		(Ερωτήσεις επίλυσης προβλημάτων)
Ατομική Εργασία	50%	(Δημόσια Παρουσίαση)
		(Προφορική Εξέταση)
		(Διόρθωση Παραδομένης Εργασίας)

Σχόλια για την Αξιολόγηση των Φοιτητών :

Όσον αφορά την ατομική εργασία, εξετάζεται η ικανότητα του φοιτητή να αναλύει δεδομένα και να εκπαιδεύει και αξιολογεί μοντέλα μηχανικής μάθησης με τη γλώσσα προγραμματισμού Python.

Στις εξετάσεις ο φοιτητής καλείται:
- να αξιολογήσει την ορθότητα προτάσεων
- να εφαρμόσει αλγορίθμους συσταδοποίησης σε ένα σύνολο δεδομένων
- να σχεδιάσει δέντρα απόφασης/ταξινόμησης που να ικανοποιούν ένα συγκεκριμένο σύνολο δεδομένων
- να επιλέξει μετρικές αξιολόγησης για ένα συγκεκριμένο πρόβλημα ταξινόμησης
- να αξιολογήσει την αποτελεσματικότητα ταξινομητών
- να επιλέξει τον κατάλληλο τρόπο αξιολόγησης για ένα πρόβλημα ταξινόμησης ή συσταδοποίησης

(6) ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Νικόλαος Ματσατσίνης (2020), Επιχειρηματική Ευφυΐα, Αναλυτική και Ανάλυση Μεγάλων Δεδομένων για Λήψη Αποφάσεων, ΕΚΔΟΣΕΙΣ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ
McKinney Wes (2024), Ανάλυση Δεδομένων με Python, 3η έκδοση, ΠΑΠΑΣΩΤΗΡΙΟΥ
Περάκης Κ. Δασυγένης Μ., Εργαλειοθήκη της Python, Ηλεκτρονικό Βιβλίο (https://repository.kallipos.gr/handle/11419/11193), ΚΑΛΛΙΠΟΣ
MATTHES ERIC (2020), Η ΓΛΩΣΣΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ PYTHON, 1η έκδοση, ΔΙΣΙΓΜΑ
Grus Joel (2020), Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση, ΠΑΠΑΣΩΤΗΡΙΟΥ
Παπαδόπουλος Α., Καρακασίδης Α., Κολωνιάρη Γ., Γούναρης Α. (2024), Τεχνολογίες επεξεργασίας και ανάλυσης μεγάλων δεδομένων, 1η έκδοση, ΚΑΛΛΙΠΟΣ
Alexander Jung (2024), ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, 1η έκδοση, ΦΟΥΝΤΑΣ.
Han, Pei, Tong (2024), ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ, 4η έκδοση, ΦΟΥΝΤΑΣ
Μαραβελάκης Πέτρος (2023), Εξόρυξη Δεδομένων στις Επιχειρήσεις, 1η έκδοση, ΚΑΛΛΙΠΟΣ
C. AGGARWAL (2023), ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ, 1η έκδοση, ΦΟΥΝΤΑΣ
Huyen Chip (2024), Σχεδίαση Συστημάτων Μηχανικής Μάθησης, 1η έκδοση, ΠΑΠΑΣΩΤΗΡΙΟΥ
Alexander Jung (2024), Μηχανική Μάθηση, 1η έκδοση, ΦΟΥΝΤΑΣ

Πολυτεχνείο Κρήτης

Χρήσιμα

Επικοινωνία