Ανάλυση Μεγάλων Δεδομένων (Big Data Analytics)

Μαθησιακά Αποτελέσματα

Η ανάλυση μεγάλων δεδομένων αφορά στη μελέτη ενός συνόλου μεγάλων δεδομένων και ειδικότερα στον τρόπο εξαγωγής τους ώστε να ληφθούν χρήσιμες αποφάσεις. Το μάθημα θα επικεντρωθεί τόσο στο μαθηματικό υπόβαθρο (μαθηματικά και στατιστικά μοντέλα) όσο και στα λογισμικά και στις τεχνικές
προγραμματισμού που χρησιμοποιούνται από επιστήμονες δεδομένων.

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να:

1. Εφαρμόζουν και εκτελούν αλγόριθμους εξόρυξης δεδομένων.
2. Εξηγούν τις προκλήσεις από την επεξεργασία και ανάλυση δεδομένων μεγάλης κλίμακας.
3. Κατανοούν τα εργαλεία της εποπτευόμενης και μη εποπτευόμενης μηχανικής εκμάθησης σε δεδομένα μεγάλης κλίμακας.
4. Εφαρμόζουν τεχνικές σε δομημένα και μη δομημένα δεδομένα.
5. Κατανοούν και ερμηνεύουν τον τρόπο χρήσης των δεδομένων μεγάλης κλίμακας σε διάφορα επιστημονικά πεδία, όπως ιατρική, κβαντική θεωρία, επιστήμη υλικών κ.α.
6. Χρησιμοποιούν κατάλληλο λογισμικό σε βάσεις δεδομένων (γλώσσα R,Apache Spark, Google Cloud,Amazon AWS).

Περιεχόμενο Μαθήματος

Το περιεχόμενο του μαθήματος περιλαμβάνει τις παρακάτω ενότητες:

• Εισαγωγή στα δεδομένα μεγάλης κλίμακας.
• Ανάλυση συνδέσμων.
• Κώδικες, γραμμική άλγεβρα, κατανεμημένα συστήματα αποθήκευσης αρχείων.
• Μοντελοποίηση. Αριθμητική και πιθανοθεωρητική. Μέθοδος Newton. Μέθοδοι Monte Carlo.
• Ομαδοποίηση.
• Περιγραφική και προγνωστική αναλυτική.
• Εποπτευόμενη μάθηση (γραμμικά μοντέλα, λογιστική παλινδρόμηση, ακραίες τιμές).
• Μη εποπτευόμενη μάθηση (K-means , μοντέλα Gauss, μείωση διαστάσεων).
• Οπτικοποίηση Δεδομένων.
• Βιβλιοθήκες, αλγόριθμοι, πηγές δεδομένων, ανάλυση δεδομένων, ερμηνεία αποτελεσμάτων.

Αξιολόγηση Φοιτητών

H αξιολόγηση των φοιτητών/τριών γίνεται με δύο τρόπους:

• Εκπόνηση Εργασίας (35%) και Γραπτή τελική εξέταση (65%).
• Γραπτή τελική εξέταση 100% για τους φοιτητές/τριες που δεν εκπονούν εργασία.

Συνιστώμενη Βιβλιογραφία

Προτεινόμενη Βιβλιογραφία:

• Leskovec, J., Rajaraman, A., & Ullman, J. D. (2020). Εξόρυξη από Μεγάλα Σύνολα Δεδομένων.Εκδόσεις: ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΙΔΙΩΤΙΚΗ ΚΕΦΑΛΑΙΟΥΧΙΚΗ ΕΤΑΙΡΕΙΑ.Κωδικός Βιβλίου στον Εύδοξο: 94700707.
• Ματσατσίνης, N. (2020), Επιχειρηματική Ευφυΐα, Αναλυτική και Ανάλυση Μεγάλων Δεδομένων για Λήψη Αποφάσεων. Εκδόσεις: ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΙΔΙΩΤΙΚΗ ΚΕΦΑΛΑΙΟΥΧΙΚΗ ΕΤΑΙΡΕΙΑ. Κωδικός Βιβλίου στον Εύδοξο: 94702117.

Πρόσθετο Διδακτικό Υλικό:

• Βερύκιος, Β., Καγκλής, Β., Σταυρόπουλος, Η. (2015). Η επιστήμη των δεδομένων μέσα από τη γλώσσα R. Εκδόσεις: ΚΑΛΛΙΠΟΣ Ανοικτές Ακαδημαϊκές Εκδόσεις. Κωδικός Βιβλίου στον Εύδοξο: 320151.
• Παπαδόπουλος, Α., Καρακασίδης, Α., Κολωνιάρη, Γ., Γούναρης, Α. (2024). Τεχνολογίες επεξεργασίας και ανάλυσης μεγάλων δεδομένων. Εκδόσεις: ΚΑΛΛΙΠΟΣ Ανοικτές Ακαδημαϊκές Εκδόσεις. Κωδικός Βιβλίου στον Εύδοξο: 138965954.

Συναφή επιστημονικά περιοδικά:

Big Data Mining and Analytics.
Big Data Research.
International Journal of Business Intelligence and Data Mining.
International Journal of Data Science and Big Data Analytics.
Journal of Big Data.