Στατιστική με Python

Μαθησιακά Αποτελέσματα

Το μάθημα έχει σχεδιαστεί για να διδάξει στους φοιτητές/τριες πώς να αναλύουν διαφορετικούς τύπους δεδομένων χρησιμοποιώντας την γλώσσα προγραμματισμού Python. Επιπρόσθετα, να εξοικειωθούν με τις μεθόδους προετοιμασίας δεδομένων, να πραγματοποιούν στατιστικές αναλύσεις χρησιμοποιώντας περιγραφική και επαγωγική στατιστική ανάλυση, καθώς και να μπορούν να απεικονίζουν τα δεδομένα.

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/τριες θα είναι σε θέση:

• Να κατανοήσουν τα χαρακτηριστικά της γλώσσας προγραμματισμού Python.
• Να κατανοήσουν τη συμπεριφορά των δεδομένων και να μάθουν να τα προ- επεξεργάζονται καθώς και να τα οπτικοποιούν.
• Χρησιμοποιήσουν διαφορετικά πακέτα python για στατιστικές εφαρμογές και για ανάλυση δεδομένων ιστού.

Περιεχόμενο Μαθήματος

Το μάθημα περιλαμβάνει τις ακόλουθες ενότητες:

• Ενότητα 1: Βασικές αρχές ανάλυσης δεδομένων με τη γλώσσα προγραμματισμού Python.

Δομές δεδομένων Python. Δηλώσεις ελέγχου. Συναρτήσεις, έννοιες που χρησιμοποιούν κλάσεις. Χειρισμός εξαιρέσεων. Άνοιγμα και διαχείριση αρχείων.

• Ενότητα 2: Κατανόηση συμπεριφοράς και αρχών προ επεξεργασίας δεδομένων.

Γνωστικοί τομείς Ανάλυσης Δεδομένων. Κατανόηση δομημένων και μη δομημένων
δεδομένων. Διαδικασία ανάλυσης δεδομένων. Δημιουργία συνόλου δεδομένων. Εισαγωγή συνόλου δεδομένων: εισαγωγή και εξαγωγή δεδομένων. Καθαρισμός και προετοιμασία των δεδομένων για ανάλυση.

• Ενότητα 3: Οπτικοποίηση δεδομένων.

Οπτικοποίηση δεδομένων: Βασικά Εργαλεία Οπτικοποίησης. Εξειδικευμένα Εργαλεία Οπτικοποίησης. Χρήση βιβλιοθήκης Seaborn για τη δημιουργία και Σχεδίαση Χαρτών.

• Ενότητα 4: Ανάλυση δεδομένων ιστού.

Data wrangling, Web scrapping. Μετασχηματισμός δεδομένων. Χειρισμός συμβολοσειρών

Αξιολόγηση Φοιτητών

H αξιολόγηση των φοιτητών/τριών γίνεται όπως περιγράφεται παρακάτω:

• Τελική εξέταση στο εργαστήριο πάνω σε μελέτη περίπτωσης

Συνιστώμενη Βιβλιογραφία

Προτεινόμενη Βιβλιογραφία:

• Grus, J. (2020). Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση.Εκδόσεις: Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ Ι.Κ.Ε. Κωδικός Βιβλίου στον Εύδοξο: 94690736.
• McKinney Wes (2024). Ανάλυση Δεδομένων με Python. Εκδόσεις: Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ Ι.Κ.Ε. Κωδικός Βιβλίου στον Εύδοξο: 133037549.
• Μπερσίμης, Σ., Μπάρτζης, Γ., Παπαδάκης, Γ., Σαχλάς, Α. (2024). Εφαρμοσμένη Στατιστική και Στατιστική Μηχανική Μάθηση με χρήση των IBM SPSS Statistics, R, Python, 2η Έκδοση. Εκδόσεις: Α. ΤΖΙΟΛΑ & ΥΙΟΙ Α.Ε. Κωδικός Βιβλίου στον Εύδοξο: 122087510.

Πρόσθετο Διδακτικό Υλικό:

• Duchesnay, E., Lofstedt, T., & Younes, F. (2021). Statistics and machine learning in python.https://hal.science/hal-03038776/document.
• Unpingco, J. (2016). Python for probability, statistics, and machine learning (Vol. 1). Cham, Switzerland: Springer International Publishing. http://54.243.252.9/engr-1330-psuedocourse/CECE-1330-PsuedoCourse/3-Readings/Python-for-Probability-Statistics-AndMachine-Learning.pdf.

Συναφή επιστημονικά περιοδικά:

Computer Software.
IEEE Open Journal of the Computer Society.
Journal Of Open Source Software.
Journal Of Open Research Software The Journal of Open Source Software.