Μάθημα : Εισαγωγή στην Επιστήμη Δεδομένων

Μαθησιακά Αποτελέσματα

Στόχος του μαθήματος είναι η δημιουργία βασικών ικανοτήτων για την αξιοποίηση των υπολογιστικών συστημάτων και των εφαρμογών τους ως τα κύρια εργαλεία επεξεργασίας και κατανόησης των δεδομένων σήμερα. Μετά την επιτυχή ολοκλήρωση του μαθήματος, αναμένεται οι φοιτητές και οι φοιτήτριες  να είναι σε θέση να:

• Περιγράψουν το ρόλο και τη σημασία των υπολογιστών στην Οικονομική Επιστήμη
• Ορίσουν τις αρχές λειτουργίας των υπολογιστών συστημάτων και των στοιχείων της αρχιτεκτονικής τους
• Προσδιορίσουν μεθόδους αναπαράστασης δεδομένων στους υπολογιστές, ιδίως αριθμητικών σε διαφορετικά συστήματα αρίθμησης
• Αναγνωρίσουν την έννοια και τη σημασία των αλγορίθμων και να κάνουν χρήση της αλγοριθμικής προσέγγισης στην επίλυση στατιστικών προβλημάτων με τη χρήση υπολογιστών
• Αξιοποιούν μεθόδους προσέγγισης προβλημάτων στατιστικής επεξεργασίας δεδομένων μέσω Η/Υ
• Χρησιμοποιούν μεθόδους επεξεργασίας και βασικής στατιστικής ανάλυσης δεδομένων βασιζόμενοι σε λογισμικό λογιστικών φύλλων και στη γλώσσα προγραμματισμού Python
• Αξιολογούν εναλλακτικά υπολογιστικά περιβάλλοντα επεξεργασίας και στατιστικής ανάλυσης δεδομένων ανάλογα με τη φύση του προβλήματος

Περιεχόμενο μαθήματος

• Η σημασία των υπολογιστών στην Οικονομική Επιστήμη.
• Ιστορική αναδρομή στην εξέλιξη των υπολογιστικών συστημάτων και της αρχιτεκτονικής τους. Αρχιτεκτονική σύγχρονων υπολογιστικών συστημάτων.
• Μέθοδοι αναπαράστασης δεδομένων στους υπολογιστές. Η φιλοσοφία των συστημάτων αρίθμησης και παραδείγματα μετατροπής μεταξύ διαφορετικών συστημάτων, με έμφαση στο δυαδικό σύστημα που χρησιμοποιούν οι υπολογιστές.
• Οι αλγόριθμοι στην επίλυση στατιστικών προβλημάτων με τη χρήση υπολογιστών.
• Τεχνικές στατιστικής επεξεργασίας δεδομένων με δύο διαφορετικές προσεγγίσεις:
  1. με βάση το λογισμικό διαχείρισης λογιστικών φύλλων (χρήση MS Excel / OpenOffice Calc), και
  2. με τη χρήση της γλώσσας προγραμματισμού Python.
• Χρήση δημόσιων ανοικτών δεδομένων, όπως αυτά της Απογραφής Πληθυσμού, για την εκμάθηση τεχνικών επεξεργασίας και κατανόησης των δεδομένων και με τις δύο προσεγγίσεις.
• Συγκριτική αξιολόγηση των δύο προσεγγίσεων.

Μέθοδοι διδασκαλίας

Παραδόσεις (3 ώρες ανά διδακτική εβδομάδα), στη διάρκεια των οποίων παρουσιάζονται οι έννοιες του εκάστοτε αντικειμένου με τη βοήθεια διαφανειών είτε απευθείας στο υπολογιστικό περιβάλλον. Στο εργαστήριο (2 ώρες ανά διδακτική εβδομάδα) γίνεται εμβάθυνση στο αντικείμενο με την επίλυση ασκήσεων ατομικά ή σε συνεργασία από τους φοιτητές, ενώ δίδονται ατομικές εργασίες προς επίλυση στο σπίτι. Τέλος, δίδονται προς υποχρεωτική επίλυση 2 σύνθετες ομαδικές εργασίες (μία σε λογισμικό λογιστικών φύλλων και μία με γλώσσα προγραμματισμού python) που επιλύονται από ομάδες 3-4 φοιτητών.

Μέθοδοι αξιολόγησης

Η αξιολόγηση περιλαμβάνει:

1. Δύο (2) γραπτές ομαδικές εργασίες (με στόχο την χρήση υπολογιστικών εργαλείων για την επεξεργασία και στατιστική ανάλυσης δεδομένων): 30%
2. Γραπτή εξέταση (Ερωτήσεις σύντομης απάντησης, Επίλυση Προβλημάτων): 70%

Οι εργασίες είναι υποχρεωτικές για τους πρωτοετείς φοιτητές. Ο τελικός βαθμός είναι προβιβάσιμος εφόσον ο βαθμός είναι πάνω από τη βάση στις δύο εργασίες και στην γραπτή εξέταση.

Βιβλιογραφία

Β, Βερύκιος, Σ. Κωτσιαντής, Η. Σταυρόπουλος, Μ. Τζαγκαράκης, Η Επιστήμη των Δεδομένων, 1η/2018, Εκδόσεις Νέων Τεχνολογιών ΙΚΕ

Python - Εισαγωγή στους υπολογιστές, Νικόλαος Αβούρης, Μιχαήλ Κουκιάς, Βασίλειος Παλιουράς, Κυριάκος Σγάρμπας

A Byte of Python, Creative Commons Attribution-ShareAlike 4.0 International License