Παρουσίαση/Προβολή

(BMA741) -  Γεώργιος Ανδρουλάκης

Περιγραφή Μαθήματος

Το μάθημα "Προχωρημένες Ποσοτικές Μέθοδοι για Εφαρμογές" εστιάζει στην εμβάθυνση και εφαρμογή σύγχρονων στατιστικών τεχνικών και μεθόδων ανάλυσης δεδομένων που είναι απαραίτητες για τη λήψη τεκμηριωμένων επιχειρηματικών αποφάσεων. Το περιεχόμενο εκτείνεται από τα Ιεραρχικά Δέντρα και τη Θεωρία Απόκρισης Στοιχείου έως την Ανάλυση Χρονολογικών Σειρών και την Πολυμεταβλητή Στατιστική (PCA, Factor & Cluster Analysis).

Ιδιαίτερη έμφαση δίνεται στην πρακτική εφαρμογή των εννοιών, καθώς οι θεωρητικές διαλέξεις υποστηρίζονται από εργαστηριακό μέρος με τη χρήση των γλωσσών προγραμματισμού R και Python. Οι φοιτητές θα αποκτήσουν τις δεξιότητες να αναλύουν μεγάλα σύνολα δεδομένων (Big Data), να κατασκευάζουν μοντέλα πρόβλεψης και να ερμηνεύουν σύνθετα αποτελέσματα σε πραγματικά επιχειρηματικά σενάρια.

Μαθησιακοί Στόχοι

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

• Επιλέγουν την κατάλληλη ποσοτική μέθοδο για κάθε ερευνητικό ερώτημα.

• Κατασκευάζουν και να ερμηνεύουν δέντρα ταξινόμησης και παλινδρόμησης.

• Εφαρμόζουν προχωρημένες τεχνικές παλινδρόμησης και ανάλυσης χρονοσειρών για προβλέψεις.

• Χρησιμοποιούν στατιστικό λογισμικό για τη διερεύνηση πολύπλοκων δεδομένων.

• Επικοινωνούν τα ευρήματα των αναλύσεων με σαφήνεια σε εξειδικευμένο και μη κοινό.

   

Δομή Μαθήματος

Το μάθημα διεξάγεται κατά το εαρινό εξάμηνο και περιλαμβάνει:

1. 13 Εβδομαδιαίες Διαλέξεις: (3 ώρες/εβδομάδα), με την πρώτη συνάντηση να είναι αφιερωμένη στην παρουσίαση του περιγράμματος και των στόχων.

2. Εργαστηριακή Υποστήριξη: Πρακτική εξάσκηση σε R και Python.

3. Αυτοτελής Μελέτη & Εργασίες: Συγγραφή εργασιών και επίλυση προβλημάτων με πραγματικά δεδομένα.

Αξιολόγηση

Η αξιολόγηση βασίζεται στην επίλυση προβλημάτων με τη χρήση πραγματικών δεδομένων από πρόσφατες έρευνες, όπου κάθε στόχος των διαλέξεων αποτελεί ξεχωριστό υποερώτημα, διασφαλίζοντας την πλήρη κατανόηση της ύλης.

Ημερομηνία δημιουργίας

Παρασκευή 13 Φεβρουαρίου 2026