- Επιχειρηματική Ευφυία και Μηχανική Δεδομένων
-
Με την ολοκλήρωση του μαθήματος οι φοιτητές και οι φοιτήτριες θα είναι σε θέση:
- Να κατανοούν την αξία μίας υλοποίησης αποθήκης δεδομένων (data warehouse) στην επιχειρηματική λήψη αποφάσεων.
- Να κατανοούν τις βασικές αρχές ενοποίησης δεδομένων (data integration) και τις προκλήσεις αυτής.
- Να σχεδιάζουν το σχεσιακό σχήμα μίας αποθήκης δεδομένων χρησιμοποιώντας τη μεθοδολογία star ή snowflake.
- Να δημιουργήσουν κύβους δεδομένων πάνω από ένα star/snowflake σχήμα.
- Να χρησιμοποιούν ένα εμπορικό ή open source σύστημα σχεσιακής ΒΔ για όλα τα παραπάνω.
- Να κατανοούν σε βάθος κάθε φάση της διαδικασίας ETL(extract, transform, loading) και να γνωρίζουν τη χρήση εργαλείων, συστημάτων και γλωσσών προγραμματισμού για την υλοποίηση της κάθε φάσης.
|
5 ECTS |
- Οπτικοποίηση Δεδομένων
-
Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση:
• να κατανοούν πώς λειτουργεί η οπτικοποίηση δεδομένων, όσον αφορά την ανθρώπινη οπτική αντίληψη και γνώση
• να κατανοήσουν τις καλές και κακές πρακτικές κατά τη σχεδίαση οπτικοποιήσεων δεδομένων
• να μάθουν για την πρακτική οπτικοποίηση δεδομένων, συμπεριλαμβανομένων μεθόδων σχεδίασης διαφόρων τύπων δεδομένων, τεχνικές αλληλεπίδρασης, τη γραμματική των γραφικών κ.λπ.
• να δημιουργήσουν οπτικοποιήσεις δεδομένων χρησιμοποιώντας το R
• να δημιουργήσουν μια εφαρμογή Tableau
|
2,5 ECTS |
- Στατιστική στην Επιχειρηματική Αναλυτική ΙI
-
Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση:
- Να προσαρμόσουν και να κατανοήσουν τα μοντέλα παλινδρόμησης και τις επεκτάσεις τους.
- Να κατανοήσουν το πρόβλημα ταξινόμησης και να εφαρμόσουν ένα ευρύ φάσμα μεθόδων, συγκρίνοντάς τις και έχοντας τη δυνατότητα να κατανοήσουν εάν είναι κατάλληλο για το πρόβλημα ή όχι.
- Να κατανοήσουν το πρόβλημα της ομαδοποίησης και να εφαρμόσουν διάφορες μεθόδους, μαζί με διαγνωστικά για να κατανοήσουν την επιτυχία τους.
- Να χρησιμοποιούν την R για τα μοντέλα που διδάσκονται.
|
5 ECTS |
- Μηχανική Απαιτήσεων για Εφαρμογές Επιχειρηματικής Αναλυτικής
-
Αυτό το μάθημα εξοπλίζει τους φοιτητές με τις αρχές, τις μεθόδους και τα εργαλεία που απαιτούνται για τη μετάφραση των επιχειρηματικών αναγκών σε σαφείς και εφαρμόσιμες απαιτήσεις για έργα αναλυτικής. Επικεντρώνεται στη γεφύρωση του χάσματος μεταξύ των επιχειρηματικών ενδιαφερομένων, των επαγγελματιών δεδομένων και των τεχνικών ομάδων μέσω δομημένης εξαγωγής, τεκμηρίωσης και επικύρωσης απαιτήσεων ειδικά για λύσεις αναλυτικής, όπως πίνακες εργαλείων, μοντέλα πρόβλεψης, συστήματα μηχανικής μάθησης και εργαλεία υποστήριξης αποφάσεων.
Το μάθημα συνδυάζει κλασικές πρακτικές μηχανικής απαιτήσεων με σύγχρονες προσεγγίσεις ειδικά για επιχειρηματική αναλυτική και δίνει έμφαση στη διαλειτουργική επικοινωνία, την αξιοποίηση δεδομένων και την κλιμακωτή ανάπτυξη.
Με την ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν να:
1.Αντιλαμβάνονται τον πολυδιάστατο χαρακτήρα της μηχανικής απαιτήσεων: (α)επιχειρησιακές/τεχνικές, (β) λειτουργικές/μη λειτουργικές (ποιότητα), (γ) δεδομένα/μοντέλα και αλγόριθμοι, (δ) άντληση/μοντελοποίηση/ 2. 2. Διαχειρίζονται το έργο καθορισμού των απαιτήσεων για εφαρμογές επιχειρηματικής αναλυτικής σε όρους ρόλων, δραστηριοτήτων, και παραδοτέων. 3.Εφαρμόζουν μεθόδους και τεχνικές για την συλλογή, μοντελοποίηση, τεκμηρίωση και επικοινωνία των απαιτήσεων στα πλαίσια ενός έργου επιχειρηματικής αναλυτικής. 4.Χρησιμοποιούν εργαλεία λογισμικού που υποστηρίζουν τις εργασίες του μηχανικού απαιτήσεων
|
2,5 ECTS |
- Python σε Εφαρμογές Αναλυτικής και Τεχνητή Νοημοσύνη
-
Στόχος του μαθήματος είναι μια ευρεία κάλυψη του πεδίου της Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης, μέσω μιας εφαρμοσμένης προσέγγισης με τη χρήση της γλώσσας Python. Οι φοιτητές θα έρθουν σε επαφή με όλα τα στάδια που αφορούν Επιχειρηματική Αναλυτική, Μηχανική Μάθηση, και Τεχνητή Νοημοσύνη, από τoν καθαρισμό και επεξεργασία δεδομένων, μέχρι προχωρημένες αρχιτεκτονικές νευρωνικών δικτύων και θέματα ηθικής, προκαταλήψεων, διακρίσεων, αμεροληψίας, και δικαιοσύνης. Ταυτόχρονα, η ευρεία κάλυψη επιδιώκει οι φοιτητές να έχουν μια σφαιρική κατανόηση του αντικειμένου, συμπεριλαμβανόμενων και βασικών τεχνικών Μηχανικής Μάθησης, ώστε να είναι σε θέση να επιλέξουν το πιο κατάλληλο εργαλείο για κάθε δουλειά, αναλόγως με τις εκάστοτε απαιτήσεις.
|
5 ECTS |