BI410 - Εξόρυξη δεδομένων, οπτικοποίηση και λήψη αποφάσεων
Master in Business Administration
Κύριο μάθημα
BI410 - Εξόρυξη δεδομένων, οπτικοποίηση και λήψη αποφάσεων
Κωδικός Μονάδας Μαθήματος: BI410
Τύπος μονάδας: Επιλογή
Επίπεδο Μονάδας Μαθήματος: Δεύτερος κύκλος
Έτος σπουδών: Πρώτη
Εξάμηνο: Κατά παραγγελία
Αριθμός μονάδων ECTS: 6
Ώρες επαφής με το μάθημα: 28
Τρόπος παράδοσης:
Πρόσωπο με πρόσωπο
Προαπαιτούμενα
Κανένα
Στόχοι του μαθήματος
Τα δεδομένα θεωρούνται ως το πετρέλαιο του 21ου αιώνα και ακριβώς για αυτόν τον λόγο πολλές εταιρείες και οργανισμοί επενδύουν πολλούς πόρους σε τεχνικές εξόρυξης/ανάλυσης δεδομένων προκειμένου να ανακαλύψουν μη τετριμμένα μοτίβα ή συσχετίσεις που κρύβονται στα δεδομένα που συλλέγουν. Τα ευρήματα αυτά θα μπορούσαν να χρησιμοποιηθούν για να ενισχύσουν τις ικανότητές τους στη λήψη αποφάσεων και να βελτιώσουν τις επιχειρηματικές τους δραστηριότητες. Σε αυτό το μάθημα, οι φοιτητές θα διδαχθούν τις σύγχρονες τεχνικές που εφαρμόζονται στην επιστήμη των δεδομένων για την εξόρυξη, ανάλυση, οπτικοποίηση και ερμηνεία δεδομένων. Θα διδαχθούν τόσο τεχνικές που βασίζονται στη στατιστική όσο και στη μηχανική μάθηση με έμφαση στην εφαρμογή προγραμματιζόμενων λύσεων, στην οπτικοποίηση, στην ερμηνεία και στην επικοινωνία των αποτελεσμάτων που προκύπτουν από την εφαρμογή τέτοιων τεχνικών. Επιπλέον, οι φοιτητές θα κατανοήσουν την αβεβαιότητα που κρύβεται στα αποτελέσματά τους λόγω της πιθανολογικής φύσης των τεχνικών στατιστικής και μηχανικής μάθησης.
Μαθησιακά αποτελέσματα
- Κατανοήστε και εκτιμήστε την αξία των δεδομένων και της λήψης αποφάσεων με βάση τα δεδομένα μέσω της εξόρυξης/ανάλυσης δεδομένων και τον τρόπο με τον οποίο αυτό βελτιώνει τις επιχειρηματικές αποφάσεις.
- Επίδειξη ικανότητας σε τεχνικές εξόρυξης δεδομένων για την εξατομίκευση κανονικοτήτων, την ανακάλυψη ανωμαλιών, συσχετίσεων και μοτίβων σε σύνθετα σύνολα δεδομένων που ταιριάζουν σε επιχειρηματικές εφαρμογές.
- Κατανόηση των θεμελιωδών τεχνικών μηχανικής μάθησης, όπως η επιβλεπόμενη, η μη επιβλεπόμενη και η ημιεπιβλεπόμενη μάθηση και επίδειξη ικανότητας εφαρμογής τεχνικών όπως η ομαδοποίηση και η ταξινόμηση που ταιριάζουν σε επιχειρηματικές εφαρμογές.
- Οπτικοποιήστε αποτελεσματικά τα αποτελέσματα που προκύπτουν από την ανάλυση δεδομένων χρησιμοποιώντας μια γλώσσα προγραμματισμού σεναρίων, όπως η Python.
- Κατανοήστε την αβεβαιότητα που κρύβεται πίσω από τα αποτελέσματα μιας στατιστικής ανάλυσης κατανοώντας τις σχετικές μετρικές αξιοπιστίας: ακρίβεια, ποσοστά ψευδώς θετικών/αρνητικών αποτελεσμάτων, ποσοστά αληθώς θετικών/αρνητικών αποτελεσμάτων, ανάκληση, ακρίβεια.
- Να αυξήσουν τις ικανότητές τους ως διευθυντές να σκέφτονται με περισσότερο στατιστικό και βασιζόμενο στα δεδομένα τρόπο και να αποκτήσουν δεξιότητες για να παρέχουν ηγεσία στις στατιστικές μεθόδους στο προσωπικό του τομέα ευθύνης τους.
Περιεχόμενο μαθήματος
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας
Διαλέξεις, ομαδική εργασία, εργαστηριακή εργασία, παιχνίδι ρόλων, μάθηση βάσει σχεδίου, εργασία στο σπίτι
Μέθοδοι και κριτήρια αξιολόγησης
10% Συμμετοχή στην τάξη
40% Ομαδικές Εργασίες & Συμμετοχή στην τάξη
50% Εξέταση στην τάξη
Γλώσσα διδασκαλίας
Αγγλικά
Πρακτική άσκηση(ες)
Δεν ισχύει
Αναγνώσεις
Υποχρεωτικό ανάγνωσμα:
1. Sebastian Raschka. Python Machine Learning. Packt Publishing, 2015.
2. Simon Rogers και Mark Girolami. Ένα πρώτο μάθημα στη μηχανική μάθηση. CRC Press, 2011.
Συνιστώμενη ανάγνωση:
Συγγράμματα
3. Jared Dean. Μεγάλα δεδομένα, εξόρυξη δεδομένων: Data Data: Δημιουργία αξίας για επιχειρηματικούς ηγέτες και επαγγελματίες. Wiley, 2014.
4. Wayne Winston, Christian Albright και Christopher Zappe. Ανάλυση δεδομένων και λήψη αποφάσεων. Cengage Learning (4η έκδοση), 2009.
Ερευνητικά άρθρα
5. Jeffrey Steinhoff και Terry Carnahan. Η έξυπνη χρήση της εξόρυξης δεδομένων είναι καλή επιχείρηση και καλή κυβέρνηση. Journal of Governmental Financial Management, Spring 2012, Vol. 61 Issue 1, p 16-22, 2012.
6. Peter Mouncey. Δημιουργία αξίας με την ανάλυση μεγάλων δεδομένων: λήψη πιο έξυπνων αποφάσεων μάρκετινγκ. International Journal of Market Research, Vol 58(5), 2016.
7. Carl Carande, Paul Lipinski και Traci Gusher. Πώς να ενσωματώσετε τα δεδομένα και την ανάλυση σε κάθε τμήμα του οργανισμού σας. Harvard Business Review, 2017.
8. Steve Lavalle, Eric Lesser, Rebecca Shockley, Michael Hopkins και Nina Kruschwitz. Μεγάλα δεδομένα, ανάλυση και η πορεία από τις γνώσεις στην αξία. MIT Sloan Management Review 52(2), 2011.
English (UK) 
Ελληνικά