BI420 - Προγραμματισμός Python
Μεταπτυχιακό Δίπλωμα Επιστήμης στην Επιχειρηματική Ευφυΐα και την Ανάλυση Δεδομένων
Κύριο μάθημα
BI420 - Προγραμματισμός Python
Κωδικός Μονάδας Μαθήματος: BI420
Τύπος μονάδας: Πυρήνας
Επίπεδο Μονάδας Μαθήματος: Δεύτερος κύκλος
Έτος σπουδών: Πρώτο/δεύτερο έτος
Εξάμηνο: Κατά παραγγελία
Αριθμός μονάδων ECTS: 6
Ώρες επαφής με το μάθημα: 28
Τρόπος παράδοσης:
Πρόσωπο με πρόσωπο
Προαπαιτούμενα
Κανένα
Στόχοι του μαθήματος
Το μάθημα αυτό θα εισάγει τους φοιτητές στον κόσμο του προγραμματισμού και θα τους διδάξει τα βασικά στοιχεία που διέπουν τη θεωρία των αλγορίθμων, του προγραμματισμού και των δομών δεδομένων. Περιλαμβάνει μια γρήγορη εισαγωγή στις βασικές αρχές μιας γλώσσας σεναρίων (π.χ. Python), η οποία χρησιμοποιείται ευρέως στον τομέα της επιστήμης των δεδομένων. Κατά τη διάρκεια του μαθήματος θα δοθεί μεγάλη έμφαση στον προγραμματισμό από το μηδέν γνωστών αλγορίθμων μηχανικής μάθησης, τόσο για ομαδοποίηση όσο και για ταξινόμηση, όπως χρησιμοποιούνται στην επιστήμη των δεδομένων. Με την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να χρησιμοποιούν τη γλώσσα προγραμματισμού που έμαθαν για την ανάπτυξη προγραμμάτων με σκοπό την εκτέλεση συγκεκριμένων εργασιών. Για παράδειγμα, να εξορύσσουν, να καθαρίζουν, να αναλύουν και να οπτικοποιούν σύνολα δεδομένων και έτσι να επιλύουν αποτελεσματικά προβλήματα επιχειρηματικού προσανατολισμού.
Μαθησιακά αποτελέσματα
- Κατανοήστε πώς να χαρακτηρίζετε τα δεδομένα από άποψη ποιότητας στο πλαίσιο της λήψης αποφάσεων με βάση τα δεδομένα.
- Μάθετε να προγραμματίζετε αποτελεσματικά σε μια γλώσσα σεναρίων (π.χ. Python) που χρησιμοποιείται ευρέως στην επιστήμη των δεδομένων τόσο για σκοπούς εξόρυξης όσο και για σκοπούς οπτικοποίησης.
- Κατανόηση των βασικών εννοιών που χρησιμοποιούνται στον προγραμματισμό και τους αλγορίθμους.
- Επίδειξη κατανόησης του τρόπου επιλογής κατάλληλων δομών δεδομένων και αλγοριθμικών διαδικασιών για την αντιμετώπιση ενός προβλήματος ενδιαφέροντος.
- Κατανοήστε πώς να σαρώνετε, να καθαρίζετε και να αποσυμπιέζετε δεδομένα καθιστώντας τα κατάλληλα για ανάλυση με τη χρήση τεχνικών όπως οι κανονικές εκφράσεις.
- Προγραμματίστε από το μηδέν θεμελιώδεις αλγόριθμους ταξινόμησης της επιστήμης των δεδομένων, όπως Naive Bayes, απλή γραμμική παλινδρόμηση, πολλαπλή παλινδρόμηση, λογιστική παλινδρόμηση κ.λπ.
- Πρόγραμμα αλγορίθμων ομαδοποίησης, όπως ο αλγόριθμος k-Nearest Neighbours.
Περιεχόμενο μαθήματος
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας
διαλέξεις, ομαδική εργασία, εργαστηριακή εργασία, παιχνίδι ρόλων, μάθηση βάσει σχεδίου, εργασία για το σπίτι
Κριτήρια και μέθοδοι αξιολόγησης
10% Συμμετοχή στην τάξη
50% Αναθέσεις
40% Εξέταση στην τάξη
Γλώσσα διδασκαλίας
Αγγλικά
Πρακτική άσκηση(ες)
Δεν ισχύει
Αναγνώσεις
Υποχρεωτικό ανάγνωσμα:
1. Joel Grus. Data Science from Scratch. O'Reilly, 1η έκδοση, 2015.
Συνιστώμενη ανάγνωση:
2. Wes McKinney. Python for Data Analysis. O'Reilley, 1η έκδοση, 2012.
3. Luciano Ramalho. Άπταιστα Python. O'Reilley 1η έκδοση, 2015.
English (UK) 
Ελληνικά