Επιστήμη Δεδομένων

Περιγραφή Προγράμματος

Στόχος του προγράμματος είναι να καλλιεργήσει στους φοιτητές προηγμένες τεχνικές δεξιότητες και βαθιά κατανόηση της επιστήμης των δεδομένων. Επιπλέον, το πρόγραμμα θα βοηθήσει τους σπουδαστές να αναπτύξουν ερευνητικές δεξιότητες ώστε να μπορούν να σχεδιάσουν νέες επιστημονικές μεθόδους που θα ωθήσουν τα όρια αυτού του αναδυόμενου πεδίου. Οι μαθησιακοί στόχοι αλλά και τα προσόντα που θα αποκτήσουν οι φοιτητές έχουν σχεδιαστεί σε συνεργασία με εταιρείες και οργανισμούς που εφαρμόζουν στην πράξη αυτές τις τεχνολογίες.

Η επιστήμη των δεδομένων είναι μια εφαρμοσμένη καινοτόμα επιστήμη που επηρεάζει πολλούς τομείς βιομηχανίας (από την Πληροφορική και τις Επικοινωνίες έως την Ιατρική, τη Δημοσιογραφία και τα Οικονομικά). Το Πανεπιστήμιο Λευκωσίας έχει αναπτύξει συνεργασίες με καθηγητές που προέρχονται από διάφορους βιομηχανικούς τομείς και ένα πρόγραμμα σπουδών που έχει σχεδιαστεί από κοινού με τις βιομηχανίες αυτές. Το πρόγραμμα θα εκπαιδεύσει καλά καταρτισμένους επιστήμονες δεδομένων, οι οποίοι θα μπορούν να συλλέγουν προδιαγραφές, να σχεδιάζουν καινοτόμες λύσεις τις οποίες θα μπορούν να εφαρμόζουν και να αξιολογούν.

Πιο συγκεκριμένα, το πρόγραμμα αποσκοπεί στο να:

1. Προσφέρει τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για την ανάκτηση, διαχείριση, ανάλυση, και εξαγωγή γνώσης από ετερογενείς πηγές δεδομένων. Θα αναπτυχθούν κρίσιμες δεξιότητες οι οποίες θα βοηθήσουν τους φοιτητές να λαμβάνουν αποφάσεις σχετικά με τον κατάλληλο αγωγό ανάλυσης δεδομένων. Οι φοιτητές θα μπορούν να συλλέγουν προδιαγραφές, να σχεδιάζουν, να εφαρμόζουν και να αξιολογούν λύση ανάλυσης δεδομένων.
2. Προσφέρει τα απαραίτητα μαθηματικά θεμέλια που θα επιτρέψουν στους φοιτητές να διαμορφώσουν και να συνθέσουν κατάλληλα μοντέλα επιστήμης δεδομένων και να εφαρμόσουν τεχνικές βελτιστοποίησης αντιμετωπίζοντας τις διάφορες προκλήσεις της ανάλυσης δεδομένων.
3. Δώσει την ευκαιρία στους φοιτητές να αναπτύξουν δεξιότητες προγραμματισμού για δεδομένα σε διάφορα πεδία εφαρμογής και να αντιμετωπίσουν πιθανές προκλήσεις (Δεδομένα Μεγάλου Όγκου, Θορυβώδη Δεδομένα, κλπ.).
4. Προσφέρει τη δυνατότητα στους φοιτητές να αξιολογήσουν και να αναπτύξουν λύσεις σε θέματα ιδιωτικότητας, ηθικής και δεοντολογίας που προκύπτουν κατά την εφαρμογή της αναλυτικής δεδομένων.
5. Αποκτήσει ο φοιτητής επίγνωση των προκλήσεων που αντιμετωπίζει ένας επαγγελματίας όταν μεταβαίνει από τη θεωρία στην πράξη και να γνωρίζει πώς να ξεπεράσει αυτές τις προκλήσεις. Για το σκοπό αυτό, το πρόγραμμα έχει αναπτύξει συνεργασίες με από διάφορους βιομηχανικούς τομείς.
6. Δώσει την ευκαιρία στον σπουδαστή να δουλέψει με πραγματικό κόσμο και πραγματικά δεδομένα σε συνεργασία με βιομηχανικούς συνεργάτες. Οι φοιτητές θα αποκτήσουν πρακτική εμπειρία με τις τελευταίες εξελίξεις στο χώρο όπως η βαθιά μάθηση και η ενισχυτική μάθηση.
7. Προετοιμάσει τους φοιτητές ώστε να μπορέσουν να εκπονήσουν διδακτορική διατριβή στην επιστήμη των δεδομένων ή σε οποιοδήποτε άλλο πεδίο όπου απαιτούνται δεξιότητες επιστήμης των δεδομένων (π.χ. βιοπληροφορική, υπολογιστική κοινωνική επιστήμη, δημοσιογραφία βάσει δεδομένων, κτλ).
8. Καλλιεργήσει μια συνείδηση κοινωνικής ευθύνη και ικανότητες ανεξάρτητης μάθησης.

Κριτήρια Εισδοχής

Γενικά:
Οι αιτήσεις συμμετοχής στο πρόγραμμα θα εξεταστούν μόνο από υποψηφίους που πληρούν τα ελάχιστα κριτήρια εισδοχής, όπως περιγράφονται παρακάτω:

• Προπτυχιακός τίτλος σπουδών σε θετικές (και συναφείς με αυτές) επιστήμες όπως: Επιστήμη Υπολογιστών, Μηχανικών Υπολογιστών, Μαθηματικών, Φυσικής, Βιολογίας, Οικονομικών, Ηλεκτρολόγων Μηχανικών, από αναγνωρισμένο πανεπιστήμιο (π.χ. αμερικανικό, ευρωπαϊκό ή άλλο αναγνωρισμένο ισοδύναμο τίτλο) με γενικό μέσο όρο τουλάχιστον 2.5. Αιτήσεις υποψηφίων με χαμηλότερο γενικό μέσο όρο μπορεί μελετηθούν κατ’ εξαίρεση.
• Οι φοιτητές θα πρέπει να προσκομίσουν αποδεικτικά βασικών γνώσεων (όπως πιστοποιητικό από αναγνωρισμένο ίδρυμα ή άλλο είδος τεκμηρίωσης) προγραμματισμού (βασικές αρχές) και μαθηματικών (πιθανότητες ή/και στατιστική ή/και γραμμική άλγεβρα ή/και ανάλυση) εκτός αν αυτό το υπόβαθρο είναι προφανές από τη λίστα μαθημάτων των προηγούμενων σπουδών τους.
• Γνώση Αγγλικής Γλώσσας: Οι σπουδαστές πληρούν τα κριτήρια γνώσης Αγγλικής γλώσσας αν το πρώτο τους μάθημα διδάσκεται στην αγγλική γλώσσα. Διαφορετικά, θα πρέπει να παρουσιάσουν κάποιο από τα ακόλουθα αποδεικτικά: TOEFL (<=550 paper-based/<=213 computer-based) ή GCSE “O” Level (<=C)) ή IELTS (<=6,0). Εναλλακτικά, μπορούν να παρακαθήσουν στην εξέταση αξιολόγησης ENGL-100 του Πανεπιστημίου Λευκωσίας.

Ειδικά:

• Συμπληρωμένη αίτηση.
• Βιογραφικό σημείωμα που αναφέρει τις σπουδές του υποψηφίου, την ακαδημαϊκή και την επαγγελματική εμπειρία, δημοσιεύσεις (αν υπάρχουν), βραβεία κ.λπ.
• Κατάλογος μαθημάτων και βαθμοί των προηγούμενων σπουδών. Ο υποψήφιος πρέπει να υπογραμμίσει τα μαθήματα που αποδεικνύουν τη βασική γνώση του προγραμματισμού και των μαθηματικών. Σε περίπτωση που δεν υπάρχουν τέτοια μαθήματα, ο/η υποψήφιος/α θα πρέπει να υποβάλει τεκμήρια / πιστοποιητικά από αναγνωρισμένους οργανισμούς που αποδεικνύουν αυτή του τη γνώση.
• Συστατικές επιστολές: Δύο συστατικές επιστολές.
• Προσωπική Έκθεση: Μια επιστολή που περιγράφει τις ικανότητες και δυνατά σημεία του υποψηφίου και παραθέτει τις σκέψεις του σχετικά με τις προσδοκίες του από το πρόγραμμα σπουδών και την εξέλιξη της σταδιοδρομίας του μέσα και μετά από αυτό.

Μαθησιακά Αποτελέσματα

Μετά την επιτυχή ολοκλήρωση αυτού του προγράμματος, ο φοιτητής θα μπορεί να:

1. Συλλέξει απαιτήσεις, σχεδιάσει, εφαρμόσει και να αξιολογήσει την απόδοση μιας λύσης Επιστήμης Δεδομένων.
2. Διεξάγει έρευνα και να αναπτύξει καινοτόμες μεθόδους στην Επιστήμη των Δεδομένων ή σε οποιοδήποτε άλλο διεπιστημονικό πεδίο που απαιτεί τέτοια εξειδίκευση (π.χ. Βιοπληροφορική, Δημοσιογραφία, Υπολογιστική Κοινωνική Επιστήμη, Επιχειρηματική Ευφυία, κτλ).
3. Αναγνωρίζει και να επικοινωνεί τα θέματα ιδιωτικότητας και ηθικής που προκύπτουν από την εφαρμογή εργαλείων Επιστήμης Δεδομένων. Οι απόφοιτοι θα είναι σε θέση να συνθέσουν λύσεις που επιλύουν τα θέματα αυτά.
4. Εργαστεί παραγωγικά και σε αρμονία με μία διεπιστημονική ομάδα εργασίας. Ο απόφοιτος θα είναι σε θέση να επικοινωνεί σε τεχνικό αλλά και μη-τεχνικό επίπεδο.
5. Σχεδιάσει λύσεις για τις πραγματικές προκλήσεις της εξόρυξης δεδομένων (δεδομένα μεγάλου όγκο, ροές δεδομένων, ετερογενή δεδομένα, θορυβώδη δεδομένα κλπ.)
6. Συνθέσει αναφορές και παρουσιάσεις με σκοπό να γνωστοποιεί τα αποτελέσματα των αναλύσεων και να επιχειρηματολογήσει σε σχέση με αυτά.
7. Γνωρίζει, συγκρίνει και συνδυάζει τις τελευταίες εξελίξεις στην επιστήμη των δεδομένων, τη μηχανική μάθηση και την τεχνητή νοημοσύνη και να εφεύρει καινοτόμες εφαρμογές με κοινωνική και επιχειρηματική αξία.

Ο φοιτητής πρέπει να συλλέξει 90 ECTS και όλες τις απαιτήσεις του προγράμματος.

Ο τελικός μέσος όρος (CPA) θα πρέπει να ξεπερνά ή να είναι ίσος με 2.0. Έτσι, παρόλο που το «D-» θεωρείται επιτυχής βαθμός, προκειμένου να επιτευχθεί γενικός μέσος όρος 2.0, απαιτείται ένας μέσος βαθμός «C».

Ενδεικτικό Πρόγραμμα Σπουδών

Semester 1

• Data Programming 10 ECTS Credits
• Mathematics for Data Science 10 ECTS Credits
• Data Privacy and Ethics 10 ECTS Credits

Semester 2

• Machine Learning 10 ECTS Credits
• Managing and Visualizing Data 10 ECTS Credits
• Research Seminars and Methodology 4 ECTS Credits
• Project in Data Science 6 ECTS Credits

Semester 3 (Non-Thesis Option)

• Deep and Reinforcement Learning 10 ECTS Credits
• Big Data Management and Processing 10 ECTS Credits
• Artificial Intelligence 10 ECTS Credits

Semester 3

• Thesis 30 ECTS Credits