Επιστήμη Δεδομένων

  • Panepistimio Leykosias
  • ΠΡΟΠΤΥΧΙΑΚΟ
    ΔΙΔΑΚΤΡΑ:
    ΔΙΔΑΚΤΡΑ: Με δίδακτρα
    ΠΡΟΚΗΡΥΞΗ: Ενεργή
    ΔΙΑΡΚΕΙΑ:
    ΠΟΛΗ:
    ΣΠΟΥΔΕΣ: Full time/Part-time
    bookmark
    ΠΛΗΡΟΦΟΡΙΕΣΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ
    • Περιγραφή Προγράμματος

      Στόχος του προγράμματος είναι να παράσχει στους φοιτητές τεχνικές δεξιότητες και πρακτική γνώση στην Επιστήμη των Δεδομένων. Το πρόγραμμα Επιστήμης Δεδομένων συνδυάζει τη θεωρία και την πρακτική, βασισμένη σε τρεις κύριους κλάδους, Πληροφορική, Στατιστική και Μαθηματικά, και τομείς εφαρμογών πραγματικού κόσμου. Έχει σχεδιαστεί ώστε οι απόφοιτοι του προγράμματος να ανταποκριθούν στις απαιτήσεις της μελλοντικής Οικονομίας που βασίζεται στα δεδομένα.

      Πιο συγκεκριμένα, το πρόγραμμα αποσκοπεί στο να:

      1. Προσφέρει στους φοιτητές τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για την απόκτηση, τη διαχείριση, την ανάλυση και την εξαγωγή γνώσης από τα δεδομένα.
      2. Προσφέρει στους φοιτητές ένα ισχυρό μαθηματικό και στατιστικό υπόβαθρο που θα τους δώσει τη δυνατότητα να διαμορφώνουν τα κατάλληλα μοντέλα και να εφαρμόζουν τεχνικές βελτιστοποίησης για την ανάλυση δεδομένων.
      3. Προσφέρει στους φοιτητές δεξιότητες μηχανικής λογισμικού και μηχανικής μάθησης για το σχεδιασμό και την υλοποίηση αξιόπιστων, συντηρήσιμων και κλιμακώσιμων λύσεων για προβλήματα που σχετίζονται με τα δεδομένα.
      4. Δώσει τη δυνατότητα στους φοιτητές να αξιολογήσουν το επίπεδο ιδιωτικότητας και ασφάλειας μιας τεχνικής λύσης σε ένα πρόβλημα επιστήμης των δεδομένων.
      5. Προετοιμάσει τους φοιτητές για περαιτέρω μεταπτυχιακές σπουδές και έρευνα που απαιτούν εμπειρογνωμοσύνη στην Επιστήμη των Δεδομένων και αναλυτική σκέψη (όπως επιχειρηματική ανάλυση δεδομένων, χρηματοοικονομικά, υγεία, βιοπληροφορική).
      6. Καλλιεργήσει μια συνείδηση κοινωνικής ευθύνη και ικανότητες ανεξάρτητης μάθησης.

      Κριτήρια Εισδοχής

      Γενικό κριτήριο εισδοχής στο προπτυχιακό πρόγραμμα σπουδών είναι το Απολυτήριο Λυκείου ή άλλο ισοδύναμο προσόν.

      Κανονική Ακαδημαϊκή Εισδοχή
      Κύριο κριτήριο εισδοχής για κανονική εισαγωγή στα προγράμματα σπουδών είναι το αναγνωρισμένο Απολυτήριο Λυκείου με βαθμό 7.5 από τα 10 ή 15 από τα 20 ή κατάταξη επίδοσης στο κορυφαίο 50% ή ισοδύναμο προσόν.

      Ειδική Ακαδημαϊκή Εισδοχή
      Αυτή η κατηγορία εισδοχής μπορεί να προσφερθεί σε φοιτητές που διαθέτουν Απολυτήριο Λυκείου αλλά δεν έχουν τους απαιτούμενους βαθμούς ή άλλες προϋποθέσεις για τακτική εισδοχή.

      Επαρκής Γνώση Αγγλικής Γλώσσας
      Οι φοιτητές πρέπει παρακαθήσουν τις κατατακτήριες εξετάσεις αγγλικής γλώσσας του Πανεπιστημίου NEPTON, πριν την εγγραφή τους σε οποιοδήποτε πρόγραμμα σπουδών. Οι διαγνωστικές αυτές εξετάσεις ενδέχεται να καταδείξουν πως ορισμένοι φοιτητές θα πρέπει να παρακολουθήσουν μαθήματα αγγλικών προτού να είναι σε θέση να εγγραφούν στο ακαδημαϊκό πρόγραμμα σπουδών τους.
      Φοιτητές με τα ακόλουθα προσόντα στην αγγλική γλώσσα, εγγράφονται αυτόματα στο πρόγραμμα σπουδών τους:

      • TOEFL – 500 and above
      • Computer-based TOEFL – 173 and above
      • Internet-based TOEFL – 61 and above
      • IELTS – 5.5 and above
      • Cambridge Exams [First Certificate] – B and above
      • Cambridge Exams [Proficiency Certificate – C and above
      • GCSE English Language “O” Level – C and above
      • Michigan Examination of Proficiency in English Pass
      • Michigan Examination of Competency in English Pass

      Μαθησιακά Αποτελέσματα

      Μετά την επιτυχή ολοκλήρωση αυτού του προγράμματος, οι φοιτητές θα πρέπει να είναι σε θέση να:

      1. Εφαρμόζουν θεωρίες και μεθοδολογίες από μαθηματικά, στατιστική και πληροφορική για την επίλυση προβλημάτων του πραγματικού κόσμου που σχετίζονται με τα δεδομένα.
      2. Εφαρμόζουν σύγχρονες τεχνολογίες πληροφορικής, όπως μηχανική μάθηση και εξόρυξη δεδομένων, Τεχνητή Νοημοσύνη, παράλληλη και κατανεμημένη υπολογιστική, για την επίλυση πρακτικών προβλημάτων που χαρακτηρίζονται από μεγάλα δεδομένα.
      3. Υλοποιούν αλγόριθμους για βασικές εργασίες Επιστήμης Δεδομένων όπως μηχανική μάθηση και εξόρυξη δεδομένων, στατιστική συμπερασματολογία κλπ., χρησιμοποιώντας μια γλώσσα υψηλού επιπέδου που είναι κατάλληλη για την επιστήμη των δεδομένων (π.χ. Python, R).
      4. Εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, το μετασχηματισμό και την αναζήτηση δεδομένων.
      5. Επιλέγουν και να εφαρμόζουν κατάλληλους αλγόριθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
      6. Απεικονίζουν δεδομένα και να εφαρμόζουν διαδικασίες συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
      7. Αξιολογούν θέματα ιδιωτικότητας και ασφάλειας που προκύπτουν στα διάφορα στάδια διαχείρισης δεδομένων
      8. Επιδεικνύουν επαγγελματική και ηθική ευθύνη όσον αφορά την ιδιοκτησία, την ασφάλεια και την ευαισθησία των δεδομένων.
      9. Επικοινωνούν αποτελεσματικά τεχνικές ιδέες μέσω προφορικών παρουσιάσεων και γραπτών εκθέσεων.
    • Ο φοιτητής πρέπει να συμπληρώσει 240 ECTS καθώς και όλες τις απαιτήσεις του προγράμματος.

      Ο ελάχιστος απαιτούμενος γενικός βαθμός (CPA) είναι 2.0. Παρά το γεγονός ότι με το βαθμό ‘D-‘ το μάθημα θεωρείται ότι ολοκληρώθηκε επιτυχώς, ο απαιτούμενος μέσος όρος είναι το ‘C’ για να επιτευχθεί ο ελάχιστος απαιτούμενος γενικός βαθμός (CPA) 2.0.

      Ενδεικτικό Πρόγραμμα Σπουδών

      Semester 1

      • Introduction to Data Science 6 ECTS Credits
      • Programming Principles I 6 ECTS Credits
      • Discrete Mathematics 6 ECTS Credits
      • Calculus I 6 ECTS Credits
      • English Composition 6 ECTS Credits

      Semester 2

      • Programming Principles II 6 ECTS Credits
      • Software Development Tools for Data Science 6 ECTS Credits
      • Calculus II 6 ECTS Credits
      • Probability and Statistics I 6 ECTS Credits
      • Principles of Sociology 6 ECTS Credits

      Semester 3

      • Data Structures 6 ECTS Credits
      • Data Programming 6 ECTS Credits
      • Probability and Statistics II 6 ECTS Credits
      • Bayesian Statistics 6 ECTS Credits
      • Elements of Biology 6 ECTS Credits

      Semester 4

      • Algorithms 6 ECTS Credits
      • Database Management Systems 6 ECTS Credits
      • Linear Algebra I 6 ECTS Credits
      • Machine Learning and Data Mining I 6 ECTS Credits
      • Project in Data Science 6 ECTS Credits

      Semester 5

      • Machine Learning and Data Mining II 6 ECTS Credits
      • Optimization Techniques 6 ECTS Credits
      • Data Visualization 6 ECTS Credits
      • Data Privacy and Ethics 6 ECTS Credits
      • Visual Programming 6 ECTS Credits

      Semester 6

      • Big Data 6 ECTS Credits
      • Web and Social Data Mining 6 ECTS Credits
      • Linear Models I 6 ECTS Credits
      • Technical Writing and Research 6 ECTS Credits
      • Knowledge Management 6 ECTS Credits

      Semester 7

      • Artificial Intelligence 6 ECTS Credits
      • Neural Networks and Deep Learning 6 ECTS Credits
      • Data Science Final Year Project I 6 ECTS Credits
      • Blockchain Programming 6 ECTS Credits
      • Marketing 6 ECTS Credits

      Semester 8

      • Data Science Final Year Project II 6 ECTS Credits
      • Industry Placement in Data Science 6 ECTS Credits
      • Times Series Modeling and Forecasting 6 ECTS Credits
      • Cloud Computing 6 ECTS Credits
      • Linear Algebra II 6 ECTS Credits
    ΕΚΔΗΛΩΣΗ ΕΝΔΙΑΦΕΡΟΝΤΟΣ
    ΕΚΔΗΛΩΣΗ ΕΝΔΙΑΦΕΡΟΝΤΟΣ
    ΣΧΟΛΙΑΣΤΕ

    ΕΠΙΚΟΙΝΩΝΗΣΤΕ ΜΕ ΤΗΝ ΓΡΑΜΜΑΤΕΙΑ

      Αφήστε μια απάντηση

      Η ηλ. διεύθυνση σας δεν δημοσιεύεται. Τα υποχρεωτικά πεδία σημειώνονται με *

      ΚΑΤΗΓΟΡΙΕΣ
      ΚΑΤΗΓΟΡΙΕΣ
      ΠΡΟΠΤΥΧΙΑΚΑΜΕΤΑΠΤΥΧΙΑΚΑΣΕΜΙΝΑΡΙΑ
      ΠΡΟΠΤΥΧΙΑΚΑΜΕΤΑΠΤΥΧΙΑΚΑΣΕΜΙΝΑΡΙΑ
      ΠΡΟΠΤΥΧΙΑΚΑΜΕΤΑΠΤΥΧΙΑΚΑΣΕΜΙΝΑΡΙΑ
      ΆΡΘΡΑ
      Share on Facebook Tweet Pin it Share on LinkedIn Send email