Επιστήμη Δεδομένων

(Πτυχίο, 4 έτη)

Διάρκεια Σπουδών

4 έτη

Τίτλος Σπουδών

Πτυχίο στην Επιστήμη Δεδομένων

Επίπεδο Τίτλου Σπουδών

Πτυχίο (1ος Κύκλος Σπουδών)

Γλώσσα Διδασκαλίας

Αγγλική

Μέθοδος Φοίτησης

Πλήρης ή Μερική Φοίτηση

Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS)

240

Πληροφορίες

Επιστήμη Δεδομένων (Πτυχίο, 4 έτη)

Διάρκεια Σπουδών	4 έτη
Τίτλος Σπουδών	Πτυχίο στην Επιστήμη Δεδομένων
Επίπεδο Τίτλου Σπουδών	Πτυχίο (1^ος Κύκλος Σπουδών)
Γλώσσα Διδασκαλίας	Αγγλική
Μέθοδος Φοίτησης	Πλήρης και Μερική φοίτηση
Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS)	240

Request Information

Περιγραφή

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:

Προσφέρει στους φοιτητές τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για την απόκτηση, τη διαχείριση, την ανάλυση και την εξαγωγή γνώσης από τα δεδομένα.
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.
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.
Δώσει τη δυνατότητα στους φοιτητές να αξιολογήσουν το επίπεδο ιδιωτικότητας και ασφάλειας μιας τεχνικής λύσης σε ένα πρόβλημα επιστήμης των δεδομένων.
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).
Καλλιεργήσει μια συνείδηση κοινωνικής ευθύνη και ικανότητες ανεξάρτητης μάθησης.

Εισδοχή

Ακαδημαϊκή Εισδοχή

Το ελάχιστο κριτήριο εισδοχής στα προπτυχιακά προγράμματα σπουδών είναι το αναγνωρισμένο Απολυτήριο Λυκείου ή άλλο διεθνώς αναγνωρισμένο ισοδύναμο προσόν. Οι φοιτητές/τριες με βαθμό απολυτηρίου χαμηλότερο από 7.5/10 ή 15/20 ή αντίστοιχο, ανάλογα με το σύστημα βαθμολόγησης της χώρας έκδοσης του απολυτηρίου, λαμβάνουν, κατά το πρώτο έτος των σπουδών τους, επιπρόσθετη ακαδημαϊκή καθοδήγηση και παρακολούθηση.

Επαρκής Γνώση Αγγλικής Γλώσσας

Οι ελάχιστες απαιτήσεις γνώσης της αγγλικής γλώσσας για εγγραφή στα προγράμματα σπουδών αναγράφονται πιο κάτω. Οι φοιτητές/τριες που δεν κατέχουν κάποιο από τα πιο κάτω πιστοποιητικά ή τους ελάχιστους βαθμούς και κατέχουν IELTS με 4.5 και άνω, θα πρέπει να παρακαθήσουν τις κατατακτήριες εξετάσεις αγγλικής γλώσσας του Πανεπιστημίου – NEPTON (χωρίς χρέωση) και αν χρειαστεί, να παρακολουθήσουν υποστηρικτικά μαθήματα αγγλικής γλώσσας.

TOEFL – 525 και άνω
Computer-based TOEFL – 193 και άνω
Internet-based TOEFL – 80 και άνω
IELTS – 6 και άνω
Cambridge Exams [First Certificate] – B και άνω
Cambridge Exams [Proficiency Certificate – C και άνω
GCSE English Language “O” Level – C και άνω
Michigan Examination of Proficiency in English (CaMLA) – Pass
Pearson PTE General – Level 3 και άνω
KPG (The Greek Foreign Language Examinations for the State Certificate of Language Proficiency) – Level B2 και άνω
Anglia – Level B2 και άνω
IEB Advances Programme English – Pass
Examination for the Certificate of Proficiency in English (ECPE) Michigan Language Assessment by: Cambridge Assessment English & University of Michigan – 650 average score for ALL skills και άνω.

Αξιολόγηση

Κανονισμοί εξέτασης, αξιολόγηση και βαθμολόγηση

Η αξιολόγηση του μαθήματος αποτελείται συνήθως από μια τελική εξέταση και συνεχή αξιολόγηση. Η συνεχής αξιολόγηση μπορεί να περιλαμβάνει μεταξύ άλλων, ενδιάμεση εξέταση, μελέτες κτλ.

Η βαθμολογία υπολογίζεται βάσει του βάρους της τελικής εξέτασης, της συνεχούς αξιολόγησης και της αριθμητικής βαθμολογίας που λήφθηκε σε αυτές τις δύο αξιολογήσεις. Με βάση την βαθμολογία των μαθημάτων υπολογίζεται ο μέσος βαθμός του εξάμηνου (GPA) ενός φοιτητή καθώς και ο γενικός μέσος όρος (CPA).

Αποφοίτηση

Απαιτήσεις αποφοίτησης

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.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

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

Εφαρμόζουν θεωρίες και μεθοδολογίες από μαθηματικά, στατιστική και πληροφορική για την επίλυση προβλημάτων του πραγματικού κόσμου που σχετίζονται με τα δεδομένα.
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.
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).
Εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, το μετασχηματισμό και την αναζήτηση δεδομένων.
Επιλέγουν και να εφαρμόζουν κατάλληλους αλγόριθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
Απεικονίζουν δεδομένα και να εφαρμόζουν διαδικασίες συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
Αξιολογούν θέματα ιδιωτικότητας και ασφάλειας που προκύπτουν στα διάφορα στάδια διαχείρισης δεδομένων
Επιδεικνύουν επαγγελματική και ηθική ευθύνη όσον αφορά την ιδιοκτησία, την ασφάλεια και την ευαισθησία των δεδομένων.
Επικοινωνούν αποτελεσματικά τεχνικές ιδέες μέσω προφορικών παρουσιάσεων και γραπτών εκθέσεων.

Δομή Προγράμματος

Section A: Computer Science Requirements
ECTS: Min.114 Max.114

Course ID	Course Title	ECTS Credits
COMP-111	Programming Principles I	6
COMP-113	Programming Principles II	6
COMP-140	Introduction to Data Science	6
COMP-142	Software Development Tools for Data Science	6
COMP-211	Data Structures	6
COMP-240	Data Programming	6
COMP-242	Data Privacy and Ethics	6
COMP-244	Machine Learning and Data Mining I	6
COMP-248	Project in Data Science	6
COMP-302	Database Management Systems	6
COMP-340	Big Data	6
COMP-342	Data Visualization	6
COMP-344	Machine Learning and Data Mining II	6
COMP-370	Algorithms	6
COMP-405	Artificial Intelligence	6
COMP-446	Web and Social Data Mining	6
COMP-447	Neural Networks and Deep Learning	6
COMP-494	Data Science Final Year Project I	6
COMP-495	Data Science Final Year Project II	6

Section B: Mathematics and Statistics Requirements
ECTS: Min. 54 Max. 54

Course ID	Course Title	ECTS Credits
MATH-101	Discrete Mathematics	6
MATH-195	Calculus I	6
MATH-196	Calculus II	6
MATH-225	Probability and Statistics I	6
MATH-280	Linear Algebra I	6
MATH-325	Probability and Statistics II	6
MATH-326	Linear Models I	6
MATH-329	Bayesian Statistics	6
MATH-335	Optimization Techniques	6

Section C: Major Electives
ECTS: Min. 30 Max. 42

Course ID	Course Title	ECTS Credits
COMP-213	Visual Programming	6
COMP-263	Human Computer Interaction	6
COMP-341	Knowledge Management	6
COMP-349	Special Topics in Data Science	6
COMP-358	Networks and Data Communication	6
COMP-387	Blockchain Programming	6
COMP-449	Industry Placement in Data Science	6
COMP-470	Internet Technologies	6
COMP-474	Cloud Computing	6
COMP-475	Internet of Things and Wearable Technologies	6
MATH-281	Linear Algebra II	6
MATH-341	Numerical Analysis I	8
MATH-342	Numerical Analysis II	8
MATH-420	Times Series Modeling and Forecasting	6
MATH-426	Linear Models II	6

Section D: Science and Engineering Electives
ECTS: Min.6 Max. 12

Course ID	Course Title	ECTS Credits
BIOL-110	Elements of Biology	6
CHEM-104	Introduction to Organic and Biological Chemistry	6
ECE-110	Digital Systems	6
PHYS-110	Elements of Physics	6

Section E: Business Electives
ECTS: Min.6 Max.12

Course ID	Course Title	ECTS Credits
BADM-234	Organizational Behavior	6
BUS-111	Accounting	6
ECON-200	Fundamental Economics	6
MGT-281	Introduction to Management	6
MGT-370	Management of Innovation and Technology	6
MIS-215	Project Management	6
MIS-303	Database Applications Development	6
MIS-351	Information Systems Concepts	6
MIS-390	E-Business	6
MKTG-291	Marketing	6

Section F: Language Expression
ECTS: Min.12 Max.12

Course ID	Course Title	ECTS Credits
BADM-332	Technical Writing and Research	6
ENGL-101	English Composition	6

Section G: Liberal Arts Electives
ECTS: Min.6 Max.12

Course ID	Course Title	ECTS Credits
FREN-101	French Language and Culture I	6
GERM-101	German Language and Culture I	6
ITAL-101	Italian Language and Culture I	6
PHIL-101	Introduction to Philosophy	6
PHIL-120	Ethics	6
PSY-110	General Psychology I	6
SOC-101	Principles of Sociology	6
UNIC-100	University Experience	6

Μαθήματα ανά εξάμηνο

Semester 1

Course ID	Course Title	ECTS Credits
COMP-140	Introduction to Data Science	6
COMP-111	Programming Principles I	6
MATH-101	Discrete Mathematics	6
MATH-195	Calculus I	6
ENGL-101	English Composition	6

Semester 2

Course ID	Course Title	ECTS Credits
COMP-113	Programming Principles II	6
COMP-142	Software Development Tools for Data Science	6
MATH-196	Calculus II	6
MATH-225	Probability and Statistics I	6
SOC-101	Principles of Sociology	6

Semester 3

Course ID	Course Title	ECTS Credits
COMP-211	Data Structures	6
COMP-240	Data Programming	6
MATH-325	Probability and Statistics II	6
MATH-280	Linear Algebra I	6
BIOL-110	Elements of Biology	6

Semester 4

Course ID	Course Title	ECTS Credits
COMP-370	Algorithms	6
COMP-302	Database Management Systems	6
MATH-329	Bayesian Statistics	6
COMP-244	Machine Learning and Data Mining I	6
COMP-248	Project in Data Science	6

Semester 5

Course ID	Course Title	ECTS Credits
COMP-344	Machine Learning and Data Mining II	6
MATH-335	Optimization Techniques	6
COMP-342	Data Visualization	6
COMP-242	Data Privacy and Ethics	6
COMP-213	Visual Programming	6

Semester 6

Course ID	Course Title	ECTS Credits
COMP-340	Big Data	6
COMP-446	Web and Social Data Mining	6
MATH-326	Linear Models I	6
BADM-332	Technical Writing and Research	6
COMP-341	Knowledge Management	6

Semester 7

Course ID	Course Title	ECTS Credits
COMP-405	Artificial Intelligence	6
COMP-447	Neural Networks and Deep Learning	6
COMP-494	Data Science Final Year Project I	6
COMP-387	Blockchain Programming	6
MKTG-291	Marketing	6

Semester 8

Course ID	Course Title	ECTS Credits
COMP-495	Data Science Final Year Project II	6
COMP-449	Industry Placement in Data Science	6
MATH-420	Times Series Modeling and Forecasting	6
COMP-474	Cloud Computing	6
MATH-281	Linear Algebra II	6

The above semester breakdown is an indicative one. A few of the courses are electives and can be substituted by others. Students may contact their academic advisor and consult their academic pathway found on this website under “Schools & Programmes”.