ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ (MSc DATA SCIENCE ) ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ (MSc DATA SCIENCE ) ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Εισαγωγικά Για την κατάρτιση του Προγράμματος Σπουδών του Π.Μ.Σ. ακολουθήθηκαν τα εξής βήματα: α) Κατ αρχήν τέθηκαν οι στόχοι του με βάση τις αναγκαιότητες που οδήγησαν στη δημιουργία ενός Π.Μ.Σ. με αντικείμενο «Επιστήμη Δεδομένων». β) Ακολούθως προσδιορίστηκαν οι ομάδες στόχευσης (target groups), οι προοπτικές ενασχόλησης των μελλοντικών πτυχιούχων, οι αναγκαιότητες από τις οποίες απορρέουν οι προοπτικές αυτές και εν τέλει τα προσόντα και οι ικανότητες που απαιτούνται για τους πτυχιούχους. γ) Με βάση την παραπάνω αποτύπωση καθορίστηκαν τα εξειδικευμένα μαθησιακά αποτελέσματα (subject specific learning outcomes) στα οποία οφείλει να στοχεύει το Π.Μ.Σ. δ) Στη συνέχεια, αναζητήθηκαν σε μία πρώτη προσέγγιση ενδεικτικά συναφή διδακτικά αντικείμενα από τα οποία θα μπορούσαν να παράγονται τα διάφορα εξειδικευμένα μαθησιακά αποτελέσματα. ε) Τέλος, τα εν λόγω διδακτικά αντικείμενα ομαδοποιήθηκαν σε μείζονες θεματικές ενότητες (modules) διδακτικών αντικειμένων, ανάλογα με το αντικείμενο που καλύπτουν. Το σύνολο των θεματικών ενοτήτων συνιστά το πρόγραμμα σπουδών του Π.Μ.Σ. Οι θεματικές ενότητες μπορούν να συνδυαστούν με συγκεκριμένους τρόπους, οδηγώντας στη διαμόρφωση των κατευθύνσεων (tracks) οι οποίες είναι δομικό στοιχείο του Προγράμματος Σπουδών του Π.Μ.Σ. Αντικείμενο, στόχοι και αναγκαιότητες Αντικείμενο του Προγράμματος Σπουδών είναι η μεταπτυχιακή εξειδίκευση, η θεωρητική εμβάθυνση και η πρακτική κατάρτιση επιστημόνων σε θέματα που σχετίζονται με την επιστήμη των δεδομένων, υπό της θεώρησή της ως υποσύνολο της επιστήμης της Πληροφορικής, αλλά και με της εφαρμογές της επιστήμης των δεδομένων σε άλλα επιστημονικά πεδία, όπως η υγεία και η βιολογία, η ενέργεια και το περιβάλλον, η γεωργία κ.ο.κ. Στο πλαίσιο αυτό, το Π.Μ.Σ. αποσκοπεί στην παροχή μεταπτυχιακών σπουδών υψηλού επιπέδου και, κατά συνέπεια, στην παροχή των κατάλληλων εκείνων εφοδίων που θα δώσουν στους φοιτητές τη δυνατότητα αφενός μεν να ακολουθήσουν επιστημονική σταδιοδρομία στο χώρο της επιστήμης των δεδομένων συνεχίζοντας τις σπουδές τους σε διδακτορικό επίπεδο με ερευνητικές/ακαδημαϊκές προοπτικές, αφετέρου δε να ασχοληθούν επαγγελματικά με το χώρο της επιστήμης των δεδομένων, ανταποκρινόμενοι στις ολοένα αυξανόμενες ανάγκες που υπάρχουν για τη διαχείριση και την αξιοποίηση μεγάλου όγκου

δεδομένων που ήδη υφίσταται σε πολλές κατηγορίες εφαρμογών και που βαίνει αυξανόμενος με αλματώδεις ρυθμούς. Η περιοχή της επιστήμης των δεδομένων (data science), με τις υποπεριοχές των έξυπνων (smart data), συνδεδεμένων (linked data), ανοιχτών (open data), δημόσιων (public data), κυβερνητικών (government data), επιχειρηματικών (business data) και κοινωνικών δεδομένων (social data), είναι μία από τις νεοφυείς και πλέον δραστήριες επιστημονικές περιοχές στην επιστήμη της πληροφορικής. Πέρα από το επιστημονικό ενδιαφέρον για τη δημιουργία αλγορίθμων αποθήκευσης, επεξεργασίας και διαχείρισης των δεδομένων αυτών, εξαγωγής πληροφορίας και γνώσης από τα δεδομένα αυτά καθώς και την οπτικοποίησή τους, υπάρχει πληθώρα τομέων που μπορούν να ωφεληθούν από τη χρήση μεγάλων δεδομένων (από learning analytics έως έξυπνες πόλεις και από επεξεργασία δεδομένων από πειράματα φυσικής έως ανάλυση διαστημικών και ιατρικών δεδομένων). Ταυτόχρονα η συλλογή, αποθήκευση και επεξεργασία όλων αυτών απαιτεί την ανάπτυξη μεγάλων Κέντρων Δεδομένων με δυνατότητα διασύνδεσης χιλιάδων εξυπηρετών (διακομιστών). Η περιοχή της επιστήμης των δεδομένων είναι κατ εξοχήν κατάλληλη για διεξαγωγή διεπιστημονικής έρευνας, λόγω των σημαντικών εφαρμογών που έχει σε πολλές επιστήμες, τόσο θετικές (π.χ. φυσική, αστρονομία, μηχανική) όσο και από λοιπούς χώρους (π.χ. ιατρική). Σε ποιους απευθύνεται το Π.Μ.Σ. και γιατί και με ποια προοπτική; Λαμβανομένων υπόψη των αναγκαιοτήτων στις οποίες καλείται να ανταποκριθεί, το Π.Μ.Σ. «Επιστήμη δεδομένων» απευθύνεται σε όλους εκείνους οι οποίοι είτε απασχολούνται επαγγελματικά με την επιστήμη των δεδομένων είτε επιθυμούν να απασχοληθούν με αυτήν στο μέλλον, καθώς επίσης και σε όλους εκείνους που επιθυμούν να ασχοληθούν επιστημονικά με την επιστήμη των δεδομένων συνεχίζοντας τις σπουδές τους σε διδακτορικό επίπεδο και αναπτύσσοντας σχετικές ερευνητικές δραστηριότητες. Με άλλα λόγια, φιλοδοξία και στόχος του Π.Μ.Σ. είναι να συμβάλει στη δημιουργία αφενός μεν ερευνητών και ακαδημαϊκών (researchers and academics) στο πεδίο της επιστήμη των δεδομένων, αφετέρου δε στελεχών του επαγγελματικού στίβου, τα οποία θα στελεχώσουν τις νευραλγικές θέσεις εταιρειών και φορέων που διαχειρίζονται μεγάλους όγκους δεδομένων και για τους οποίους η διαχείριση, η προστασία και η αξιοποίηση των δεδομένων αυτών αποτελεί είτε το επίκεντρο της επιχειρηματικής τους δραστηριότητας είτε σημαντικό παράγοντα επιτυχίας του φορέα/της επιχείρησης. Ενδεικτικό της σημασίας που δίνεται από τους φορείς και τις εταιρείες στο αντικείμενο της επιστήμης των δεδομένων είναι ότι η εργασία του επιστήμονα δεδομένων είναι η 8 η καλύτερα αμειβόμενη εργασία ανάμεσα σε όλες τις εργασίες (http://www.forbes.com/pictures/fjle45mekf/no-8-data-scientist/) με μέσο μισθό $124,150 και αυξητική τάση 15% κατ έτος. Στην Ελλάδα μάλιστα το έδαφος είναι ακόμη παρθένο, λόγω της έλλειψης εξειδικευμένων Π.Μ.Σ. και κατάλληλων προγραμμάτων σε προπτυχιακό επίπεδο, συνεπώς η εξειδίκευση στον τομέα των μεγάλων δεδομένων ευθυγραμμίζεται πλήρως με τις ανάγκες της επιστήμης και της αγοράς εργασίας. Με βάση τα παραπάνω οι ομάδες στόχευσης του Π.Μ.Σ. «Επιστήμη δεδομένων» είναι αφενός μεν διάφοροι επαγγελματίες του χώρου (στελέχη πληροφορικής αλλά και Chief Information Officers (CIOs)) που ενδιαφέρονται να αποκτήσουν και θεωρητικές βάσεις σε

θέματα που άπτονται της επιστήμης δεδομένων αλλά και εν γένει να βελτιώσουν τις ικανότητές τους και τις γνώσεις τους σε ό,τι αφορά τις σύγχρονες τάσεις, εξελίξεις και προοπτικές στο χώρο της επιστήμης των δεδομένων, αφετέρου δε νέοι πτυχιούχοι διαφόρων ειδικοτήτων που ενδιαφέρονται να εξειδικευτούν στο συγκεκριμένο αντικείμενο προκειμένου είτε να ακολουθήσουν επιστημονική σταδιοδρομία συνεχίζοντας για διδακτορικές σπουδές με ερευνητικές/ακαδημαϊκές προοπτικές είτε να αποκτήσουν συναφείς προοπτικές απασχόλησης ως επαγγελματίες του χώρου (βλ. ανωτέρω). Κατά συνέπεια, για να είναι σε θέση οι πτυχιούχου του Π.Μ.Σ. «Επιστήμη δεδομένων» να ανταποκριθούν στις περιγραφείσες αναγκαιότητες θα πρέπει κατ αρχήν να μπορέσουν να αποκτήσουν μία κατά το δυνατόν ολοκληρωμένη εικόνα του τι είναι η επιστήμη δεδομένων, ποιοι είναι οι στόχοι της, ποιοι είναι οι τομείς στους οποίους βρίσκει εφαρμογή και ποια είναι τα προσδοκώμενα αποτελέσματα από την εφαρμογή της, ποια είναι τα θεωρητικά αντικείμενα τα οποία σχετίζονται με αυτή και ποια είναι τα τρέχοντα εργαλεία και οι βέλτιστες πρακτικές για τη διαχείριση, προστασία και αξιοποίηση των δεδομένων. Στη βάση αυτή, ο αυριανός διπλωματούχος του Π.Μ.Σ. πρέπει να διαθέτει στέρεες επιστημονικές βάσεις και ευρύτητα γνώσεων πάνω στο αντικείμενο της επιστήμης των δεδομένων, κατέχοντας την απαραίτητο θεωρητικό υπόβαθρο σε όλη του την έκταση, αλλά και διαμορφώνοντας εξειδίκευση σε συγκεκριμένες υποπεριοχές, οι οποίες θα αντιστοιχούν σε διαφορετικές επιστημονικές και επαγγελματικές προοπτικές. Το πρόγραμμα σπουδών του Π.Μ.Σ. θα καλύπτει επίσης τη διάσταση της απόκτησης πρακτικής εμπειρίας στα αντικείμενα της επιστήμης δεδομένων, ιδίως μέσω της διασύνδεσής του με φορείς, οργανισμούς και εταιρείες που διαθέτουν μεγάλους όγκους δεδομένων και της εκπόνησης από πλευράς των φοιτητών διπλωματικών εργασιών πάνω σε πραγματικά προβλήματα που επιθυμούν να επιλύσουν οι φορείς αυτοί. Όπως ήδη αναφέρθηκε, το Π.Μ.Σ. «Επιστήμη Δεδομένων» έρχεται να καλύψει ένα κενό στην Ελληνική ανώτατη εκπαίδευση, καθώς δεν υφίστανται εξειδικευμένα Π.Μ.Σ. και κατάλληλων προγράμματα σε προπτυχιακό επίπεδο τα οποία να θεραπεύουν το αντικείμενο της επιστήμης δεδομένων. Επιδιωκόμενα εξειδικευμένα μαθησιακά αποτελέσματα (subjectspecific learning outcomes) Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές του Π.Μ.Σ. «Επιστήμη δεδομένων» πρέπει: 1. να μπορούν να περιγράφουν το αντικείμενο της επιστήμης των δεδομένων, τα επιστημονικά ζητήματα που άπτονται αυτής, τις περιοχές όπου βρίσκει εφαρμογή, τα οφέλη από τη χρήση της και ιδιαίτερα αυτά που σχετίζονται με την ανάλυση των δεδομένων και την αξία που παράγεται από αυτή την ανάλυση, τις πρακτικές και τα εργαλεία που χρησιμοποιούνται. 2. να μπορούν να περιγράψουν το μοντέλο κύκλου ζωής των δεδομένων και τις φάσεις που εμπεριέχονται σε αυτό, και να μπορούν να επιλέξουν τις κατάλληλες παραμέτρους, διαδικασίες και εργαλεία για την υλοποίηση της κάθε φάσης.

3. να μπορούν να καταγράψουν μεθόδους για επεξεργασία, ανάλυση και εν γένει αξιοποίηση των δεδομένων, να επιλέξουν την κατάλληλη μέθοδο για το κάθε πρόβλημα και τα κατάλληλα εργαλεία για την εφαρμογή της μεθόδου. 4. να μπορούν να περιγράψουν τις αρχιτεκτονικές υπολογιστικών κέντρων στις οποίες γίνεται η διαχείριση και η επεξεργασία των δεδομένων και να είναι σε θέση να συνθέτουν τις κατάλληλες αρχιτεκτονικές για την αντιμετώπιση συγκεκριμένων προδιαγραφών διαχείρισης και επεξεργασίας δεδομένων. 5. να μπορούν να περιγράψουν συνηθισμένα προβλήματα σε σημαντικές περιοχές εφαρμογής της επιστήμης των δεδομένων, να μπορούν να αναλύουν τις σχετιζόμενες παραμέτρους και να περιγράφουν τις ανάλογες λύσεις, καθώς και να περιγράφουν και να αξιολογούν την ωφέλεια που προκύπτει από τη λύση των προβλημάτων. Θα πρέπει επίσης να έχουν τη δυνατότητα να συνθέτουν λύσεις για ανάλογα προβλήματα, είτε στις συγκεκριμένες περιοχές εφαρμογής είτε σε διαφορετικές, μεταφέροντας τη γνώση και την εμπειρία τους.. να μπορούν να περιγράφουν τους βασικούς αλγόριθμους και τις δομές της επιστήμης της πληροφορικής που χρησιμοποιούνται για τη διαχείριση, επεξεργασία και ανάλυση των δεδομένων και να επιλέγουν τις κατάλληλες δομές και αλγορίθμους για την επίλυση των προβλημάτων. 7. να αναπτύξουν τις δυνατότητες έρευνας σε αντικείμενα που άπτονται της επιστήμης δεδομένων. Σε λεπτομερέστερο επίπεδο ανάλυσης, με βάση τα μαθησιακά αποτελέσματα που επιδιώκονται στο πλαίσιο του Π.Μ.Σ. «Επιστήμη Δεδομένων» οι φοιτητές που ολοκληρώνουν επιτυχώς τις σπουδές τους στο Π.Μ.Σ θα πρέπει να: Α. Γνώση και κατανόηση Έχουν αποκτήσει τις απαραίτητες γνώσεις σχετικά με τις αρχές εργασίας στην επιστήμη δεδομένων. Γνωρίζουν τις θεμελιώδεις αρχές της επιστήμης δεδομένων και θα είναι σε θέση να διαμορφώνουν επιστημονικά θεμελιωμένες και καινοτόμες λύσεις στην περιοχή των εφαρμογών της, καθώς και να προσδιορίζουν τη σχέση κόστους-ωφέλειας της κάθε λύσης. Κατανοούν τις βασικές αρχές των τεχνικών και οργανωτικών παραμέτρων της υλοποίησης έργων επιστήμης δεδομένων. Κατανοούν τα ζητήματα που σχετίζονται με κοινωνικές, νομικές και ηθικές πτυχές της επιστήμης δεδομένων. Β. Εφαρμογή γνώσης και κατανόησης Είναι σε θέση να εφαρμόζουν τις γνώσεις και την κατανόηση που έχουν αποκτήσει για να αποτελέσουν ικανούς επαγγελματίες. Κατέχουν τις κατάλληλες δεξιότητες προκειμένου να μπορούν να διαμορφώνουν λύσεις που είναι κατάλληλες για τους τομείς της επιστήμης δεδομένων στους οποίους αφορούν τα υπό επίλυση προβλήματα. Διαθέτουν την ικανότητα να εφαρμόζουν τις επιστημονικές θεωρίες της επιστήμης δεδομένων σε σύγχρονα συστήματα επιστήμης δεδομένων, καθώς και σε σχετιζόμενους ερευνητικούς τομείς. Αναγνωρίζουν τα εργαλεία και τις τεχνικές που είναι κατάλληλα για τα υπό επίλυση προβλήματα, έτσι ώστε να διεκπεραιώνουν με επιτυχία πολύπλοκα έργα.

Διεκπεραιώνουν πειράματα που περιλαμβάνουν δοκιμές και μετρήσεις, καθώς και θα αναλύουν, ερμηνεύουν και παρουσιάζουν τα παραγόμενα αποτελέσματα. Αναλαμβάνουν και διεκπεραιώνουν αποτελεσματικά έργα τόσο ως μεμονωμένα άτομα όσο και ως μέλη μιας τεχνικής ομάδας. Εργάζονται αποτελεσματικά στο πλαίσιο μιας ομάδας προκειμένου να διαχειριστούν, σχεδιάσουν, δοκιμάσουν και πιστοποιήσουν τις επιδόσεις συστημάτων επιστήμης δεδομένων. Γ. Κρίση Είναι σε θέση να εντοπίσουν, διαμορφώσουν και επιλύσουν προβλήματα που σχετίζονται με τον σχεδιασμό, τη διαχείριση και την εξέλιξη συστημάτων που εφαρμόζουν την επιστήμη δεδομένων. Διενεργούν πειραματικούς ελέγχους και θα αποτιμούν τις επιδόσεις υλικού και λογισμικού που αφορά στην επιστήμη δεδομένων. Κατανοούν τα επιστημονικά και τεχνικά δημοσιεύματα και θα διαμορφώνουν προσωπική γνώμη για τη σημαντικότητά τους και τις συνέπειές τους. Εντοπίζουν και χρησιμοποιούν βιβλιογραφικές πηγές, πρότυπα και κανονισμούς που να αφορούν σε επιστημονικά θέματα, προϊόντα και συστήματα. Διαμορφώνουν ολοκληρωμένες απόψεις λαμβάνοντας υπ όψιν επιστημονικές, κοινωνικές και ηθικές πτυχές του εκάστοτε ζητήματος και να έχουν επίγνωση των ηθικών ζητημάτων που άπτονται της επαγγελματικής, ερευνητικής και αναπτυξιακής δραστηριότητας στην περιοχή της επιστήμης δεδομένων. Επιδεικνύουν διορατικότητα σε σχέση με πιθανούς περιορισμούς της τεχνολογίας, τον ρόλο τον οποίο αυτή διαδραματίζει στην κοινωνία και την ατομική ευθύνη σε ό,τι αφορά τη χρήση της, συμπεριλαμβάνοντας κοινωνικές, οικονομικές, περιβαλλοντικές και εργασιακές πτυχές. Αναγνωρίζουν τις ανάγκες τους για πρόσληψη νέας γνώσης και να επεκτείνουν διαρκώς τις γνώσεις και δεξιότητές τους. Δ. Επικοινωνία Παρουσιάζουν προβλήματα, ιδέες, λύσεις και τεχνικές πληροφορίες με αποτελεσματικό και παραγωγικό τρόπο, γραπτά αλλά και προφορικά, τόσο σε εξειδικευμένα όσο και σε μη εξειδικευμένα ακροατήρια. Παράγουν τεχνικές αναφορές επί των δραστηριοτήτων που διεκπεραίωσαν και θα παρουσιάζουν συνόψεις των κυριότερων αποτελεσμάτων σε ομάδες. Ε. Μάθηση Αναγνωρίζουν και θα υιοθετούν μεθόδους, τεχνικές και εργαλεία που χρησιμοποιούνται σε όλες τις φάσεις του κύκλου ζωής συστημάτων και εφαρμογών επιστήμης δεδομένων. Παρακολουθούν τις επιστημονικές και τεχνολογικές εξελίξεις στην περιοχή της επιστήμης δεδομένων και θα εντοπίζουν τις ανάγκες για πρόσληψη νέας γνώσης και ανάπτυξη δεξιοτήτων. Συνεχίζουν τις σπουδές τους σε όλους του τομείς της επιστήμης δεδομένων. Αναζήτηση διδακτικών αντικειμένων από τα οποία θα μπορούσαν να παράγονται τα συγκεκριμένα εξειδικευμένα μαθησιακά αποτελέσματα Στον Πίνακα 1, ο οποίος παρατίθεται στο τέλος του Προγράμματος Σπουδών, αποτυπώνεται η συσχέτιση των κατά τα ανωτέρω εξειδικευμένων μαθησιακών αποτελεσμάτων με ενδεικτικά συναφή διδακτικά αντικείμενα από τα οποία θα μπορούσαν να παράγονται αυτά.

Τονίζεται επίσης ο ενδεικτικός χαρακτήρας του καταλόγου των συναφών διδακτικών αντικειμένων. Η οριστικοποίηση και η αποσαφήνιση του περιεχομένου του καταλόγου αποτελούν προφανώς ευθύνη των κατά περίπτωση διδασκόντων και θα είναι πάντοτε ανοιχτός σε εκ νέου θεωρήσεις. Ομαδοποίηση των διδακτικών αντικειμένων σε Θεματικές Ενότητες Στον Πίνακα 2 στο τέλος του Προγράμματος Σπουδών αποτυπώνεται η ομαδοποίηση των ανωτέρω διδακτικών αντικειμένων σε Θεματικές Ενότητες (ΘΕ). Η επιλογή των συγκεκριμένων ΘΕ έχει πραγματοποιηθεί προκειμένου αυτές να ανταποκρίνονται στους κύριους άξονες στους οποίους αναπτύσσεται σήμερα η επιστήμη των δεδομένων. Η ομαδοποίηση έχει γίνει σε οκτώ (8) ΘΕ. Οι δύο πρώτες ΘΕ παρέχουν το αναγκαίο υπόβαθρο, τις στέρεες επιστημονικές γνώσεις και την ευρύτητα γνώσεων πάνω στο αντικείμενο, στοιχεία που είναι απαραίτητα για όλους τους αποφοίτους του Π.Μ.Σ. Στη Θεματική Ενότητα 2 εντάσσεται και το αντικείμενο της μεθοδολογίας έρευνας, προκειμένου να τονιστεί με αυτόν τον τρόπο η έμφαση που δίνεται από το συγκεκριμένο Π.Μ.Σ. στην ανάπτυξη ερευνητικών ικανοτήτων και δεξιοτήτων. Οι ικανότητες και δεξιότητες αυτές δεν θα είναι χρήσιμες μόνο σε όσους θα επιθυμούν τη συνέχιση των σπουδών τους σε ανώτερο επίπεδο, αλλά και σε εκείνους που θα εισέλθουν στον εργασιακό στίβο, μια και θα τους επιτρέψουν να προσλαμβάνουν διαρκώς νέα γνώση για επιστημονικές και τεχνολογικές εξελίξεις, η οποία θα τους είναι απαραίτητη προκειμένου να είναι αποτελεσματικοί στην εργασία τους. Η Θεματική Ενότητα 4 αφορά στην εκπόνηση της διπλωματικής εργασίας και είναι επίσης υποχρεωτική, ως εργαλείο για την εις βάθος μελέτη ενός συγκεκριμένου ζητήματος και την ανάπτυξη των αναλυτικών, συνθετικών και ερευνητικών δεξιοτήτων. Οι Θεματικές Ενότητες 5 έως 8 αφορούν σε διαφορετικές εξειδικεύσεις που μπορούν να λάβουν οι απόφοιτοι του Π.Μ.Σ., ενώ η Θεματική Ενότητα 3 δρα συμπληρωματικά ως προς την εξειδίκευση, απτόμενη γενικότερων ζητημάτων που σχετίζονται με την επιστήμη των δεδομένων και τις εφαρμογές της. Δομή του Προγράμματος Σπουδών Για την απόκτηση του Μεταπτυχιακού Διπλώματος Ειδίκευσης (ΜΔΕ) απαιτείται η συγκέντρωση 120 πιστωτικών μονάδων ECTS (ΠΜ ECTS) και η φοίτηση και η επιτυχής ολοκλήρωση των συναφών υποχρεώσεων των φοιτητών κατά τη διάρκεια τριών διδακτικών εξαμήνων τα οποία ακολουθούνται από ένα εξάμηνο κατά τη διάρκεια του οποίου εκπονείται μεταπτυχιακή διατριβής. Οι 90 ΠΜ ECTS αντιστοιχούν στις κάθε μορφής εκπαιδευτικές δραστηριότητες των τριών διδακτικών εξαμήνων (ανά 30 ΠΜ ECTS σε κάθε εξάμηνο), ενώ οι υπόλοιπες 30 ΠΜ ECTS αντιστοιχούν στην μεταπτυχιακή διατριβή. Το Πρόγραμμα Σπουδών περιλαμβάνει στα δύο πρώτα εξάμηνα τα μαθήματα των δύο πρώτων θεματικών ενοτήτων, τα οποία παρέχουν το γνωστικό υπόβαθρο πάνω στην επιστήμη των δεδομένων, δηλαδή αφ ενός τις θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων και αφ ετέρου τους αλγόριθμους, τις επιστημονικές μεθοδολογίες, τα εργαλεία και τις υποδομές για την επιστήμη των δεδομένων. Εξαίρεση

αποτελεί το μάθημα «Μεθοδολογία έρευνας», το οποίο τοποθετείται στο τρίτο εξάμηνο, ως προπαρασκευή για την εκπόνηση της μεταπτυχιακής διατριβής. Η κάθε μία από τις θεματικές ενότητες 1 και 2 είναι απαραίτητο να διδάσκεται τμηματικά στα δύο εξάμηνα, λόγω της γνωσιακής αλληλουχίας και των γνωστικών προϋποθέσεων των μαθημάτων της. Στο τρίτο εξάμηνο οι φοιτητές πέραν του υποχρεωτικού μαθήματος της μεθοδολογίας έρευνας- επιλέγουν μία από τις θεματικές ενότητες 5 έως 8, οι οποίες παρέχουν την εξειδίκευση στους διάφορους τομείς εφαρμογών ή στην περιοχή της επιστήμης της πληροφορικής που αποτελεί το υπόβαθρο της επιστήμης των δεδομένων, και ένα μάθημα από τη θεματική ενότητα 3, το οποίο πραγματεύεται γενικότερα ζητήματα που αφορούν στην επιστήμη των δεδομένων. Τέλος στο τέταρτο εξάμηνο εκπονείται η μεταπτυχιακή διατριβή. 1 ο εξάμηνο Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων) 1. ΘΕ 1 - Θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων (18 ΠΜ-ECTS) 2. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την επιστήμη των δεδομένων (12 ΠΜ-ECTS) 2 ο εξάμηνο Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων) 1. ΘΕ 1 - Θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων ( ΠΜ-ECTS) 2. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την επιστήμη των δεδομένων (24 ΠΜ-ECTS) 3 ο εξάμηνο Α. Υποχρεωτικές Θεματικές Ενότητες (τμήματα θεματικών ενοτήτων) 1. ΘΕ 2 - Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την επιστήμη των δεδομένων (2 ΠΜ-ECTS) Β. Υποχρεωτικές Κατ Επιλογήν Θεματικές Ενότητες 1. ΘΕ 3 - Ζητήματα στην επιστήμης των μεγάλων δεδομένων. (4 ΠΜ-ECTS). Επιλέγεται ένα από τα δύο αντικείμενα Γ. Κατ Επιλογήν Θεματικές Ενότητες. Επιλέγεται μία από τις τρεις ακόλουθες θεματικές ενότητες: 1. ΘΕ 5 - Η επιστήμη των δεδομένων στην περιοχή της ενέργειας (24 ΠΜ-ECTS) 2. ΘΕ - Η επιστήμη των δεδομένων στους τομείς της διατροφής και της γεωργίας (24 ΠΜ-ECTS) 3. ΘΕ 7 - Μηχανική δεδομένων στην επιστήμη δεδομένων (24 ΠΜ-ECTS) 4. ΘΕ 8 Η επιστήμη των δεδομένων στις βιο-επιστήμες (24 ΠΜ-ECTS) 4ο εξάμηνο Α. Υποχρεωτικές Θεματικές Ενότητες 1. ΘΕ 4 Διπλωματική εργασία (30 ΠΜ-ECTS)

Τα μαθήματα του προγράμματος σπουδών διαμορφώνονται ως εξής : Α εξάμηνο: ECTS 1. Introduction to Big Data systems 2. Advanced and large-scale statistical methods 3. Machine learning 4. Data lifecycle management 5. Introduction to data intensive science ΣΥΝΟΛΟ 30 Β εξάμηνο: ECTS 1. Computation for Big Data 2. Distributed databases 3. Data Summarization and Visualization 4. High performance computing and parallel systems 5. Thematic implementations of data intensive science ΣΥΝΟΛΟ 30 Γ εξάμηνο: Θεματική energy/environment ECTS 1. Data value chain in energy/environment 2. Sensors and Internet of Things 3. Event recognition in sequential data 4. Multi-modal data fusion 5. Research methodology. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data analysis β) Linked open data applications 4 2 ΣΥΝΟΛΟ 30 Γ εξάμηνο: Θεματική food and agriculture ECTS 1. Data value chain in food and agriculture 2. Sensors and Internet of Things 3. Risk identification and crisis management through data 4. Decision support tools for policy making 5. Research methodology 2. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data analysis β) Linked open data applications 4

ΣΥΝΟΛΟ 30 Γ εξάμηνο: Θεματική biosciences ECTS 1. Health Information Systems (HIS) 2. Bioinformatics 3. Biomedical data science 4. Data value chain in biosciences 5. Research methodology 2. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data analysis β) Linked open data applications 7. ΣΥΝΟΛΟ 4 30 Γ εξάμηνο: Θεματική data engineering ECTS 1. Advanced and distributed machine learning methods 2. Sensors and Internet of Things 3. Advanced topics in big data 4. Επιλογή ενός μαθήματος από άλλη θεματική 5. Research methodology 2. Επιλογή ενός από τα ακόλουθα μαθήματα: α) Legal and Ethical issues of big data analysis β) Linked open data applications 4 7. ΣΥΝΟΛΟ 30 Δ εξάμηνο: ECTS 1. Μεταπτυχιακή διατριβή 30 ΣΥΝΟΛΟ 30 Συσχέτιση ΠΜ-ECTS και φόρτου απασχόλησης φοιτητών Σύμφωνα με τα γενικώς ισχύοντα στον Ευρωπαϊκό Χώρο Ανώτατης Εκπαίδευσης, μία ΠΜ- ECTS αντιστοιχεί σε 25 ώρες συνολικού φόρτου απασχόλησης των φοιτητών. Στο παρόν Π.Μ.Σ., και ειδικά σε ό,τι αφορά τις εκπαιδευτικές δραστηριότητες στο πλαίσιο των Θεματικών Ενοτήτων (ΘΕ) η εσωτερική κατανομή του φόρτου απασχόλησης των φοιτητών μεταξύ Α) φυσικής παρουσίας/συμμετοχής των φοιτητών σε εκπαιδευτικές δραστηριότητες «εντός πεδίου» (διαλέξεις, σεμινάρια, παρουσίαση εργασιών, εξετάσεις, λοιπές εκπαιδευτικές δραστηριότητες συμβατικές ή μη) και Β) κατ ιδίαν προετοιμασίας «εκτός πεδίου» (μελέτη, εκπόνηση εργασιών, συνεργασίες με διδάσκοντες, προετοιμασία για εξετάσεις κ.λπ.) κυμαίνεται μεταξύ 1:4 και 1:2, ανάλογα με τη διαβλεπόμενη ένταση που θα έχουν ανά μάθημα οι δραστηριότητες τύπου Β («εκτός πεδίου») και ιδιαίτερα η εκπόνηση εργασιών και δευτερευόντως η μελέτη.

Κατά συνέπεια, οι 30 ΠΜ-ECTS που πρέπει να συγκεντρώσουν οι φοιτητές σε κάθε εξάμηνο από το σύνολο των ΘΕ (υποχρεωτικών και επιλογής) αντιστοιχούν σε συνολικό φόρτο απασχόλησης ίσο προς 750 ώρες. Οι ώρες που αντιστοιχούν σε δραστηριότητες τύπου Α («εντός πεδίου») κυμαίνονται μεταξύ 195 και 234, ενώ οι υπόλοιπες ώρες ανά εξάμηνο αντιστοιχούν σε δραστηριότητες τύπου Β («εκτός πεδίου») Γενικά μαθησιακά αποτελέσματα (generic learning outcomes) στα οποία στοχεύει το Πρόγραμμα Σπουδών του Π.Μ.Σ. Πέραν των προαναφερθέντων εξειδικευμένων μαθησιακών αποτελεσμάτων, το Πρόγραμμα Σπουδών του Π.Μ.Σ. στοχεύει και σε γενικά μαθησιακά αποτελέσματα (generic learning outcomes), τα οποία συνίστανται στις ακόλουθες γενικές ικανότητες που πρέπει να έχουν αποκτήσει οι φοιτητές με την επιτυχή ολοκλήρωση των σπουδών τους: 1. Ικανότητα ανάλυσης και σύνθεσης 2. Ικανότητα οργάνωσης και σχεδιασμού εργασίας και διαχείρισης του χρόνου 3. Ικανότητα τεκμηριωμένης επικοινωνίας (προφορικής και γραπτής) 4. Ικανότητα διαχείρισης πληροφοριών 5. Ικανότητα επίλυσης προβλημάτων. Ικανότητα ανάπτυξης κριτικής σκέψης και ικανότητα για κριτικές προσεγγίσεις 7. Ικανότητα για ομαδική εργασία 8. Ικανότητα διαπροσωπικών σχέσεων 9. Ικανότητα διεπιστημονικών προσεγγίσεων 10. Ικανότητα κατανόησης της πολιτισμικής πολλαπλότητας 11. Ικανότητα εργασίας σε διεθνές περιβάλλον 12. Ηθική δέσμευση και ατομική υπευθυνότητα 13. Ικανότητα εφαρμογής των θεωρητικών γνώσεων στην πράξη 14. Ικανότητα για έρευνα 15. Ικανότητα συγκέντρωσης, επεξεργασίας και ανάλυσης δεδομένων 1. Ικανότητα προσαρμογής σε νέες καταστάσεις και συνθήκες 17. Ικανότητα για δημιουργία νέων ιδεών Δημιουργικότητα 18. Ικανότητα για ανάληψη αυτόνομης εργασίας 19. Δέσμευση για τη διασφάλιση της ποιότητας 20. Ικανότητα συνέχισης σπουδών σε υψηλότερο ακαδημαϊκό επίπεδο Η επίτευξη των ανωτέρω γενικών μαθησιακών αποτελεσμάτων αποτελεί στόχο που χαρακτηρίζει αφ ενός μεν το Πρόγραμμα Σπουδών στο σύνολό του αφετέρου δε και

ειδικότερα την κάθε μία ΘΕ χωριστά ανάλογα με τις ιδιαιτερότητες των διδακτικών αντικειμένων που θα την απαρτίζουν, καθώς επίσης και τις λοιπές εκπαιδευτικές δραστηριότητες που αναπτύσσονται στο πλαίσιο του Προγράμματος Σπουδών. Φάκελος εκπαιδευτικού έργου διδασκόντων (syllabus) Στον Πίνακα 2 στο τέλος του Προγράμματος Σπουδών απεικονίζονται τα επιμέρους διδακτικά αντικείμενα που απαρτίζουν την κάθε ΘΕ. Με βάση τα στοιχεία αυτά και με βάση τη συσχέτιση των εν λόγω διδακτικών αντικειμένων με τα επιδιωκόμενα εξειδικευμένα μαθησιακά αποτελέσματα, όπως αυτή αποτυπώνεται στον Πίνακα 1, οι διδάσκοντες διαμορφώνουν τον φάκελο εκπαιδευτικού έργου (syllabus) για κάθε εκπαιδευτική δραστηριότητα που τους ανατίθεται. Ο φάκελος περιλαμβάνει για κάθε εκπαιδευτική δραστηριότητα το περίγραμμα των περιεχομένων, τα συγκεκριμένα μαθησιακά αποτελέσματα (τόσο τα εξειδικευμένα όσο και τα γενικά), τις εκπαιδευτικές μεθόδους και διαδικασίες που θα χρησιμοποιηθούν, τις διαδικασίες ενδιάμεσων αξιολογήσεων των φοιτητών (εφόσον υπάρχουν), τις βιβλιογραφικές και λοιπές πηγές αναφοράς για τους φοιτητές, καθώς επίσης και τα συναφή θέματα εργασιών που μπορούν να επιβλέψουν οι διδάσκοντες είτε ως μεταπτυχιακές διατριβές είτε ως υποχρεωτικές συνθετικές εργασίες της αντίστοιχης ΘΕ. Ο φάκελος εκπαιδευτικού έργου κάθε διδάσκοντος ενσωματώνεται στον Οδηγό Σπουδών κάθε ακαδημαϊκού έτους.

Π.Μ.Σ. «Επιστήμη δεδομένων» (MSc Data Science ) ΠΙΝΑΚΑΣ 1 ΕΞΕΙΔΙΚΕΥΜΕΝΑ ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ (SUBJECT-SPECIFIC LEARNING OUTCOMES) ΚΑΙ ΣΥΣΧΕΤΙΣΗ ΜΕ ΕΝΔΕΙΚΤΙΚΑ ΣΥΝΑΦΗ ΔΙΔΑΚΤΙΚΑ ΑΝΤΙΚΕΙΜΕΝΑ Εξειδικευμένα μαθησιακά αποτελέσματα Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές πρέπει: 1. να μπορούν να περιγράφουν το αντικείμενο της επιστήμης των δεδομένων, τα επιστημονικά ζητήματα που άπτονται αυτής, τις περιοχές όπου βρίσκει εφαρμογή, τα οφέλη από τη χρήση της και ιδιαίτερα αυτά που σχετίζονται με την ανάλυση των δεδομένων και την αξία που παράγεται από αυτή την ανάλυση, τις πρακτικές και τα εργαλεία που χρησιμοποιούνται. Ενδεικτικά συναφή διδακτικά αντικείμενα Έννοιες σχετικές με τα «μεγάλα δεδομένα» Επισκόπηση των υποδειγμάτων (paradigms) ανάλυσης δεδομένων στην περιοχή των μεγάλων δεδομένων Επισκόπηση των υποδειγμάτων (paradigms) αποθήκευσης στην περιοχή των μεγάλων δεδομένων Επισκόπηση των σύγχρονων προβλημάτων στην περιοχή των μεγάλων δεδομένων Υποδείγματα επιστημονικής έρευνας Επιστημονική έρευνα που βασίζεται στα δεδομένα Προσεγγίσεις επιστημονικής ανακάλυψης με ένταση δεδομένων στους τομείς της ενέργειας, της Γης και του περιβάλλοντος, των βιοεπιστημών και στους κλάδους της διατροφής και της γεωργίας Ευκαιρίες και προκλήσεις στην ενέργεια και το περιβάλλον Ευκαιρίες και προκλήσεις στους κλάδους της διατροφής και της γεωργίας Ευκαιρίες και προκλήσεις στις βιοεπιστήμες

Εξειδικευμένα μαθησιακά αποτελέσματα Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές πρέπει: Ενδεικτικά συναφή διδακτικά αντικείμενα Άδειες χρήσης δεδομένων Διαμοιρασμός δεδομένων Ανοικτότητα δεδομένων Ζητήματα ασφάλειας και ιδιωτικότητας Νομικό πλαίσιο για τη διαχείριση δεδομένων Ανοικτά και διασυνδεδεμένα δεδομένα στην ενέργεια και το περιβάλλον. Ανοικτά και διασυνδεδεμένα δεδομένα στους κλάδους της διατροφής και της γεωργίας Ανοικτά και διασυνδεδεμένα δεδομένα στις βιοεπιστήμες 2. να μπορούν να περιγράψουν το μοντέλο κύκλου ζωής των δεδομένων και τις φάσεις που εμπεριέχονται σε αυτό, και να μπορούν να επιλέξουν τις κατάλληλες παραμέτρους, διαδικασίες και εργαλεία για την υλοποίηση της κάθε φάσης. 3. να μπορούν να καταγράψουν μεθόδους για επεξεργασία, ανάλυση και εν γένει αξιοποίηση των δεδομένων, να επιλέξουν την κατάλληλη μέθοδο για το κάθε πρόβλημα και τα κατάλληλα εργαλεία για την εφαρμογή της μεθόδου. Πηγές Μετασχηματισμοί Επιμέλεια δεδομένων (data curation) Διαχείριση εκδόσεων (versioning) Δημοσίευση (publishing) Προηγμένες στατιστικές μέθοδοι για δεδομένα μεγάλης κλίμακας (Μοντέλα, Συναγωγή (inference), Δειγματοληψία) Μηχανική μάθηση με εποπτεία Μηχανική μάθηση χωρίς εποπτεία Ημιεποπτευόμενη μηχανική μάθηση και μεταφορά μάθησης (transfer learning) Εξόρυξη πληροφορίας και γνώσης από τα δεδομένα

Εξειδικευμένα μαθησιακά αποτελέσματα Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές πρέπει: Ενδεικτικά συναφή διδακτικά αντικείμενα Βάσεις δεδομένων γράφων Αποθήκες εγγράφων/nosql Αποθήκες οργανωμένες κατά στήλες Το προγραμματιστικό υπόδειγμα Map/Reduce Κατανεμημένος συναρτησιακός προγραμματισμός Επεξεργασία ροών δεδομένων και μαζική επεξεργασία δεδομένων Εξαγωγή σύνοψης κειμένων Εξαγωγή σύνοψης από σειρές δεδομένων Προσεγγίσεις στην οπτικοποίηση δεδομένων 4. να μπορούν να περιγράψουν τις αρχιτεκτονικές υπολογιστικών κέντρων στις οποίες γίνεται η διαχείριση και η επεξεργασία των δεδομένων και να είναι σε θέση να συνθέτουν τις κατάλληλες αρχιτεκτονικές για την αντιμετώπιση συγκεκριμένων προδιαγραφών διαχείρισης και επεξεργασίας δεδομένων. 5. να μπορούν να περιγράψουν συνηθισμένα προβλήματα σε σημαντικές περιοχές εφαρμογής της επιστήμης των δεδομένων, να μπορούν να αναλύουν τις σχετιζόμενες παραμέτρους και να περιγράφουν τις ανάλογες λύσεις, καθώς και να περιγράφουν και να αξιολογούν την ωφέλεια που προκύπτει από τη λύση των προβλημάτων. Θα πρέπει επίσης Εισαγωγή στις έννοιες της υπολογιστικής υψηλών επιδόσεων Προγραμματισμός με το υπόδειγμα μεταβίβασης μηνύματος (MPI) Παράλληλοι επιστημονικοί υπολογισμοί Αλυσίδα αξίας δεδομένων στην ενέργεια και το περιβάλλον Αισθητήρες και διαδίκτυο των πραγμάτων Αναγνώριση συμβάντων σε ακολουθιακά δεδομένα Σύντηξη πολυτροπικών δεδομένων (multi-modal data fusion) Αλυσίδα αξίας δεδομένων στους τομείς της διατροφής και της γεωργίας Αναγνώριση κινδύνων και διαχείριση κρίσεων διά μέσου των δεδομένων

Εξειδικευμένα μαθησιακά αποτελέσματα Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές πρέπει: να έχουν τη δυνατότητα να συνθέτουν λύσεις για ανάλογα προβλήματα, είτε στις συγκεκριμένες περιοχές εφαρμογής είτε σε διαφορετικές, μεταφέροντας τη γνώση και την εμπειρία τους.. να μπορούν να περιγράφουν τους βασικούς αλγόριθμους και τις δομές της επιστήμης της πληροφορικής που χρησιμοποιούνται για τη διαχείριση, επεξεργασία και ανάλυση των δεδομένων και να επιλέγουν τις κατάλληλες δομές και αλγορίθμους για την επίλυση των προβλημάτων Ενδεικτικά συναφή διδακτικά αντικείμενα Εργαλεία υποστήριξης αποφάσεων για διαμόρφωση πολιτικής Προηγμένες και κατανεμημένες μέθοδοι μηχανικής μάθησης Προηγμένα θέματα μεγάλων δεδομένων Αισθητήρες και διαδίκτυο των πραγμάτων Προηγμένες στατιστικές μέθοδοι για δεδομένα μεγάλης κλίμακας (Μοντέλα, Συναγωγή (inference), Δειγματοληψία) Μηχανική μάθηση με εποπτεία Μηχανική μάθηση χωρίς εποπτεία Ημιεποπτευόμενη μηχανική μάθηση και μεταφορά μάθησης (transfer learning) Εξόρυξη πληροφορίας και γνώσης από τα δεδομένα Βάσεις δεδομένων γράφων Αποθήκες εγγράφων/nosql Αποθήκες οργανωμένες κατά στήλες Το προγραμματιστικό υπόδειγμα Map/Reduce Κατανεμημένος συναρτησιακός προγραμματισμός Επεξεργασία ροών δεδομένων και μαζική επεξεργασία δεδομένων Εξαγωγή σύνοψης κειμένων Εξαγωγή σύνοψης από σειρές δεδομένων Προσεγγίσεις στην οπτικοποίηση δεδομένων Εισαγωγή στις έννοιες της υπολογιστικής υψηλών επιδόσεων Προγραμματισμός με το υπόδειγμα μεταβίβασης μηνύματος (MPI)

Εξειδικευμένα μαθησιακά αποτελέσματα Με την επιτυχή ολοκλήρωση των σπουδών τους, οι φοιτητές πρέπει: Ενδεικτικά συναφή διδακτικά αντικείμενα Παράλληλοι επιστημονικοί υπολογισμοί 7. να αναπτύξουν τις δυνατότητες έρευνας σε αντικείμενα που άπτονται της επιστήμης δεδομένων Διαμόρφωση ερευνητικών προβλημάτων-ερωτημάτων και κατάρτιση σχεδιασμού έρευνας Συλλογή και ανάλυση δεδομένων για την επίλυση επιστημονικών προβλημάτων Βασικές μέθοδοι ανάλυσης ποσοτικών δεδομένων και ποιοτικών επιστημονικών κειμένων

Π.Μ.Σ. «Επιστήμη δεδομένων» (MSc Data Science ) ΠΙΝΑΚΑΣ 2 ΘΕΜΑΤΙΚΕΣ ΕΝΟΤΗΤΕΣ (MODULES) ΠΡΟΓΡΑΜΜΑΤΟΣ ΣΠΟΥΔΩΝ Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS ΘΕ 1 (Υποχρεωτική) Θεμελιώδεις έννοιες και πεδία εφαρμογής της επιστήμης των δεδομένων Εισαγωγή στην επιστήμη των δεδομένων o Έννοιες σχετικές με τα «μεγάλα δεδομένα» o Επισκόπηση των υποδειγμάτων (paradigms) ανάλυσης δεδομένων στην περιοχή των μεγάλων δεδομένων o Επισκόπηση των υποδειγμάτων (paradigms) αποθήκευσης στην περιοχή των μεγάλων δεδομένων o Επισκόπηση των σύγχρονων προβλημάτων στην περιοχή των μεγάλων δεδομένων Διαχείριση κύκλου ζωής μεγάλων δεδομένων o Πηγές o Μετασχηματισμοί o Επιμέλεια δεδομένων (data curation) o Διαχείριση εκδόσεων (versioning) o Δημοσίευση (publishing) Εισαγωγή στην επιστήμη με ένταση δεδομένων (data-intensive science) o Υποδείγματα επιστημονικής έρευνας o Επιστημονική έρευνα που βασίζεται στα δεδομένα o Προσεγγίσεις επιστημονικής ανακάλυψης με ένταση δεδομένων στους τομείς της ενέργειας, της Γης και του περιβάλλοντος, των βιοεπιστημών και στους κλάδους της διατροφής και της γεωργίας Υλοποιήσεις της επιστήμης έντασης δεδομένων σε θεματικές περιοχές o Ευκαιρίες και προκλήσεις στην ενέργεια και το περιβάλλον o Ευκαιρίες και προκλήσεις στους κλάδους της διατροφής και της γεωργίας o Ευκαιρίες και προκλήσεις στις βιοεπιστήμες 24

ΘΕ 2 (Υποχρεωτική) Αλγόριθμοι, επιστημονικές μεθοδολογίες, εργαλεία και υποδομές για την επιστήμη των δεδομένων Προηγμένες στατιστικές μέθοδοι για δεδομένα μεγάλης κλίμακας o Μοντέλα o Συναγωγή (inference) o Δειγματοληψία Μηχανική μάθηση o Μηχανική μάθηση με εποπτεία o Μηχανική μάθηση χωρίς εποπτεία o Ημιεποπτευόμενη μηχανική μάθηση και μεταφορά μάθησης (transfer learning) o Εξόρυξη πληροφορίας και γνώσης από τα δεδομένα Κατανεμημένες βάσεις δεδομένων o Βάσεις δεδομένων γράφων o Αποθήκες εγγράφων/nosql o Αποθήκες οργανωμένες κατά στήλες Υπολογιστική μεγάλων δεδομένων o Το προγραμματιστικό υπόδειγμα Map/Reduce o Κατανεμημένος συναρτησιακός προγραμματισμός o Επεξεργασία ροών δεδομένων και μαζική επεξεργασία δεδομένων Σύνοψη και οπτικοποίηση δεδομένων o Εξαγωγή σύνοψης κειμένων o Εξαγωγή σύνοψης από σειρές δεδομένων o Προσεγγίσεις στην οπτικοποίηση δεδομένων Υπολογιστική υψηλών επιδόσεων και παράλληλα συστήματα o Εισαγωγή στις έννοιες της υπολογιστικής υψηλών επιδόσεων o Προγραμματισμός με το υπόδειγμα μεταβίβασης μηνύματος (MPI) o Παράλληλοι επιστημονικοί υπολογισμοί Μεθοδολογία έρευνας o Διαμόρφωση ερευνητικών προβλημάτων-ερωτημάτων και κατάρτιση σχεδιασμού έρευνας o Συλλογή και ανάλυση δεδομένων για την επίλυση επιστημονικών προβλημάτων o Βασικές μέθοδοι ανάλυσης ποσοτικών δεδομένων και ποιοτικών επιστημονικών κειμένων 38,5

Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS ΘΕ 3 (Υποχρεωτικά κατ επιλογήν αντικείμενα) Ζητήματα στην επιστήμη των μεγάλων δεδομένων ΘΕ 4 (Υποχρεωτική) Διπλωματική εργασία Νομικά και ηθικά ζητήματα της ανάλυσης μεγάλων δεδομένων o Άδειες χρήσης δεδομένων o Διαμοιρασμός δεδομένων o Ανοικτότητα δεδομένων o Ζητήματα ασφάλειας και ιδιωτικότητας o Νομικό πλαίσιο για τη διαχείριση δεδομένων Εφαρμογές ανοικτών και διασυνδεδεμένων δεδομένων o Ανοικτά και διασυνδεδεμένα δεδομένα στην ενέργεια και το περιβάλλον. o Ανοικτά και διασυνδεδεμένα δεδομένα στους κλάδους της διατροφής και της γεωργίας o Ανοικτά και διασυνδεδεμένα δεδομένα στις βιοεπιστήμες Ο φοιτητής πραγματεύεται διεξοδικά ένα ζήτημα επιστήμης δεδομένων 5,5 30

Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS ΘΕ 5 (Επιλογής) Η επιστήμη των δεδομένων στην περιοχή της ενέργειας Αλυσίδα αξίας δεδομένων στην ενέργεια και το περιβάλλον o Επισκόπηση της αλυσίδας αξίας o Ανακάλυψη δεδομένων και αποτίμησή τους o Λήψη δεδομένων (data ingestion) o Επεξεργασία δεδομένων o Ολοκλήρωση δεδομένων o Ανάλυση δεδομένων o Προβολή/διάθεση δεδομένων Αισθητήρες και διαδίκτυο των πραγμάτων o Τύποι αισθητήρων o Μορφές δεδομένων αισθητήρων o Επισκόπηση του διαδικτύου των πραγμάτων και των εφαρμογών τους o Υποδομές αισθητήρων και διαδικτύου των πραγμάτων Αναγνώριση συμβάντων σε ακολουθιακά δεδομένα o Τύποι ακολουθιακών δεδομένων o Μοντέλα ακολουθιακής μάθησης o Ροές δεδομένων o Αναγνώριση συμβάντων Σύντηξη πολυτροπικών δεδομένων (multi-modal data fusion) o Μορφές δεδομένων o Προσεγγίσεις στη σύντηξη δεδομένων o Εφαρμογές της σύντηξης δεδομένων 22

Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS ΘΕ (Επιλογής) Η επιστήμη των δεδομένων στους τομείς της διατροφής και της γεωργίας Αλυσίδα αξίας δεδομένων στους τομείς της διατροφής και της γεωργίας o Επισκόπηση της αλυσίδας αξίας o Ανακάλυψη δεδομένων και αποτίμησή τους o Λήψη δεδομένων (data ingestion) o Επεξεργασία δεδομένων o Ολοκλήρωση δεδομένων o Ανάλυση δεδομένων o Προβολή/διάθεση δεδομένων Αναγνώριση κινδύνων και διαχείριση κρίσεων διά μέσου των δεδομένων o Τα δεδομένα ως ένδειξη κινδύνων/κρίσεων o Εντοπισμός οριακών περιπτώσεων (outliers) o Εξόρυξη σε κείμενα για αναγνώριση κινδύνων Αισθητήρες και διαδίκτυο των πραγμάτων o Τύποι αισθητήρων o Μορφές δεδομένων αισθητήρων o Επισκόπηση του διαδικτύου των πραγμάτων και των εφαρμογών τους o Υποδομές αισθητήρων και διαδικτύου των πραγμάτων Εργαλεία υποστήριξης αποφάσεων για διαμόρφωση πολιτικής o Επισκόπηση της διαμόρφωσης πολιτικής o Συνάθροιση δεδομένων για μοντελοποίηση πολιτικής o Οπτικοποίηση δεδομένων για μοντελοποίηση πολιτικής o Εφαρμογές εργαλείων υποστήριξης αποφάσεων 22

Θεματικές Ενότητες (Modules) Ενδεικτικά συναφή διδακτικά αντικείμενα Προγράμματος Σπουδών ΠΜ-ECTS ΘΕ 8 (Επιλογής) Μηχανική δεδομένων στην επιστήμη δεδομένων Προηγμένες και κατανεμημένες μέθοδοι μηχανικής μάθησης o Κατανεμημένοι αλγόριθμοι για μηχανική μάθηση o Εργαλεία για κατανεμημένη μηχανική μάθηση o Μέθοδοι για εξόρυξη δεδομένων από κοινωνικά δίκτυα o εις βάθος μάθηση (deep learning) Προηγμένα θέματα μεγάλων δεδομένων o Πολύπλοκα συστήματα και δεδομένα o Πρόβλεψη σε περιβάλλοντα με χρονικά μεταβαλλόμενες παραμέτρους και προσαρμοστικότητα o Fractals και διαστάσεις δεδομένων Αισθητήρες και διαδίκτυο των πραγμάτων o Τύποι αισθητήρων o Μορφές δεδομένων αισθητήρων o Επισκόπηση του διαδικτύου των πραγμάτων και των εφαρμογών τους o Υποδομές αισθητήρων και διαδικτύου των πραγμάτων 22