Managing Big Data

Course ID: 
ΕΦΟ-03
Semester: 
Year of Study: 
Type: 

Σήμερα, δεδομένα παράγονται και διατίθενται στο ευρύ κοινό με ιλιγγιώδεις ρυθμούς σε πολλές περιοχές της ανθρώπινης δραστηριότητας. Σε περιοχές όπως το λιανικό εμπόριο, τη κυβέρνηση, χρηματοπιστοτικά ιδρύματα, επιστημονικά εργαστήρια αλλά και στα κοινωνικά δίκτυα συλλέγονται και επεξεργάζονται πληθώρα δεδομένων για την υποστήριξη λήψης αποφάσεων.  Σήμερα οι διαδικασίες λήψης αποφάσεων είναι δεδομενοκεντρικές. Τέτοιου είδους δεδομένα καλούνται «Μεγάλα Δεδομένα» (“Big Data”) και χαρακτηρίζονται από μεγάλο όγκο, υψηλό ρυθμό παραγωγής και μεγάλη ποικιλλομορφία και τα οποία δεν μπορούν να χειριστούν από παραδοσιακές τεχνολογίες επεξεργασίας και βάσεων δεδομένων.

Στα πλαίσια του μαθήματος θα παρουσιαστούν βασικές τεχνολογίες για τη συλλογή, αποθήκευση και επεξεργασία μεγάλων δεδομένων και ο ρόλος των τεχνολογιών αυτών στην οικονομική επιστήμη. Ιδιαίτερη έμφαση θα δοθεί στην επεξεργασία τέτοιων δεδομένων με τεχνικές εξόρυξης δεδομένων (data mining) με στόχο να δειχθεί πως συμβάλλουν σε διαδικασίες λήψης αποφάσεων. Το μάθημα επικεντρώνεται επίσης στην μελέτη περιπτώσεων (case studies).

Learning objectives

- Να οριστεί η έννοια των μεγάλων δεδομένων και να τονιστεί η σημασία τους στις σύγχρονες οικονομικές δραστηριότητες και την εμπειρική έρευνα
- Να παρουσίαστούν τεχνολογίες συλλογής και χειρισμού μεγάλων δεδομένων
- Να παρουσιαστούν αλγόριθμοι εξόρυξης δεδομένων που βοηθούν στην ανάλυση και επεξεργασία τέτοιων δεδομένω

Teaching Method

- Διαλέξεις διάρκειας 4 ωρών την εβδομάδα για 13 εβδομάδες (αίθουσα διδασκαλίας)

Evaluation Method

Η τελική αξιολόγηση των φοιτητών θα γίνει με τους ακόλουθους τρόπους:
1) Από την εκπόνηση και την παρουσίαση ομαδικής εργασίας κατά τη διάρκεια του εξαμήνου και τη συμμετοχή στις διαλέξεις. Ο βαθμός της εργασίας θα σταθμιστεί με συντελεστή βαρύτητας 30%.
2) Από το βαθμό της τελικής γραπτής εξέτασης, ο βαθμός της οποίας θα σταθμιστεί με συντελεστή βαρύτητας 70%.

Η εργασία που θα εκπονηθεί θα είναι ομαδική. Οι ομάδες θα πρέπει να αποτελούνται από δύο έως τέσσερις (2-4) φοιτητές/τριες. Η παράδοση της εργασίας θα γίνει στο τέλος του εξαμήνου πριν από την έναρξη της εξεταστική περιόδου.

Course Info

Teaching Hours: 
4 hours per week
Credits: 
8.00
Teaching Credits: 
8.00
Weight: 
1.00

Current Tutors

Instructor: 

Τζαγκαράκης Εμμανουήλ

Assistant Professor
Field of Expertise: 
Συστήματα Διαχείρισης Πληροφορίας
Organic Unit / Lab: 
"Quantitative Economics and Information Systems" Research Laboratory
E-mail: 
Telephone: 
Office Hours: 
Τρίτη 10:00 -11:00
Τετάρτη 10:00 -12:00
ή άλλες ημέρες κατόπιν συνεννόησης

Resources

Reading Recommendations: 
- Pang-Ning Tan, Michael Steinbach, Vipin Kumar (2010): Εισαγωγή στην Εξόρυξη Δεδομένων, Μετάφραση Σταύρος Σουραβλάς, Επιμέλεια Βασίλης Βερύκιος, ISBN 978-960-6759-17-8, Εκδόσεις Τζιόλα
Bibliography Recommendations: 
- Cathy O'Neil and Rachel Schutt (2013) Doing Data Science: Straight Talk from the Frontline, 1st Edition, ISBN-13: 978-1449358655
- Αλ. Νανόπουλος και Ι. Μανωλόπουλος (2008) Εισαγωγή στην Εξόρυξη Δεδομένων και στις Αποθήκες Δεδομένων, Εκδόσεις Νέων Τεχνολογιών, Εκδόσεις Νέων Τεχνολογιών
- Nate Silver (2013) The Signal and the Noise: Why So Many Predictions Fail — but Some Don’t, New York: Penguin Press
- Foster Provost and Tom Fawcett (2013), Data Science for Business: What you need to know about data mining and data-analytic thinking, 1st Edition, ISBN 978-1-4493-6132-7, O'Reilly Media