Στόχος του μαθήματος είναι να κατανοήσουν οι φοιτητές τον ρόλο που παίζουν τα μεγάλα δεδομένα στην Οικονομική Επιστήμη σήμερα και ιδιαίτερα στην εφαρμοσμένη οικονομική καθώς επίσης και να εμπλουτίσουν τις ποσοτικές/οικονομετρικές μεθόδους που ήδη γνωρίζουν με νέους αλγορίθμους οι οποίοι μπορούν να εφαρμοστούν σε περιβάλλοντα μεγάλων δεδομένων.

Μετά την επιτυχή ολοκλήρωση του μαθήματος, αναμένεται οι φοιτητές να είναι σε θέση να:

• Ορίσουν την έννοια των μεγάλων δεδομένων
• Αναγνωρίζουν τα περιβάλλοντα που χαρακτηρίζονται από μεγάλα δεδομένα
• Κατανοήσουν τη σημασία των υπολογιστικών περιβαλλόντων στον χειρισμό και επεξεργασία μεγάλων δεδομένων
• Κατανοήσουν τον ρόλο και την σημασία των μεγάλων δεδομένων σήμερα στην οικονομική επιστήμη
• Έρθουν σε επαφή με περιπτώσεις χρήσης μεγάλων δεδομένων στον χώρο της οικονομικής επιστήμης αναδεικνύοντας έμπρακτα τον ρόλο αυτών
• Κατανοήσουν τα στάδια και διαδικασίες χειρισμού των μεγάλων δεδομένων από την παραγωγή, προεπεξεργασία έως την ανάλυση και ερμηνεία των αποτελεσμάτων τους
• Εξοικειωθούν με τους βασικούς αλγορίθμους προεπεξεργασίας καθώς και μηχανικής μάθησης επιβλεπόμενης και μη- στις περιοχές παλινδρόμηση, κατηγοριοποίηση, συσταδοποίηση και ανάλυση συσχετίσεων που λειτουγούν για μεγάλα δεδομένα
• Αποκτήσουν εμπειρία πάνω σε θέματα χρήσης πολυμεσικών δεδομένων όπως κείμενο και εικόνες σε οικονομετρικά μοντέλα, εκτός από παραδοσιακά είδη μεταβλητών.
• Διακρίνουν σε ποιες περιπτώσεις οι αλγόριθμοι μηχανικής μάθησης μεγάλων δεδομένων μπορούν να εφαρμοστούν
• Εφαρμόσουν τους αλγορίθμους μηχανικής μάθησης για την μελέτη πραγματικών οικονομικών προβλημάτων που κάνουν χρήση μεγάλων δεδομένων.
• Αξιολογήσουν τα αποτελέσματα των αλγορίθμων μηχανικής μάθησης μεγάλων δεδομένων και να τα συγκρίνουν με τα αποτελέσματα παραδοσιακών οικονομετρικών μεθόδων που χρησιμοποιούνται στην οικονομική επιστήμη
• Ερμηνέυσουν τα αποτελέσματα των αλγορίθμων μηχανικής μάθησης υπό το πρίσμα ότι εφαρμόζονται σε μεγάλα δεδομενα
• Χρησιμοποιούν γλώσσες προγραμματισμού όπως R και Python και να εξοικειωθούν με το οικοσύστημα βιβλιοθηκών μεγάλων δεδομένων που διαθέτουν για να υλοποιήσουν και να εφαρμόζουν αλγορίθμους μηχανικής μάθησης σε περιβάλλοντα μεγάλων δεδομένων στην περιοχή της οικονομικής.

• Η έννοια των μεγάλων δεδομένων και η σημασία τους στην οικονομική επιστήμη.
• Περιπτώσεις χρήσης μεγάλων δεδομένων

Αλγόριθμοι προεπεξεργασίας δεδομένων

• Μείωση διαστάσεων δεδομένων: Principal Component Analysis (PCA)
• Καθαρισμός δεδομένων: Binning method
• Μετασχηματισμός δεδομένων: Κανονικοποίηση, διακριτοποίηση
• Μετρικές ομοιότητας και απόστασης δεδομένων
• Περιπτώσεις χρήσης αλγορίθμων προεπεξεργασίας μεγάλων δεδομένων στην περιοχή της οικονομικής επιστήμης

Αλγόριθμοι παλινδρόμησης

• Batch Gradient Descent
• Mini Batch Gradient Descent
• Stochastic Gradient Descent
• Αξιολόγηση αλγορίθμων της οικογένειας Gradient Descent και αντιπαράθεση με τη μέθοδο OLS.
• Περιπτώσεις χρήσης αλγορίθμων εκτίμησης συντελεστών παλινδρόμησης μεγάλων δεδομένων στην περιοχή της οικονομικής επιστήμης

Αλγόριθμοι Κατηγοριοποίησης

• Δέντρα απόφασης
• K-nn
• Naïve Bayes
• Περιπτώσεις χρήσης αλγορίθμων κατηγοριοποίησης μεγάλων δεδομένων στην περιοχή της οικονομικής επιστήμης

Αλγόριθμοι συσταδοποίησης

• K-means/K-modes
• Ιεραρχική συσταδοποίηση
• Περιπτώσεις χρήσης αλγορίθμων συσταδοποίησης μεγάλων δεδομένων στην περιοχή της οικονομικής επιστήμης

Αλγόριθμοι ανάλυσης συσχετίσεων

• Apriori
• Περιπτώσεις χρήσης αλγορίθμων ανάλυσης συσχετίσεων στην περιοχή της οικονομικής επιστήμης

Διαλέξεις (3 ώρες/εβδομάδα) και Ασκήσεις (1 ώρες/εβδομάδα)

Η αξιολόγηση βασίζεται στην επίδοση του φοιτητή στη γραπτή τελική εξέταση (70%) και στο βαθμό τριών (3) εργασιών που πρέπει να παραδίδονται περίπου κάθε 3 εβδομάδες.

Η γραπτή τελική εξέταση στοχεύει να εξετάσει εάν οι μεταπτυχιακοί φοιτητές  κατανοούν τα θέματα που αναλύονται στις διαλέξεις με βάση την διδαχθείσα ύλη. Ο στόχος των εργασιών είναι να αξιολογήσει εάν οι φοιτητές μπορούν ορθά να εφαρμόσουν τους αλγορίθμους σε πραγματικά δεδομένα και να ερμηνεύσουν/συζητήσουν τα αποτελέσματά τους.

Οι 3 εργασίες εκπονούνται ομαδικά και οι οποίες:

• Καλύπτουν όλους τους διδασκόμενους αλγορίθμους και την εφαρμογή τους
• Ανακοινώνονται μετά το τέλος συγκεκριμένων ενοτήτων προκειμένου οι φοιτητές να τριφτούν με τις έννοιες που διδάχτηκαν
• Απαιτούν τη συγγραφή προγραμμάτων σε R και Python που εφαρμόζουν μεθόδους προεπεξεργασίας και τους διδασκόμενους αλγορίθμους σε πραγματικά δεδομένα και οι οποίοι αναλύουν πραγματικά δεδομένα στα πλαίσια οικονομικών ερωτημάτων.
• Τη σύνταξη αναφοράς σε Lateχ όπου παρουσιάζονται τα αποτελέσματα της ανάλυσης, τα αξιολογούν και τα συζητούν συγκρίνοντάς τα με αποτελέσματα από τη σύγχρονη οικονομική βιβλιογραφία.

Οι μεταπτυχιακοί φοιτητές ενημερώνονται για τον τρόπο αξιολόγησής τους από την ιστοσελίδα του μαθήματος στο eclass.upatras.gr (βλ ενότητα «Μέθοδοι Αξιολόγησης»).

• Χρήση σημειώσεων και διαφανειών για την υποστήριξη διαλέξεων
• Χρήση πηγαίου κώδικα σε R και Python για την επίδειξη και πρακτική προσέγγιση των αλγορίθμων μηχανικής μάθησης του περιεχομένου μαθήματος που αποτελούν μέρος της ύλης του μαθήματος.
• Χρήση πλατφόρμας elearning του Πανεπιστημίου Πατρών (eclass.upatras.gr) για την:
• οργάνωση και διανομή των σημειώσεων
• εκπόνηση εβδομαδιαίων ηλεκτρονικών ασκήσεων (quizzes) κατανόησης της ύλης και αξιολόγηση φοιτητών
• ανακοίνωση και παράδοση των ομαδικών εργασιών.
• την επικοινωνία με τους φοιτητές.
• Χρήση ανοικτών μαθημάτων ως συμπληρωματικό εκπαιδευτικό υλικό