Πανεπιστήμιο Λευκωσίας, Αθήνα
Κάντε Αίτηση ΣήμεραΕγγραφείτε

Επιστήμη Δεδομένων

Πτυχίο, 4 έτη

Επιπεδο
Πτυχίο (1ος Κύκλος Σπουδών)
Κανονικη διαρκεια σπουδων (πληρους φοιτησης)
4 έτη
Τιτλος Σπουδων
Πτυχίο στην Επιστήμη Δεδομένων
Ελαχιστες Ευρωπαϊκες Πιστωτικες Μοναδες (ECTS)
240
Γλωσσα διδασκαλιας
Αγγλική
Μεθοδος φοιτησης
Πλήρης ή Μερική Φοίτηση
Πανεπιστημιουπολη
Αθήνα

Ξεκινήστε την αίτησή σας

Δημιουργήστε λογαριασμό και ξεκινήστε άμεσα.

Το πρόγραμμα για το οποίο θα δημιουργηθεί η αίτησή σας.
Τουλάχιστον 8 χαρακτήρες.

Διαρκεί λιγότερο από ένα λεπτό. Θα μεταφερθείτε απευθείας στην αίτησή σας.

Πληροφορίες Προγράμματος

Περιγραφή

Περιγραφή Προγράμματος

Ο στόχος του προγράμματος είναι να παρέχει στους φοιτητές τεχνικές δεξιότητες και πρακτική γνώση στην Επιστήμη Δεδομένων. Το πρόγραμμα συνδυάζει θεωρία και πράξη, βασιζόμενο σε τρεις κυρίαρχους τομείς, Πληροφορική, Στατιστική και Μαθηματικά, καθώς και σε πραγματικές εφαρμογές. Έχει σχεδιαστεί ώστε οι απόφοιτοι του προγράμματος να ανταποκρίνονται στις απαιτήσεις της μελλοντικής οικονομίας που βασίζεται στα δεδομένα.

Πιο συγκεκριμένα, το πρόγραμμα στοχεύει:

  1. Να παρέχει στους φοιτητές τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για τη συλλογή, διαχείριση, ανάλυση και εξαγωγή γνώσης από δεδομένα.
  2. Να προσφέρει στους φοιτητές ένα ισχυρό μαθηματικό και στατιστικό υπόβαθρο που θα τους επιτρέψει να διαμορφώνουν κατάλληλα μοντέλα και να εφαρμόζουν τεχνικές βελτιστοποίησης σε προκλήσεις ανάλυσης δεδομένων.
  3. Να εξοπλίσει τους φοιτητές με δεξιότητες μηχανικής λογισμικού και μηχανικής μάθησης, ώστε να σχεδιάζουν και να υλοποιούν κλιμακούμενες, αξιόπιστες και συντηρήσιμες λύσεις για προβλήματα που βασίζονται σε δεδομένα.
  4. Να επιτρέπει στους φοιτητές να αξιολογούν το επίπεδο ιδιωτικότητας και ασφάλειας μιας τεχνικής λύσης σε ένα πρόβλημα επιστήμης δεδομένων.
  5. Να προετοιμάσει τους φοιτητές για περαιτέρω μεταπτυχιακές σπουδές και έρευνα που απαιτούν εξειδίκευση στην επιστήμη δεδομένων και αναλυτική σκέψη (όπως επιχειρηματική ανάλυση, χρηματοοικονομικά, υγεία, βιοπληροφορική).
  6. Να καλλιεργήσει στους φοιτητές ένα ισχυρό αίσθημα κοινωνικής ευθύνης, παγκόσμιας οπτικής και ικανότητας αυτοδύναμης μάθησης.

Προοπτικές Σταδιοδρομίας

Το πτυχίο Επιστήμης Δεδομένων προσφέρει στους φοιτητές τη δυνατότητα να επιδιώξουν πολλές επαγγελματικές ευκαιρίες και να απασχοληθούν σε ένα ευρύ φάσμα επαγγελμάτων και τομέων:

  • Τεχνολογία & Πληροφορική (Big Tech, Startups, Software Companies)
  • Χρηματοοικονομικός τομέας (tράπεζες, FinTech)
  • Υγεία & Βιοϊατρική (βιοπληροφορική, φαρμακευτικές εταιρείες, νοσοκομεία)
  • Βιομηχανία & Ενέργεια (IoT, Smart Grids, παραγωγή)
  • Λιανεμπόριο & Marketing (E-commerce, digital marketing, customer analytics)
  • Δημόσιος Τομέας & Πολιτική Ανάλυση (Δεδομένα για χάραξη πολιτικής, AI σε κυβερνητικές υπηρεσίες)

Πρόσβαση σε Περαιτέρω Σπουδές

Οι απόφοιτοι του προγράμματος μπορούν να γίνουν δεκτοί σε σπουδές δεύτερου κύκλου συμπεριλαμβανομένων Μεταπτυχιακές και Διδακτορικές Σπουδές.

Εισδοχή

Ακαδημαϊκή Εισδοχή

Η ελάχιστη προϋπόθεση εισδοχής σε έναν Προπτυχιακό Τίτλο Σπουδών (1ος Κύκλος/Πτυχίο) είναι η κατοχή αναγνωρισμένου Απολυτηρίου Λυκείου ή διεθνώς αναγνωρισμένων ισοδύναμων προσόντων, συμπεριλαμβανομένου του Διεθνούς Απολυτηρίου (IB Diploma) με ελάχιστη συνολική βαθμολογία 24/45 και επιτυχή ολοκλήρωση των βασικών στοιχείων του προγράμματος.

Στους/στις φοιτητές/τριες με βαθμό Απολυτηρίου Λυκείου χαμηλότερο από 7.5/10 ή 15/20 ή ισοδύναμο, ανάλογα με το σύστημα βαθμολόγησης της χώρας έκδοσης, ή με IB Diploma με συνολική βαθμολογία κάτω από 24/45, παρέχεται επιπρόσθετη ακαδημαϊκή καθοδήγηση και παρακολούθηση κατά τη διάρκεια του πρώτου έτους σπουδών τους.

Ορισμένα προγράμματα σπουδών έχουν υψηλότερες απαιτήσεις εισδοχής.

Επιπρόσθετα, επιλέξιμοι για εισδοχή στα προγράμματα πρώτου κύκλου σπουδών σύμφωνα με το ελληνικό νομοθετικό πλαίσιο το οποίο θέτει τα ελάχιστα κριτήρια εισδοχής είναι:

α) οι Έλληνες ή αλλοδαποί πολίτες κάτοχοι απολυτηρίου Γενικού Λυκείου (ΓΕ.Λ.) ή Επαγγελματικού Λυκείου (ΕΠΑ.Λ.) με μέσο όρο στα τέσσερα (4) πανελλαδικά εξεταζόμενα μαθήματα τους μεγαλύτερο ή ίσο με την ελάχιστη βάση εισαγωγής, η οποία προκύπτει από τον μικρότερο εκ των μέσων όρων των βαθμολογιών του συνόλου των εξεταζομένων ανά επιστημονικό πεδίο, πολλαπλασιαζόμενο με τον συντελεστή μηδέν κόμμα οκτώ (0,8) κατά το έτος συμμετοχής τους,

β) οι κάτοχοι ισότιμων απολυτηρίων τίτλων Δευτεροβάθμιας Εκπαίδευσης (Δ.Ε.) αναγνωρισμένων ξένων σχολείων της ημεδαπής (επιπέδου 4 του Εθνικού Πλαισίου Προσόντων),

γ) οι κάτοχοι διεθνών απολυτήριων τίτλων Δ.Ε. που χορηγούνται από σχολεία της ημεδαπής ή της αλλοδαπής, οι αλλοδαποί πολίτες κάτοχοι ισοδύναμου του Λυκείου απολυτήριου τίτλου Δ.Ε. ή ισοδύναμου τίτλου επαγγελματικής εκπαίδευσης που τους παρέχει δικαίωμα εισαγωγής στα ιδρύματα τριτοβάθμιας εκπαίδευσης της χώρας στην οποία φοιτούν.

δ) Για τους αποφοίτους της παρ. α), πριν από το σχολικό έτος 2021-2022, καθώς και όσους είναι κάτοχοι πτυχίου πρώτου κύκλου σπουδών, εφαρμόζονται οι όροι και οι προϋποθέσεις, οι οποίοι ορίζονται από το μητρικό ίδρυμα (Πανεπιστήμιο Λευκωσίας) για την επιλογή και εισδοχή φοιτητών.

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.

  • IELTS, 6 και άνω
  • Anglia Examinations, Advanced και άνω
  • Cambridge GCE AS Level English Language, C και άνω
  • Cambridge GCE English A Levels, C και άνω
  • Cambridge IGCSE or GCSE English as a First language, C και άνω
  • Cambridge IGCSE or GCSE English as a Second language, B και άνω
  • IB English A: Literature SL & HL, 4 και άνω
  • IB English Standard Level (SL), 5 και άνω
  • IB English High Level (HL), 4 και άνω
  • Michigan Language Assessment (also known as Proficiency of Michigan), 650 και άνω
  • Password Test, 6 και άνω
  • TOEFL (IBT), 60 και άνω
  • Cambridge Exams (First Certificate), 160 και άνω ή Pass
  • Cambridge Exams (Proficiency Certificate), 180 και άνω ή Pass

Αξιολόγηση

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

Η βαθμολογία υπολογίζεται βάσει του βάρους της τελικής εξέτασης, της συνεχούς αξιολόγησης και της πραγματικής 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

Ο/Η φοιτητής/τρια 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.

Με την επιτυχή ολοκλήρωση του προγράμματος, ο τίτλος σπουδών απονέμεται από το Πανεπιστήμιο Λευκωσίας, το μητρικό ίδρυμα του UNIC Athens. Σε κάθε απόφοιτο/η χορηγείται επίσης Παράρτημα Διπλώματος, στο οποίο προσδιορίζεται ο τόπος παρακολούθησης των σπουδών.

Η κανονική διάρκεια σπουδών (πλήρους φοίτησης) είναι 4 έτη και η ανώτατη 6 έτη.

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του προγράμματος, οι φοιτητές θα είναι σε θέση να:

  1. Να εφαρμόζουν τη θεωρία και τις μεθοδολογίες διαφόρων θεμάτων προσανατολισμένων στην επιστήμη των δεδομένων στα μαθηματικά, τη στατιστική και την πληροφορική για την επίλυση προβλημάτων σε πραγματικές συνθήκες.
  2. Να εφαρμόζουν σύγχρονες τεχνολογίες πληροφορικής, όπως η μηχανική μάθηση και η εξόρυξη δεδομένων, η τεχνητή νοημοσύνη, ο παράλληλος και κατανεμημένος υπολογισμός, για την επίλυση πρακτικών προβλημάτων που χαρακτηρίζονται από μεγάλα δεδομένα.
  3. Να υλοποιούν αλγορίθμους για θεμελιώδεις διεργασίες της επιστήμης δεδομένων όπως η μηχανική μάθηση, η εξόρυξη δεδομένων, και η εξαγωγή συμπερασμάτων με στατιστική χρησιμοποιώντας γλώσσα υψηλού επιπέδου κατάλληλη για το σκοπό αυτό (π.χ. Python, R, GenAI).
  4. Να εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, τον μετασχηματισμό και την υποβολή ερωτημάτων σε δεδομένα.
  5. Να επιλέγουν και να εφαρμόζουν κατάλληλους αλγορίθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
  6. Να εκτελούν οπτικοποίηση δεδομένων και να εφαρμόζουν διαδικασίες εξαγωγής συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
  7. Να αξιολογούν τα ζητήματα προστασίας της ιδιωτικότητας και ασφάλειας των δεδομένων που ανακύπτουν κατά τα διάφορα στάδια διαχείρισης δεδομένων.
  8. Να επιδεικνύουν επαγγελματική και ηθική υπευθυνότητα όσον αφορά την ιδιοκτησία δεδομένων, την ασφάλεια και την ευαισθησία των δεδομένων.
  9. Αν επικοινωνούν αποτελεσματικά τεχνικές ιδέες τόσο μέσω προφορικών παρουσιάσεων όσο και μέσω γραπτών αναφορών.

Δομή Προγράμματος

Section: A Computer Science Requirements

ECTS: Min.108 Max.108

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-221

Advanced Programming and Paradigms

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-270

Data Structures and Algorithms

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-405

Artificial Intelligence

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-111

Mathematics and Logic for Computation

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-201

Systems Analysis and Design

6

COMP-212

Object-Oriented Programming

6

COMP-213

Visual Programming

6

COMP-263

Human Computer Interaction

6

COMP-341

Knowledge Management

6

COMP-343

Business Analytics

6

COMP-345

Robot Programming

6

COMP-348

Natural Language Processing

6

COMP-349

Special Topics in Data Science

6

COMP-358

Networks and Data Communication

6

COMP-387

Blockchain Programming

6

COMP-446

Web and Social Data Mining

6

COMP-448

Computer Vision

6

COMP-449

Industry Placement in Data Science

6

COMP-474

Cloud Computing

6

COMP-475

Internet of Things and Wearable Technologies

6

COMP-476

Generative AI

6

MATH-343

Numerical Methods for Data Science

6

MATH-420

Times Series Modeling and Forecasting

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-251

Information Systems Concepts

6

MIS-303

Database Applications Development

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: Humanities and Social Sciences 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

Εξάμηνο 1

Course IDCourse TitleECTS Credits

COMP-140

Introduction to Data Science

6

COMP-111

Programming Principles I

6

MATH-111

Mathematics and Logic for Computation

6

MATH-195

Calculus I

6

ENGL-101

English Composition

6

Εξάμηνο 2

Course IDCourse TitleECTS 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

PSY-110

General Psychology I

6

Εξάμηνο 3

Course IDCourse TitleECTS Credits

COMP-221

Advanced Programming and Paradigms

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

Εξάμηνο 4

Course IDCourse TitleECTS Credits

COMP-244

Machine Learning and Data Mining I

6

COMP-270

Data Structures and Algorithms

6

COMP-302

Database Management Systems

6

MATH-329

Bayesian Statistics

6

COMP-248

Project in Data Science

6

Εξάμηνο 5

Course IDCourse TitleECTS 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

MKTG-291

Marketing

6

Εξάμηνο 6

Course IDCourse TitleECTS Credits

COMP-340

Big Data

6

MATH-326

Linear Models I

6

BADM-332

Technical Writing and Research

6

COMP-343

Business Analytics

6

COMP-348

Natural Language Processing

6

Εξάμηνο 7

Course IDCourse TitleECTS Credits

COMP-405

Artificial Intelligence

6

COMP-447

Neural Networks and Deep Learning

6

COMP-494

Data Science Final Year Project I

6

COMP-446

Web and Social Data Mining

6

COMP-449

Industry Placement in Data Science

6

Εξάμηνο 8

Course IDCourse TitleECTS Credits

COMP-495

Data Science Final Year Project II

6

COMP-448

Computer Vision

6

COMP-474

Cloud Computing

6

COMP-476

Generative AI

6

BADM-234

Organizational Behavior

6

Το πιο πάνω πρόγραμμα ανά εξάμηνο είναι ενδεικτικό. Μερικά από τα μαθήματα είναι επιλογής και μπορούν να αντικατασταθούν με άλλα.

Δίδακτρα & Χρεώσεις

Για αναλυτικές πληροφορίες σχετικά με τα δίδακτρα και τις χρεώσεις του προγράμματος, δείτε τη σελίδα Δίδακτρα και Χρεώσεις.

Πιστοποίηση

Το πρόγραμμα σπουδών έχει πιστοποιηθεί τόσο από την Εθνική Αρχή Ανώτατης Εκπαίδευσης (ΕΘΑΑΕ) της Ελλάδος όσο και από τον Φορέα Διασφάλισης και Πιστοποίησης της Ποιότητας της Ανώτερης Εκπαίδευσης (ΔΙΠΑΕ) της Κύπρου.