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
Κάντε Αίτηση Σήμερα
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 και Μερική φοίτηση |
| Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS) | 240 |
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:
- Να παρέχει στους φοιτητές τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για τη συλλογή, διαχείριση, ανάλυση και εξαγωγή γνώσης από δεδομένα.
- 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.
- 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.
- Να επιτρέπει στους φοιτητές να αξιολογούν το επίπεδο ιδιωτικότητας και ασφάλειας μιας τεχνικής λύσης σε ένα πρόβλημα επιστήμης δεδομένων.
- 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).
- 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.
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.
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, 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, όπως αναγράφονται πιο πάνω στην πρώτη παράγραφο του 1.2.
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
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).
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.
Με την επιτυχή ολοκλήρωση του προγράμματος, οι φοιτητές θα είναι σε θέση να:
- 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.
- 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.
- 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).
- Να εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, τον μετασχηματισμό και την υποβολή ερωτημάτων σε δεδομένα.
- Να επιλέγουν και να εφαρμόζουν κατάλληλους αλγορίθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
- Να εκτελούν οπτικοποίηση δεδομένων και να εφαρμόζουν διαδικασίες εξαγωγής συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
- Να αξιολογούν τα ζητήματα προστασίας της ιδιωτικότητας και ασφάλειας των δεδομένων που ανακύπτουν κατά τα διάφορα στάδια διαχείρισης δεδομένων.
- Να επιδεικνύουν επαγγελματική και ηθική υπευθυνότητα όσον αφορά την ιδιοκτησία δεδομένων, την ασφάλεια και την ευαισθησία των δεδομένων.
- Αν επικοινωνούν αποτελεσματικά τεχνικές ιδέες τόσο μέσω προφορικών παρουσιάσεων όσο και μέσω γραπτών αναφορών.
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
Εξάμηνο 1
| Course ID | Course Title | ECTS 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 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 |
| PSY-110 | General Psychology I | 6 |
Εξάμηνο 3
| Course ID | Course Title | ECTS 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 ID | Course Title | ECTS 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 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 |
| MKTG-291 | Marketing | 6 |
Εξάμηνο 6
| Course ID | Course Title | ECTS 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 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-446 | Web and Social Data Mining | 6 |
| COMP-449 | Industry Placement in Data Science | 6 |
Εξάμηνο 8
| Course ID | Course Title | ECTS 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.

