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:

  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.

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:

  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.
  1. 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).
  1. Να εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, τον μετασχηματισμό και την υποβολή ερωτημάτων σε δεδομένα.
  2. Να επιλέγουν και να εφαρμόζουν κατάλληλους αλγορίθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
  3. Να εκτελούν οπτικοποίηση δεδομένων και να εφαρμόζουν διαδικασίες εξαγωγής συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
  4. Να αξιολογούν τα ζητήματα προστασίας της ιδιωτικότητας και ασφάλειας των δεδομένων που ανακύπτουν κατά τα διάφορα στάδια διαχείρισης δεδομένων.
  5. Να επιδεικνύουν επαγγελματική και ηθική υπευθυνότητα όσον αφορά την ιδιοκτησία δεδομένων, την ασφάλεια και την ευαισθησία των δεδομένων.
  6. 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

Course ID Course Title ECTS Credits
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

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.