Επιστήμη Δεδομένων

(MSc, 3 Εξάμηνα) - Εξ αποστάσεως

Διάρκεια Σπουδών

3 Εξάμηνα

Τίτλος Σπουδών

Μάστερ στην Επιστήμη Δεδομένων

Επίπεδο Τίτλου Σπουδών

Μεταπτυχιακό (2ος Κύκλος Σπουδών)

Γλώσσα Διδασκαλίας

Αγγλική

Μέθοδος Φοίτησης

Εξ Αποστάσεως

Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS)

90

Υποβάλετε Αίτηση

Επιστήμη Δεδομένων (MSc, 3 Εξάμηνα) – Εξ αποστάσεως

Διάρκεια Σπουδών 3 Εξάμηνα
Τίτλος Σπουδών Μάστερ στην Επιστήμη Δεδομένων
Επίπεδο Τίτλου Σπουδών Μεταπτυχιακό (2ος Κύκλος Σπουδών)
Γλώσσα Διδασκαλίας Αγγλική
Μέθοδος Φοίτησης Εξ Αποστάσεως
Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS) 90

Apply Today

Περιγραφή Προγράμματος

Στόχος του προγράμματος είναι να καλλιεργήσει στους φοιτητές προηγμένες τεχνικές δεξιότητες και βαθιά κατανόηση της επιστήμης των δεδομένων. Επιπλέον, το πρόγραμμα θα βοηθήσει τους σπουδαστές να αναπτύξουν ερευνητικές δεξιότητες ώστε να μπορούν να σχεδιάσουν νέες επιστημονικές μεθόδους που θα ωθήσουν τα όρια αυτού του αναδυόμενου πεδίου. Οι μαθησιακοί στόχοι αλλά και τα προσόντα που θα αποκτήσουν οι φοιτητές έχουν σχεδιαστεί σε συνεργασία με εταιρείες και οργανισμούς που εφαρμόζουν στην πράξη αυτές τις τεχνολογίες.

Η επιστήμη των δεδομένων είναι μια εφαρμοσμένη καινοτόμα επιστήμη που επηρεάζει πολλούς τομείς βιομηχανίας (από την Πληροφορική και τις Επικοινωνίες έως την Ιατρική, τη Δημοσιογραφία και τα Οικονομικά). Το Πανεπιστήμιο Λευκωσίας έχει αναπτύξει συνεργασίες με καθηγητές που προέρχονται από διάφορους βιομηχανικούς τομείς και ένα πρόγραμμα σπουδών που έχει σχεδιαστεί από κοινού με τις βιομηχανίες αυτές. Το πρόγραμμα θα εκπαιδεύσει καλά καταρτισμένους επιστήμονες δεδομένων, οι οποίοι θα μπορούν να συλλέγουν προδιαγραφές, να σχεδιάζουν καινοτόμες λύσεις τις οποίες θα μπορούν να εφαρμόζουν και να αξιολογούν.

Πιο συγκεκριμένα, το πρόγραμμα αποσκοπεί στο να:

  1. Προσφέρει τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για την ανάκτηση, διαχείριση, ανάλυση, και εξαγωγή γνώσης από ετερογενείς πηγές δεδομένων. Θα αναπτυχθούν κρίσιμες δεξιότητες οι οποίες θα βοηθήσουν τους φοιτητές να λαμβάνουν αποφάσεις σχετικά με τον κατάλληλο αγωγό ανάλυσης δεδομένων. Οι φοιτητές θα μπορούν να συλλέγουν προδιαγραφές, να σχεδιάζουν, να εφαρμόζουν και να αξιολογούν λύση ανάλυσης δεδομένων.
  2. Προσφέρει τα απαραίτητα μαθηματικά θεμέλια που θα επιτρέψουν στους φοιτητές να διαμορφώσουν και να συνθέσουν κατάλληλα μοντέλα επιστήμης δεδομένων και να εφαρμόσουν τεχνικές βελτιστοποίησης αντιμετωπίζοντας τις διάφορες προκλήσεις της ανάλυσης δεδομένων.
  3. Δώσει την ευκαιρία στους φοιτητές να αναπτύξουν δεξιότητες προγραμματισμού για δεδομένα σε διάφορα πεδία εφαρμογής και να αντιμετωπίσουν πιθανές προκλήσεις (Δεδομένα Μεγάλου Όγκου, Θορυβώδη Δεδομένα, κλπ.).
  4. Προσφέρει τη δυνατότητα στους φοιτητές να αξιολογήσουν και να αναπτύξουν λύσεις σε θέματα ιδιωτικότητας, ηθικής και δεοντολογίας που προκύπτουν κατά την εφαρμογή της αναλυτικής δεδομένων.
  5. Αποκτήσει ο φοιτητής επίγνωση των προκλήσεων που αντιμετωπίζει ένας επαγγελματίας όταν μεταβαίνει από τη θεωρία στην πράξη και να γνωρίζει πώς να ξεπεράσει αυτές τις προκλήσεις. Για το σκοπό αυτό, το πρόγραμμα έχει αναπτύξει συνεργασίες με από διάφορους βιομηχανικούς τομείς.
  6. Δώσει την ευκαιρία στον σπουδαστή να δουλέψει με πραγματικό κόσμο και πραγματικά δεδομένα σε συνεργασία με βιομηχανικούς συνεργάτες. Οι φοιτητές θα αποκτήσουν πρακτική εμπειρία με τις τελευταίες εξελίξεις στο χώρο όπως η βαθιά μάθηση και η ενισχυτική μάθηση.
  7. Προετοιμάσει τους φοιτητές ώστε να μπορέσουν να εκπονήσουν διδακτορική διατριβή στην επιστήμη των δεδομένων ή σε οποιοδήποτε άλλο πεδίο όπου απαιτούνται δεξιότητες επιστήμης των δεδομένων (π.χ. βιοπληροφορική, υπολογιστική κοινωνική επιστήμη, δημοσιογραφία βάσει δεδομένων, κτλ).
  8. Καλλιεργήσει μια συνείδηση κοινωνικής ευθύνη και ικανότητες ανεξάρτητης μάθησης.

Κριτήρια Εισδοχής

Γενικά:
Οι αιτήσεις συμμετοχής στο πρόγραμμα θα εξεταστούν μόνο από υποψηφίους που πληρούν τα ελάχιστα κριτήρια εισδοχής, όπως περιγράφονται παρακάτω:

  • Προπτυχιακός τίτλος σπουδών σε θετικές (και συναφείς με αυτές) επιστήμες όπως: Επιστήμη Υπολογιστών, Μηχανικών Υπολογιστών, Μαθηματικών, Φυσικής, Βιολογίας, Οικονομικών, Ηλεκτρολόγων Μηχανικών, από αναγνωρισμένο πανεπιστήμιο με γενικό μέσο όρο τουλάχιστον 2.5. Αιτήσεις υποψηφίων με χαμηλότερο γενικό μέσο όρο μπορεί μελετηθούν κατ’ εξαίρεση.
  • Οι φοιτητές θα πρέπει να προσκομίσουν αποδεικτικά βασικών γνώσεων (όπως πιστοποιητικό από αναγνωρισμένο ίδρυμα ή άλλο είδος τεκμηρίωσης) προγραμματισμού (βασικές αρχές) και μαθηματικών (πιθανότητες ή/και στατιστική ή/και γραμμική άλγεβρα ή/και ανάλυση) εκτός αν αυτό το υπόβαθρο είναι προφανές από τη λίστα μαθημάτων των προηγούμενων σπουδών τους.
  • Γνώση Αγγλικής Γλώσσας: Οι σπουδαστές πληρούν τα κριτήρια γνώσης Αγγλικής γλώσσας αν το πρώτο τους μάθημα διδάσκεται στην αγγλική γλώσσα. Διαφορετικά, θα πρέπει να παρουσιάσουν κάποιο από τα ακόλουθα αποδεικτικά: TOEFL (<=550 paper-based/<=213 computer-based) ή GCSE “O” Level (<=C)) ή IELTS (<=6,0). Εναλλακτικά, μπορούν να παρακαθήσουν στην εξέταση αξιολόγησης ENGL-100 του Πανεπιστημίου Λευκωσίας.

Ειδικά:

  • Συμπληρωμένη αίτηση.
  • Βιογραφικό σημείωμα που αναφέρει τις σπουδές του υποψηφίου, την ακαδημαϊκή και την επαγγελματική εμπειρία, δημοσιεύσεις (αν υπάρχουν), βραβεία κ.λπ.
  • Κατάλογος μαθημάτων και βαθμοί των προηγούμενων σπουδών. Ο υποψήφιος πρέπει να υπογραμμίσει τα μαθήματα που αποδεικνύουν τη βασική γνώση του προγραμματισμού και των μαθηματικών. Σε περίπτωση που δεν υπάρχουν τέτοια μαθήματα, ο/η υποψήφιος/α θα πρέπει να υποβάλει τεκμήρια / πιστοποιητικά από αναγνωρισμένους οργανισμούς που αποδεικνύουν αυτή του τη γνώση.
  • Συστατικές επιστολές: Δύο συστατικές επιστολές.
  • Προσωπική Έκθεση: Μια επιστολή που περιγράφει τις ικανότητες και δυνατά σημεία του υποψηφίου και παραθέτει τις σκέψεις του σχετικά με τις προσδοκίες του από το πρόγραμμα σπουδών και την εξέλιξη της σταδιοδρομίας του μέσα και μετά από αυτό.

Επαρκής Γνώση Αγγλικής Γλώσσας

Οι φοιτητές/τριες πληρούν τις απαιτήσεις επάρκειας στην αγγλική γλώσσα, εάν η γλώσσα διδασκαλίας του πρώτου τους πτυχίου ήταν η αγγλική. Σε αντίθετη περίπτωση, οι ελάχιστες απαιτήσεις γνώσης της αγγλικής γλώσσας για εισδοχή σε μεταπτυχιακά προγράμματα είναι οι εξής:

  • IELTS – 6.5 και άνω
  • Anglia Examinations – Proficiency ή Mastery
  • 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) – 750 και άνω
  • Password Test – 6.5 και άνω
  • TOEFL (IBT) – 79 και άνω
  • Cambridge Exams (First Certificate) – 176 και άνω ή Pass
  • Cambridge Exams (Proficiency Certificate) – 180 και άνω ή Pass

Οι φοιτητές/τριες που δεν διαθέτουν κάποιο από τα παραπάνω πιστοποιητικά ή/και δεν πληρούν τις ελάχιστες βαθμολογικές απαιτήσεις, καλούνται να συμμετάσχουν, χωρίς καμία οικονομική επιβάρυνση, στις κατατακτήριες εξετάσεις αγγλικής γλώσσας του Πανεπιστημίου Λευκωσίας και να επιτύχουν τουλάχιστον το επίπεδο ENGL-100.

Το Πανεπιστήμιο προσφέρει μαθήματα Αγγλικών όλων των επιπέδων, με στόχο να υποστηρίξει τους φοιτητές στην επίτευξη του απαιτούμενου επιπέδου για εισδοχή σε μεταπτυχιακά προγράμματα..

Η αξιολόγηση του μαθήματος αποτελείται συνήθως από μια τελική εξέταση και συνεχή αξιολόγηση. Η συνεχής αξιολόγηση μπορεί να περιλαμβάνει μεταξύ άλλων, εβδομαδιαίες διαδραστικές δραστηριότητες, μελέτες, θετική συμμετοχή στις συζητήσεις στο φόρουμ του μαθήματος κτλ.

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).

Απαιτήσεις αποφοίτησης

Ο φοιτητής πρέπει να συλλέξει 90 ECTS και όλες τις απαιτήσεις του προγράμματος.

Ο τελικός μέσος όρος (CPA) θα πρέπει να ξεπερνά ή να είναι ίσος με 2.0. Έτσι, παρόλο που το «D-» θεωρείται επιτυχής βαθμός, προκειμένου να επιτευχθεί γενικός μέσος όρος 2.0, απαιτείται ένας μέσος βαθμός «C».

Μαθησιακά Αποτελέσματα

Μετά την επιτυχή ολοκλήρωση αυτού του προγράμματος, ο φοιτητής θα μπορεί να:

  1. Συλλέξει απαιτήσεις, σχεδιάσει, εφαρμόσει και να αξιολογήσει την απόδοση μιας λύσης Επιστήμης Δεδομένων.
  2. Διεξάγει έρευνα και να αναπτύξει καινοτόμες μεθόδους στην Επιστήμη των Δεδομένων ή σε οποιοδήποτε άλλο διεπιστημονικό πεδίο που απαιτεί τέτοια εξειδίκευση (π.χ. Βιοπληροφορική, Δημοσιογραφία, Υπολογιστική Κοινωνική Επιστήμη, Επιχειρηματική Ευφυία, κτλ).
  3. Αναγνωρίζει και να επικοινωνεί τα θέματα ιδιωτικότητας και ηθικής που προκύπτουν από την εφαρμογή εργαλείων Επιστήμης Δεδομένων. Οι απόφοιτοι θα είναι σε θέση να συνθέσουν λύσεις που επιλύουν τα θέματα αυτά.
  4. Εργαστεί παραγωγικά και σε αρμονία με μία διεπιστημονική ομάδα εργασίας. Ο απόφοιτος θα είναι σε θέση να επικοινωνεί σε τεχνικό αλλά και μη-τεχνικό επίπεδο.
  5. Σχεδιάσει λύσεις για τις πραγματικές προκλήσεις της εξόρυξης δεδομένων (δεδομένα μεγάλου όγκο, ροές δεδομένων, ετερογενή δεδομένα, θορυβώδη δεδομένα κλπ.)
  6. Συνθέσει αναφορές και παρουσιάσεις με σκοπό να γνωστοποιεί τα αποτελέσματα των αναλύσεων και να επιχειρηματολογήσει σε σχέση με αυτά.
  7. Γνωρίζει, συγκρίνει και συνδυάζει τις τελευταίες εξελίξεις στην επιστήμη των δεδομένων, τη μηχανική μάθηση και την τεχνητή νοημοσύνη και να εφεύρει καινοτόμες εφαρμογές με κοινωνική και επιχειρηματική αξία.

Section A: Major Requirements
ECTS: Min.50 Max.50

Course ID Course Title ECTS Credits
COMP-501DL Research Seminars and Methodology 4
COMP-540DL Mathematics for Data Science 10
COMP-542DL Data Programming 10
COMP-543DL Data Management and Visualization 10
COMP-544DL Machine Learning 10
COMP-592DL Project in Data Science 6

Section B: Electives
ECTS: Min. 40 Max. 40
Notes: In order to conduct a Thesis a student has to have all major requirements completed and a minimum CPA of 3.0/4.0

Course ID Course Title ECTS Credits
COMP-545DL Social Data and Natural Language Analysis 10
COMP-546DL Deep Learning and Reinforcement Learning 10
COMP-548DL Big Data Management and Processing 10
COMP-549DL Artificial Intelligence 10
COMP-551DL Business Intelligence 10
COMP-552DL Data Privacy and Ethics 10
COMP-553DL Data Science in Bioinformatics and Medicine 10
COMP-591DL Special Topics in Data Science 10
COMP-593DL Thesis 30

Semester 1

Course ID Course Title ECTS Credits Lecturer
COMP-542DL Data Programming 10 Ioannis Partalas
Unranked
COMP-540DL Mathematics for Data Science 10 Nectarios Papanicolaou,
Professor
George Portides,
Assistant Professor
COMP-549DL Artificial Intelligence 10 Athena Stassopoulou
Professor

Semester 2

Course ID Course Title ECTS Credits Lecturer
COMP-544DL Machine Learning 10 Ioannis Katakis
Professor
COMP-543DL Managing and Visualizing Data 10 Demetris Trihinas
Assistant Professor
COMP-501DL Research Seminars and Methodology 4 Athena Stassopoulou
Professor
COMP-592DL Project in Data Science 6 Ioannis Katakis
Professor

Semester 3

Course ID Course Title ECTS Credits Lecturer
COMP-593DL Thesis 30 Ioannis Katakis
Professor
Note: The above semester breakdown is an indicative one. A few of the courses are electives and can be substituted by others. Students may contact their academic advisor and consult their academic pathway found on this website under “Schools & Programmes”.

Professor Ioanna Dionysiou

Associate Head of Department
Professor
School of Sciences and Engineering
Department of Computer Science
Member of the Senate

Professor Harald Gjermundrod

Professor
School of Sciences and Engineering
Department of Computer Science

Professor Ioannis Katakis

Professor
School of Sciences and Engineering
Department of Computer Science

Professor Nectarios Papanicolaou

Professor
School of Sciences and Engineering
Department of Computer Science
Member of the Council

Dr George Portides

Assistant Professor
School of Sciences and Engineering
Department of Computer Science

Professor Athena Stassopoulou

Head of Department
Professor
School of Sciences and Engineering
Department of Computer Science

Dr Demetris Trihinas

Assistant Professor
School of Sciences and Engineering
Department of Computer Science

Dr Maria Kiourlappou

Adjunct Faculty

  • View

Dr Elia Kouzari

Adjunct Faculty

  • View
Go to Top