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

Υποβάλετε Αίτηση

Επιστήμη Δεδομένων (Πτυχίο, 4 έτη)

Διάρκεια Σπουδών	4 έτη
Τίτλος Σπουδών	Πτυχίο στην Επιστήμη Δεδομένων
Επίπεδο Τίτλου Σπουδών	Πτυχίο (1^ος Κύκλος Σπουδών)
Γλώσσα Διδασκαλίας	Αγγλική
Μέθοδος Φοίτησης	Πλήρης και Μερική φοίτηση
Ελάχιστες Ευρωπαϊκές Πιστωτικές Μονάδες (ECTS)	240

Apply Today

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:

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 συμπεριλαμβανομένου 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.

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.

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

Κανονισμοί εξέτασης, αξιολόγηση και βαθμολόγηση

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

Απαιτήσεις αποφοίτησης

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.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

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.

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

Semester 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

Semester 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

Semester 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

Semester 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

Semester 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

Semester 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

Semester 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

Semester 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

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”.