FacebookXInstagramYouTubeLinkedIn

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

Request Information

UNIC will use the information you provide to process and evaluate your application. We may also use your info to provide you with ongoing updates about our programmes by e-mail or phone. You can end communication with us at any time, by requesting not to be contacted again.

Περιγραφή Προγράμματος

Στόχος του προγράμματος είναι να παράσχει στους φοιτητές τεχνικές δεξιότητες και πρακτική γνώση στην Επιστήμη των Δεδομένων. Το πρόγραμμα Επιστήμης Δεδομένων συνδυάζει τη θεωρία και την πρακτική, βασισμένη σε τρεις κύριους κλάδους, Πληροφορική, Στατιστική και Μαθηματικά, και τομείς εφαρμογών πραγματικού κόσμου. Έχει σχεδιαστεί ώστε οι απόφοιτοι του προγράμματος να ανταποκριθούν στις απαιτήσεις της μελλοντικής Οικονομίας που βασίζεται στα δεδομένα.

Πιο συγκεκριμένα, το πρόγραμμα αποσκοπεί στο να:

  1. Προσφέρει στους φοιτητές τις τεχνικές και αναλυτικές δεξιότητες που απαιτούνται για την απόκτηση, τη διαχείριση, την ανάλυση και την εξαγωγή γνώσης από τα δεδομένα.
  2. Προσφέρει στους φοιτητές ένα ισχυρό μαθηματικό και στατιστικό υπόβαθρο που θα τους δώσει τη δυνατότητα να διαμορφώνουν τα κατάλληλα μοντέλα και να εφαρμόζουν τεχνικές βελτιστοποίησης για την ανάλυση δεδομένων.
  3. Προσφέρει στους φοιτητές δεξιότητες μηχανικής λογισμικού και μηχανικής μάθησης για το σχεδιασμό και την υλοποίηση αξιόπιστων, συντηρήσιμων και κλιμακώσιμων λύσεων για προβλήματα που σχετίζονται με τα δεδομένα.
  4. Δώσει τη δυνατότητα στους φοιτητές να αξιολογήσουν το επίπεδο ιδιωτικότητας και ασφάλειας μιας τεχνικής λύσης σε ένα πρόβλημα επιστήμης των δεδομένων.
  5. Προετοιμάσει τους φοιτητές για περαιτέρω μεταπτυχιακές σπουδές και έρευνα που απαιτούν εμπειρογνωμοσύνη στην Επιστήμη των Δεδομένων και αναλυτική σκέψη (όπως επιχειρηματική ανάλυση δεδομένων, χρηματοοικονομικά, υγεία, βιοπληροφορική).
  6. Καλλιεργήσει μια συνείδηση κοινωνικής ευθύνη και ικανότητες ανεξάρτητης μάθησης.

Ακαδημαϊκή Εισδοχή

Το ελάχιστο κριτήριο εισδοχής στα προπτυχιακά προγράμματα σπουδών είναι το αναγνωρισμένο Απολυτήριο Λυκείου ή άλλο διεθνώς αναγνωρισμένο ισοδύναμο προσόν. Οι φοιτητές/τριες με βαθμό απολυτηρίου χαμηλότερο  από  7.5/10 ή 15/20 ή αντίστοιχο, ανάλογα με το σύστημα βαθμολόγησης της χώρας έκδοσης του απολυτηρίου,  λαμβάνουν, κατά το πρώτο έτος των σπουδών τους, επιπρόσθετη  ακαδημαϊκή καθοδήγηση και παρακολούθηση.

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.

  • TOEFL – 525 και άνω
  • Computer-based TOEFL – 193 και άνω
  • Internet-based TOEFL – 80 και άνω
  • IELTS – 6 και άνω
  • Cambridge Exams [First Certificate] – B και άνω
  • Cambridge Exams [Proficiency Certificate – C και άνω
  • GCSE English Language “O” Level – C και άνω
  • Michigan Examination of Proficiency in English (CaMLA) – Pass
  • Pearson PTE General – Level 3 και άνω
  • KPG (The Greek Foreign Language Examinations for the State Certificate of Language Proficiency) – Level B2 και άνω
  • Anglia – Level B2 και άνω
  • IEB Advances Programme English – Pass
  • Examination for the Certificate of Proficiency in English (ECPE) Michigan Language Assessment by: Cambridge Assessment English & University of Michigan – 650 average score for ALL skills και άνω.

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 κτλ.

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

Μετά την επιτυχή ολοκλήρωση αυτού του προγράμματος, οι φοιτητές θα πρέπει να είναι σε θέση να:

  1. Εφαρμόζουν θεωρίες και μεθοδολογίες από μαθηματικά, στατιστική και πληροφορική για την επίλυση προβλημάτων του πραγματικού κόσμου που σχετίζονται με τα δεδομένα.
  2. Εφαρμόζουν σύγχρονες τεχνολογίες πληροφορικής, όπως μηχανική μάθηση και εξόρυξη δεδομένων, Τεχνητή Νοημοσύνη, παράλληλη και κατανεμημένη υπολογιστική, για την επίλυση πρακτικών προβλημάτων που χαρακτηρίζονται από μεγάλα δεδομένα.
  3. Υλοποιούν αλγόριθμους για βασικές εργασίες Επιστήμης Δεδομένων όπως μηχανική μάθηση και εξόρυξη δεδομένων, στατιστική συμπερασματολογία κλπ., χρησιμοποιώντας μια γλώσσα υψηλού επιπέδου που είναι κατάλληλη για την επιστήμη των δεδομένων (π.χ. Python, R).
  4. Εφαρμόζουν διαχείριση δεδομένων για τον καθαρισμό, το μετασχηματισμό και την αναζήτηση δεδομένων.
  5. Επιλέγουν και να εφαρμόζουν κατάλληλους αλγόριθμους μηχανικής μάθησης και εργαλεία λογισμικού για την ανάλυση δεδομένων.
  6. Απεικονίζουν δεδομένα και να εφαρμόζουν διαδικασίες συμπερασμάτων για την ανάλυση δεδομένων και την ερμηνεία και επικοινωνία των αποτελεσμάτων.
  7. Αξιολογούν θέματα ιδιωτικότητας και ασφάλειας που προκύπτουν στα διάφορα στάδια διαχείρισης δεδομένων
  8. Επιδεικνύουν επαγγελματική και ηθική ευθύνη όσον αφορά την ιδιοκτησία, την ασφάλεια και την ευαισθησία των δεδομένων.
  9. Επικοινωνούν αποτελεσματικά τεχνικές ιδέες μέσω προφορικών παρουσιάσεων και γραπτών εκθέσεων.
Section A: Computer Science Requirements
ECTS: Min.114 Max.114

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-211 Data Structures 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-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-370 Algorithms 6
COMP-405 Artificial Intelligence 6
COMP-446 Web and Social Data Mining 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-101 Discrete Mathematics 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-213 Visual Programming 6
COMP-263 Human Computer Interaction 6
COMP-341 Knowledge Management 6
COMP-349 Special Topics in Data Science 6
COMP-358 Networks and Data Communication 6
COMP-387 Blockchain Programming 6
COMP-449 Industry Placement in Data Science 6
COMP-470 Internet Technologies 6
COMP-474 Cloud Computing 6
COMP-475 Internet of Things and Wearable Technologies 6
MATH-281 Linear Algebra II 6
MATH-341 Numerical Analysis I 8
MATH-342 Numerical Analysis II 8
MATH-420 Times Series Modeling and Forecasting 6
MATH-426 Linear Models II 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-303 Database Applications Development 6
MIS-351 Information Systems Concepts 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: Liberal Arts 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

Semester 1

Course ID Course Title ECTS Credits
COMP-140 Introduction to Data Science 6
COMP-111 Programming Principles I 6
MATH-101 Discrete Mathematics 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
SOC-101 Principles of Sociology 6

Semester 3

Course ID Course Title ECTS Credits
COMP-211 Data Structures 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-370 Algorithms 6
COMP-302 Database Management Systems 6
MATH-329 Bayesian Statistics 6
COMP-244 Machine Learning and Data Mining I 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
COMP-213 Visual Programming 6

Semester 6

Course ID Course Title ECTS Credits
COMP-340 Big Data 6
COMP-446 Web and Social Data Mining 6
MATH-326 Linear Models I 6
BADM-332 Technical Writing and Research 6
COMP-341 Knowledge Management 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-387 Blockchain Programming 6
MKTG-291 Marketing 6

Semester 8

Course ID Course Title ECTS Credits
COMP-495 Data Science Final Year Project II 6
COMP-449 Industry Placement in Data Science 6
MATH-420 Times Series Modeling and Forecasting 6
COMP-474 Cloud Computing 6
MATH-281 Linear Algebra II 6
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”.
Go to Top