Undergraduate Elective 1071

• Ελληνικά
• English

Προγραμματισμός για την Επιστήμη Δεδομένων

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE544
Εξάμηνο	5
Τίτλος Μαθήματος	Προγραμματισμός για την Επιστήμη Δεδομένων
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος	Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Το μάθημα προσφέρεται στο 5ο εξάμηνο του προγράμματος σπουδών και έχει ως στόχο να εφοδιάσει τους/τις προπτυχιακούς/κές φοιτητές/τριες με όλες τις θεμελιώδεις γνώσεις της γλώσσας προγραμματισμού Python και του τρόπου με τον οποίο μπορεί να ενσωματωθεί σε μια πλειάδα επιστημονικών πεδίων με έμφαση στην επιστήμη δεδομένων. Συνδυάζει εκτεταμένη αναφορά στις θεωρητικές αρχές της ανάπτυξης και σχεδίασης λογισμικού με ευρεία αναφορά στο οικοσύστημα της γλώσσας. Επιπρόσθετα, ιδιαίτερη έμφαση δίνεται στην πρακτική εφαρμογή των αποκτώμενων γνώσεων, μέσω της ανάθεσης προγραμματιστικών εργασιών και της παρουσίασης εκτεταμένων παραδειγμάτων. Με την ολοκλήρωση του μαθήματος, ο/η φοιτητής/τρια θα είναι σε θέση να:  Εφαρμόσει μεθόδους σχεδίασης λογισμικού με την γλώσσα προγραμματισμού Python  Κατανοεί και να εφαρμόζει αλγοριθμική σκέψη με όρους προγραμματιστικών μεθόδων και δομών δεδομένων  Ενσωματώνει κατάλληλα πακέτα του οικοσυστήματος της γλώσσας σε επιστημονικές διεργασίες  Εξοικειωθεί με την υλοποίηση βασικών αλγορίθμων ανάλυσης δεδομένων  Χρησιμοποιήσει εργαλεία και γλώσσες προγραμματισμού που είναι κατάλληλα για την επιστήμη των δεδομένων

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών  Προσαρμογή σε νέες καταστάσεις  Άσκηση κριτικής και αυτοκριτικής  Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Περιεχόμενο Μαθήματος

Εισαγωγή στη γλώσσα Python Το διαδικτυακό περιβάλλον Jupyter Lab και η χρήση των Notebooks για την συγγραφή σεναρίων Python Δομές συνθήκης και επανάληψης Μεταβλητές, Τύποι Δεδομένων και Τελεστές Λίστες (lists), πλειάδες (tuples), σύνολα (sets), ακολουθίες (sequences) και λεξικά (dictionaries) Πίνακες (arrays) με χρήση των βιβλιοθηκών NumPy και Scipy Αντικειμενοστρεφής Προσέγγιση Iterators, Generators, Decorators Οπτικοποίηση-γραφήματα Python και βάσεις δεδομένων GUI Frameworks και σχεδίαση γραφικών παραστάσεων με χρήση της βιβλιοθήκης Matplotlib Pandas: Βασική λειτουργικότητα, Σειρές, Πίνακες δεδομένων (DataFrame), Επανάληψη, Ταξινόμηση, Ευρετηρίαση και Επιλογή δεδομένων, Διαχείριση ελλιπών τιμών, Ομαδοποίηση, Συγχώνευση/Σύνδεση, Είσοδος/Έξοδος, Οπτικοποίηση και Αραιά δεδομένα.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Εβδομαδιαίες διαλέξεις στην τάξη.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Στην ιστοσελίδα του μαθήματος στο ecourse διατίθεται υλικό μελέτης και πληροφοριών (σημειώσεις και διαφάνειες). Δυνατότητα επικοινωνίας των φοιτητών με τον διδάσκοντα με ηλεκτρονικό τρόπο (e-mail, ecourse).
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις (13Χ3) 39 Αυτοτελής Μελέτη 78 Επίλυση Ασκήσεων - εργασίες 33 Σύνολο Μαθήματος 150
Αξιολόγηση Φοιτητών	Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) , ενδιάμεσες προγραμματιστικές εργασίες.

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:

Programming for the Data Science

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	MAE544
Semester	5
Course Title	Programming for the Data Science
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 6)
Course Type	Special Background
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

The course is offered in the 5th semester of the curriculum and aims to equip undergraduate students with all the fundamental knowledge of the Python programming language and how it can be integrated into a wide range of scientific fields, with an emphasis on data science. It combines extensive coverage of the theoretical principles of software development and design with a broad reference to the language ecosystem. Additionally, special emphasis is placed on the practical application of acquired knowledge through the assignment of programming tasks and the presentation of extensive examples. Upon completion of the course, the student will be able to: Apply software design methods using the Python programming language. Understand and apply algorithmic thinking in terms of programming methods and data structures. Properly integrate language ecosystem packages into scientific processes. Familiarize themselves with the implementation of basic data analysis algorithms. Use programming tools and languages suitable for data science

General Competences

Search for, analysis and synthesis of data and information, with the use of the necessary technology Adapting to new situations Criticism and self-criticism Production of free, creative and inductive thinking

Syllabus

Introduction to Python language The Jupyter Lab and the use of Notebooks for writing Python scripts Conditional and loop structures Variables, Data Types, and Operators Lists, Tuples, Sets, Sequences, and Dictionaries Arrays using the NumPy and SciPy libraries Object-Oriented Approach Iterators, Generators, Decorators Visualizations and Graphs Python and Databases GUI Frameworks and graphical representation design using the Matplotlib library Pandas: Basic functionality, Series, DataFrames, Iteration, Sorting, Indexing and Data Selection, Handling Missing Values, Grouping, Merging/Joining, Input/Output, Visualization, and Sparse Data.

Teaching and Learning Methods - Evaluation

Mode of Instruction	Face to face.
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	Yes.
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures 39 Self study 78 Exercises 33 Course total  150
Student Performance Evaluation	Written final exam, weekly programming exercises.

Attached Bibliography

See the official Eudoxus site. Books and other resources, not provided by Eudoxus:

• John V. Guttag , Υπολογισμοί και Προγραμματισμός με την Python, Εκδόσεις Κλειδάριθμος, 2015, (Κωδικός Βιβλίου στον Εύδοξο: 50656350) 
• Καρολίδης Δημήτριος Α., Μαθαίνετε εύκολα Python, Εκδόσεις Άβακας, 2018, (Κωδικός Βιβλίου στον Εύδοξο: 77107582) 
• Καφές Μάνος , Εξερεύνηση της Python, Εκδόσεις Κλειδάριθμος, 2017, (Κωδικός Βιβλίου στον Εύδοξο: 68386005) 
• Tony Gaddis , Ξεκινώντας με την Python, Εκδόσεις DaVinci, 2020, (Κωδικός Βιβλίου στον Εύδοξο: 94691810) 
• Σαμαράς Νικόλαος, Τσιμπλίδης Κωνσταντίνος , Το βιβλίο της Python, Εκδόσεις Κριτική, 2019, (Κωδικός Βιβλίου στον Εύδοξο: 86055492)
• Igual L., Segui S., Virtia J. et al (2017), Introduction to data science: a Python approach to concepts, techniques and applications, Springer.