Postgraduate Section 3 1019: Διαφορά μεταξύ των αναθεωρήσεων

Από Περιγράμματα - Τμήμα Μαθηματικών
Μετάβαση σε: πλοήγηση, αναζήτηση
← Παλαιότερη επεξεργασία
ΟπτικήΚώδικας wiki
Χωρίς σύνοψη επεξεργασίας
Ktzuvara (συζήτηση | συνεισφορές)
562 επεξεργασίες
Χωρίς σύνοψη επεξεργασίας
 
Γραμμή 9: Γραμμή 9:


<div id="pills-gr" class="tab-pane fade show active" role="tabpanel" aria-labelledby="pills-gr-tab" style="text-align:left;">
<div id="pills-gr" class="tab-pane fade show active" role="tabpanel" aria-labelledby="pills-gr-tab" style="text-align:left;">
<div align = center>
== '''Υπολογιστική Στατιστική Ανάλυση''' ==
</div>




Γραμμή 31: Γραμμή 35:
|-
|-
! Τίτλος Μαθήματος
! Τίτλος Μαθήματος
| ΥΠΟΛΟΓΙΣΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
| Υπολογιστική Στατιστική Ανάλυση
|-
|-
! Αυτοτελείς Διδακτικές Δραστηριότητες
! Αυτοτελείς Διδακτικές Δραστηριότητες
Γραμμή 51: Γραμμή 55:
| Δείτε το [https://ecourse.uoi.gr/ eCourse], την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.
| Δείτε το [https://ecourse.uoi.gr/ eCourse], την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.
|}
|}


=== Μαθησιακά Αποτελέσματα ===
=== Μαθησιακά Αποτελέσματα ===
Γραμμή 74: Γραμμή 77:
* Σύνθεση δεδομένων και πληροφοριών.
* Σύνθεση δεδομένων και πληροφοριών.
|}
|}


=== Περιεχόμενο Μαθήματος ===
=== Περιεχόμενο Μαθήματος ===


{| class="wikitable"
|
Το μάθημα καλύπτει τις ακόλουθες ενότητες, βασιζόμενο πάρα πολύ στην R: τεχνικές παραγωγής τυχαίων αριθμών. Οι μέθοδοι jackknife, bootstrap και οι θεωρητικές τους ιδιότητες.  Cross validation, kernel density estimation, local regression. Μέθοδοι προσομοίωσης Monte Carlo και εφαρμογές.
Το μάθημα καλύπτει τις ακόλουθες ενότητες, βασιζόμενο πάρα πολύ στην R: τεχνικές παραγωγής τυχαίων αριθμών. Οι μέθοδοι jackknife, bootstrap και οι θεωρητικές τους ιδιότητες.  Cross validation, kernel density estimation, local regression. Μέθοδοι προσομοίωσης Monte Carlo και εφαρμογές.
 
|}


=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
Γραμμή 114: Γραμμή 118:
Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.
Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.
|}
|}


=== Συνιστώμενη Βιβλιογραφία ===
=== Συνιστώμενη Βιβλιογραφία ===


Δείτε την υπηρεσία [https://service.eudoxus.gr/public/departments#20 Εύδοξος]. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:
Δείτε την υπηρεσία [https://service.eudoxus.gr/public/departments#20 Εύδοξος].  
<!-- Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος: -->
</div>
</div>


<div id="pills-en" class="tab-pane fade" role="tabpanel" aria-labelledby="pills-en-tab" style="text-align:left;">
<div id="pills-en" class="tab-pane fade" role="tabpanel" aria-labelledby="pills-en-tab" style="text-align:left;">
<div align = center>
== '''Computational Statistics Analysis''' ==
</div>




Γραμμή 144: Γραμμή 152:
|-
|-
! Course Title
! Course Title
|
| Computational Statistics Analysis
Computational Statistics Analysis
|-
|-
! Independent Teaching Activities
! Independent Teaching Activities
Γραμμή 151: Γραμμή 158:
|-
|-
! [https://regulations.math.uoi.gr/index.php?title=Undergraduate_Department_Course_Types Course Type]
! [https://regulations.math.uoi.gr/index.php?title=Undergraduate_Department_Course_Types Course Type]
|
| Specialized general knowledge
Specialized general knowledge
|-
|-
! Prerequisite Courses
! Prerequisite Courses
Γραμμή 161: Γραμμή 167:
|-
|-
! Is the Course Offered to Erasmus Students
! Is the Course Offered to Erasmus Students
|
| Yes (in English, reading Course)
Yes (in English, reading Course)
|-
|-
! Course Website (URL)
! Course Website (URL)
| See [https://ecourse.uoi.gr/ eCourse], the Learning Management System maintained by the University of Ioannina.
| See [https://ecourse.uoi.gr/ eCourse], the Learning Management System maintained by the University of Ioannina.
|}
|}


=== Learning Outcomes ===
=== Learning Outcomes ===
Γραμμή 189: Γραμμή 193:
* Criticism and self-criticism
* Criticism and self-criticism
|}
|}


=== Syllabus ===
=== Syllabus ===


{| class="wikitable"
|
This course covers the following topics and relies on heavy use of R: random number generation techniques. The jacknife, bootstrap and their theoretical properties. Cross validation, kernel density estimation, local regression. Monte Carlo simulation and its applications.
This course covers the following topics and relies on heavy use of R: random number generation techniques. The jacknife, bootstrap and their theoretical properties. Cross validation, kernel density estimation, local regression. Monte Carlo simulation and its applications.
 
|}


=== Teaching and Learning Methods - Evaluation ===
=== Teaching and Learning Methods - Evaluation ===
Γραμμή 204: Γραμμή 209:
|-
|-
! Use of Information and Communications Technology
! Use of Information and Communications Technology
|
| Use of ICT in communication with students
Use of ICT in communication with students
|-
|-
! Teaching Methods
! Teaching Methods
Γραμμή 227: Γραμμή 231:
|-
|-
! Student Performance Evaluation
! Student Performance Evaluation
|
| Final written exam in Greek (in case of Erasmus students in English).
Final written exam in Greek (in case of Erasmus students in English).
|}
|}


=== Attached Bibliography ===
=== Attached Bibliography ===


See the official [https://service.eudoxus.gr/public/departments#20 Eudoxus site]. Books and other resources, not provided by Eudoxus:
See the official [https://service.eudoxus.gr/public/departments#20 Eudoxus site].  
<!-- Books and other resources, not provided by Eudoxus: -->
</div>
</div>


<div style="text-align:left;">
<!-- <div style="text-align:left;">
* ---
* --- </div> -->
</div>
</div>
</div>

Τελευταία αναθεώρηση της 13:30, 26 Μαρτίου 2026



Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Μεταπτυχιακό
Κωδικός Μαθήματος ΣEE12
Εξάμηνο 2
Τίτλος Μαθήματος Υπολογιστική Στατιστική Ανάλυση
Αυτοτελείς Διδακτικές Δραστηριότητες Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος Μάθημα Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων Ελληνική
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

Οι φοιτητές μετά την επιτυχή παρακολούθηση αυτού του μαθήματος θα πρέπει να είναι σε θέση να:

  • Χρησιμοποιούν την R άλλα και άλλα στατιστικά προγράμματα για την υλοποίηση των συνηθέστερων τεχνικών υπολογιστικής στατιστικής
  • Παράγουν τυχαίους αριθμούς από πλειάδα κατανομών με διάφορες τεχνικές και να αξιολογούν το αποτέλεσμα.
  • Εφαρμόζουν σωστά και υπό τι κατάλληλες συνθήκες τις Bootstrap και Jacknife τεχνικές.
  • Χρησιμοποιούν μεθόδους Monte Carlo στην επίλυση στατιστικών προβλημάτων
  • Σχεδιάζουν και να υλοποιούν μια μελέτη προσομοίωσης και να ερμηνεύουν ορθά τα εξαγόμενα συμπεράσματα.
Γενικές Ικανότητες
  • Αυτόνομη εργασία
  • Ομαδική εργασία σε κάποιες περιπτώσεις
  • Λήψη αποφάσεων
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Σύνθεση δεδομένων και πληροφοριών.

Περιεχόμενο Μαθήματος

Το μάθημα καλύπτει τις ακόλουθες ενότητες, βασιζόμενο πάρα πολύ στην R: τεχνικές παραγωγής τυχαίων αριθμών. Οι μέθοδοι jackknife, bootstrap και οι θεωρητικές τους ιδιότητες. Cross validation, kernel density estimation, local regression. Μέθοδοι προσομοίωσης Monte Carlo και εφαρμογές.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης Πρόσωπο με πρόσωπο στο εργαστήριο του Τμήματος
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών Χρήση Τ.Π.Ε. στην επικοινωνία με τους φοιτητές καθώς και στην παράδοση εργασιών
Οργάνωση Διδασκαλίας
Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Διαλέξεις -Εργαστήριο 39
Αυτοτελής Μελέτη 78
Επίλυση ασκήσεων-εργασίες 70.5
Σύνολο Μαθήματος 187.5
Αξιολόγηση Φοιτητών

Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Computational Statistics Analysis


General

School School of Science
Academic Unit Department of Mathematics
Level of Studies Graduate
Course Code ΣΕΕ12
Semester 2
Course Title Computational Statistics Analysis
Independent Teaching Activities Lectures-Laboratory (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type Specialized general knowledge
Prerequisite Courses -
Language of Instruction and Examinations Greek
Is the Course Offered to Erasmus Students Yes (in English, reading Course)
Course Website (URL) See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

Students completing this course should be able to:

  • Use R and other statistical software to implement computational statistics techniques.
  • Be able to generate random numbers from a variety of distributions and asses their quality.
  • Be able to apply the Jacknife, the Bootstrap and other computational statistics techniques under the appropriate settings and assumptions.
  • Plan and implement a statistical simulation study in an efficient way.
  • Interpret the results from a simulation study.
General Competences
  • Working independently
  • Decision-making
  • Production of free, creative and inductive thinking
  • Criticism and self-criticism

Syllabus

This course covers the following topics and relies on heavy use of R: random number generation techniques. The jacknife, bootstrap and their theoretical properties. Cross validation, kernel density estimation, local regression. Monte Carlo simulation and its applications.

Teaching and Learning Methods - Evaluation

Delivery Classroom (face-to-face)
Use of Information and Communications Technology Use of ICT in communication with students
Teaching Methods
Activity Semester Workload
Lectures 39
Working independently 78
Exercises-Homework 70.5
Course total 187.5
Student Performance Evaluation Final written exam in Greek (in case of Erasmus students in English).

Attached Bibliography

See the official Eudoxus site.

Ανακτήθηκε από «https://outlines.math.uoi.gr/index.php?title=Postgraduate_Section_3_1019&oldid=551»