Postgraduate Section 3 1009: Διαφορά μεταξύ των αναθεωρήσεων

Από Περιγράμματα - Τμήμα Μαθηματικών
Μετάβαση σε: πλοήγηση, αναζήτηση
ΟπτικήΚώδικας wiki
Νέα σελίδα με '{{DISPLAYTITLE:<span style="position: absolute; clip: rect(1px 1px 1px 1px); clip: rect(1px, 1px, 1px, 1px);">{{FULLPAGENAME}}</span>}} <ul class="nav nav-pills mb-2 justify-content-end" id="pills-tab-lang" role="tablist"> <li class="nav-item"><btn id="pills-gr-tab" data-toggle="pill" class="nav-link active" role="tab" aria-controls="pills-gr" aria-selected="true">#pills-gr|Ελληνικά</btn></li> <li class="nav-item"><btn id="pills-en-tab" data-toggle="pill"...'
 
Ktzuvara (συζήτηση | συνεισφορές)
611 επεξεργασίες
Χωρίς σύνοψη επεξεργασίας
 
(2 ενδιάμεσες εκδόσεις από 2 χρήστες δεν εμφανίζονται)
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>
== '''Εφαρμοσμένη Πολυδιάστατη Ανάλυση''' ==
</div>




Γραμμή 31: Γραμμή 35:
|-
|-
! Τίτλος Μαθήματος
! Τίτλος Μαθήματος
| ΕΦΑΡΜΟΣΜΕΝΗ ΠΟΛΥΔΙΑΣΤΑΤΗ ΑΝΑΛΥΣΗ
| Εφαρμοσμένη Πολυδιάστατη 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 73: Γραμμή 76:
* Σύνθεση δεδομένων και πληροφοριών
* Σύνθεση δεδομένων και πληροφοριών
|}
|}


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


{| class="wikitable"
|
Το περιεχόμενο του μαθήματος καλύπτει τα ακόλουθα αντικείμενα με εφαρμογές κυρίως με τη χρήση του SPSS και της R: Γραφική παρουσίαση πολυδιάστατων δεδομένων, Τεχνικές μείωσης της διάστασης, Κύριες Συνιστώσες, Παραγοντική Ανάλυση, Ανάλυση κανονικών συσχετίσεων, Διαχωριστική Ανάλυση, MANOVA, Επαναλαμβανόμενες μετρήσεις, Νευρωνικά δίκτυα.
Το περιεχόμενο του μαθήματος καλύπτει τα ακόλουθα αντικείμενα με εφαρμογές κυρίως με τη χρήση του SPSS και της R: Γραφική παρουσίαση πολυδιάστατων δεδομένων, Τεχνικές μείωσης της διάστασης, Κύριες Συνιστώσες, Παραγοντική Ανάλυση, Ανάλυση κανονικών συσχετίσεων, Διαχωριστική Ανάλυση, MANOVA, Επαναλαμβανόμενες μετρήσεις, Νευρωνικά δίκτυα.
 
|}


=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
Γραμμή 112: Γραμμή 116:
| 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>
== '''Applied Multivariate Analysis''' ==
</div>




Γραμμή 136: Γραμμή 144:
|-
|-
! Course Code
! Course Code
| ΣΣΕ10
| ΣΕΕ10
|-
|-
! Semester
! Semester
Γραμμή 142: Γραμμή 150:
|-
|-
! Course Title
! Course Title
|
| Applied Multivariate Analysis
Applied Multivariate Analysis
|-
|-
! Independent Teaching Activities
! Independent Teaching Activities
Γραμμή 149: Γραμμή 156:
|-
|-
! [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 159: Γραμμή 165:
|-
|-
! 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 188: Γραμμή 192:
* Criticism and self-criticism
* Criticism and self-criticism
|}
|}


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


{| class="wikitable"
|
This course covers the following topics with applications mainly with SPSS and R: Graphical display of multivariate data, Data reduction techniques, Principal component analysis, Factor analysis, Canonical correlation analysis, Cluster analysis, Discriminant analysis, MANOVA, Repeated measurement analysis, Neural Networks. Applications with SPSS and R.
This course covers the following topics with applications mainly with SPSS and R: Graphical display of multivariate data, Data reduction techniques, Principal component analysis, Factor analysis, Canonical correlation analysis, Cluster analysis, Discriminant analysis, MANOVA, Repeated measurement analysis, Neural Networks. Applications with SPSS and R.
 
|}


=== Teaching and Learning Methods - Evaluation ===
=== Teaching and Learning Methods - Evaluation ===
Γραμμή 203: Γραμμή 208:
|-
|-
! 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 226: Γραμμή 230:
|-
|-
! 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 10:32, 25 Μαρτίου 2026



Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Μεταπτυχιακό
Κωδικός Μαθήματος ΣEE10
Εξάμηνο 2
Τίτλος Μαθήματος Εφαρμοσμένη Πολυδιάστατη 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:
  • εφαρμόζουν βασικές μεθόδους πολυμεταβλητής στατιστικής ανάλυσης
  • επιλέγουν την κατάλληλη μέθοδο ανάλυσης για το συγκεκριμένο πρόβλημα υπό διερεύνηση και για το συγκεκριμένο σύνολο δεδομένων
  • εφαρμόζουν μεθόδους μείωσης της διάστασης
  • ερμηνεύουν κατάλληλα τα αποτελέσματα και να συντάσσουν την κατάλληλη έκθεση αναφοράς
  • υλοποιούν την ανάλυση με στατιστικά πακέτα ή προγράμματα (SPSS, SAS, Matlab, R).
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 περιεχόμενο του μαθήματος καλύπτει τα ακόλουθα αντικείμενα με εφαρμογές κυρίως με τη χρήση του SPSS και της R: Γραφική παρουσίαση πολυδιάστατων δεδομένων, Τεχνικές μείωσης της διάστασης, Κύριες Συνιστώσες, Παραγοντική Ανάλυση, Ανάλυση κανονικών συσχετίσεων, Διαχωριστική Ανάλυση, MANOVA, Επαναλαμβανόμενες μετρήσεις, Νευρωνικά δίκτυα.

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.

Applied Multivariate Analysis


General

School School of Science
Academic Unit Department of Mathematics
Level of Studies Graduate
Course Code ΣΕΕ10
Semester 2
Course Title Applied Multivariate 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:

  • Apply basic multivariate methods of statistical analysis
  • Choose the appropriate method of multivariate data analysis for a given multivariate data set, depending on the objectives of the study
  • Implement methods of dimension reduction
  • Interpret the results of multivariate data analyses.
  • Carry out multivariate data analysis through a statistical software (SPSS, SAS, Matlab, R)
General Competences
  • Working independently
  • Decision-making
  • Production of free, creative and inductive thinking
  • Project planning and management
  • Criticism and self-criticism

Syllabus

This course covers the following topics with applications mainly with SPSS and R: Graphical display of multivariate data, Data reduction techniques, Principal component analysis, Factor analysis, Canonical correlation analysis, Cluster analysis, Discriminant analysis, MANOVA, Repeated measurement analysis, Neural Networks. Applications with SPSS and R.

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_1009&oldid=547»