Undergraduate Elective 1071: 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"...'
 
Χωρίς σύνοψη επεξεργασίας
 
Γραμμή 30: Γραμμή 30:
|-
|-
! Τίτλος Μαθήματος
! Τίτλος Μαθήματος
| ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΛΟΓΙΚΗΣ
| Προγραμματισμός για την Επιστήμη Δεδομένων
|-
|-
! Αυτοτελείς Διδακτικές Δραστηριότητες
! Αυτοτελείς Διδακτικές Δραστηριότητες
Γραμμή 57: Γραμμή 57:
|-
|-
! Μαθησιακά Αποτελέσματα
! Μαθησιακά Αποτελέσματα
| Σκοπός είναι η βαθύτερη κατανόηση της Γλώσσας Προγραμματισμού PROLOG, αναλυτικότερα:
| 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.
* Γενικά περί διαδικαστικού και δηλωτικού προγραμματισμού
 
* Ο Προγραμματισμός, Λογικής μία εκδοχή του δηλωτικού προγραμματισμού
 
* Η γλώσσα προγραμματισμού Prolog (Σύνταξη προγραμμάτων, Λίστες, Τελεστές, Αριθμητική, Έλεγχος οπισθοδρόμησης, Άρνηση στην Prolog, Ενσωματωμένα κατηγορήματα, Χειρισμός δομών δεδομένων, Απλές εφαρμογές της Prolog σε προβλήματα αναζήτησης, συμβολική επεξεργασία, κατανόηση φυσικής γλώσσας και μεταπρογραμματισμό)
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.
* Θεωρία Προγραμματισμού Λογικής
 
* Προγραμματισμός Λογικής με περιορισμούς
 
* Τεχνικές υλοποίησης συστημάτων Προγραμματισμού Λογικής
Με την ολοκλήρωση του μαθήματος, ο/η φοιτητής/τρια θα είναι σε θέση να:  
* Παράλληλος Προγραμματισμός Λογικής
* Εφαρμόσει μεθόδους σχεδίασης λογισμικού με την γλώσσα προγραμματισμού Python
* Προγραμματισμός Λογικής για αναπαράσταση γνώσης
* Κατανοεί και να εφαρμόζει αλγοριθμική σκέψη με όρους προγραμματιστικών μεθόδων και δομών δεδομένων
Μετά την ολοκλήρωση του μαθήματος ο φοιτητής / τρια μπορεί να χειριστεί:
* Ενσωματώνει κατάλληλα πακέτα του οικοσυστήματος της γλώσσας σε επιστημονικές διεργασίες
* τον προγραμματισμό σε PROLOG
* Εξοικειωθεί με την υλοποίηση βασικών αλγορίθμων ανάλυσης δεδομένων
* επίλυση ασκήσεων
* Χρησιμοποιήσει εργαλεία και γλώσσες προγραμματισμού που είναι κατάλληλα για την επιστήμη των δεδομένων 
* υλοποίηση εφαρμογών
στα προαναφερθέντα θέματα της Προγραμματισμού Λογικής με PROLOG.
|-
|-
! Γενικές Ικανότητες
! Γενικές Ικανότητες
|
|
* Προγραμματισμό σε PROLOG
* Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
* Εφαρμογή της PROLOG στα Μαθηματικά, στη Φυσική Γλώσσα, στα Έμπειρα συστήματα, κ.λ.π.
* Προσαρμογή σε νέες καταστάσεις
* Υλοποίηση - Εμπέδωση
* Άσκηση κριτικής και αυτοκριτικής
* Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.
|}
|}


Γραμμή 82: Γραμμή 81:
=== Περιεχόμενο Μαθήματος ===
=== Περιεχόμενο Μαθήματος ===


Εξοικείωση με:
* Εισαγωγή στη γλώσσα Python
* τη γλώσσα προγραμματισμού Prolog
* Το διαδικτυακό περιβάλλον Jupyter Lab και η χρήση των Notebooks για την συγγραφή σεναρίων Python
* τη Θεωρία Προγραμματισμού Λογικής
* Δομές συνθήκης και επανάληψης
* τις Τεχνικές υλοποίησης συστημάτων Προγραμματισμού Λογικής
* Μεταβλητές, Τύποι Δεδομένων και Τελεστές
* τον Παράλληλο Προγραμματισμό Λογικής
* Λίστες (lists), πλειάδες (tuples), σύνολα (sets), ακολουθίες (sequences) και λεξικά (dictionaries)
* τον Προγραμματισμός Λογικής για αναπαράσταση γνώσης
* Πίνακες (arrays) με χρήση των βιβλιοθηκών NumPy και Scipy
* τις Εφαρμογές της PROLOG στα Μαθηματικά, στη Φυσική Γλώσσα στα Έμπειρα Συστήματα κ.λ.π.
* 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.




Γραμμή 96: Γραμμή 100:
|-
|-
! Τρόπος Παράδοσης
! Τρόπος Παράδοσης
| Πρόσωπο με πρόσωπο
| Εβδομαδιαίες διαλέξεις στην τάξη
|-
|-
! Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
! Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
|Ναι. Χρήση του Εργαστηρίου Επεξεργασίας Φυσικής Γλώσσας και Μαθηματικών προβλημάτων
| 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).
|-
|-
! Οργάνωση Διδασκαλίας
! Οργάνωση Διδασκαλίας
Γραμμή 121: Γραμμή 125:
|-
|-
! Αξιολόγηση Φοιτητών
! Αξιολόγηση Φοιτητών
| Τελική γραπτή εξέταση
| Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) , ενδιάμεσες προγραμματιστικές εργασίες.
|}
|}


Γραμμή 136: Γραμμή 140:
|-
|-
! School
! School
|
| School of Science
School of Science
|-
|-
! Academic Unit
! Academic Unit
|
| Department of Mathematics
Department of Mathematics
|-
|-
! Level of Studies
! Level of Studies
|
| Undergraduate
Undergraduate
|-
|-
! Course Code
! Course Code
|
| MAE544
MAE544
|-
|-
! Semester
! Semester
|
| 5
5
|-
|-
! Course Title
! Course Title
|
| Programming for the Data Science
Logic Programming
|-
|-
! Independent Teaching Activities
! Independent Teaching Activities
|
| Lectures (Weekly Teaching Hours: 3, Credits: 6)
Lectures
(Weekly Teaching Hours: 3, Credits: 6)
|-
|-
! [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]
Γραμμή 189: Γραμμή 185:
|-
|-
! 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.
The goal of this course is the deeper understanding of PROLOG. During the course a detailed examination of the following topics are done:
 
* Procedural and Declarative Programming
 
* Logic Programming a version of Declarative Programming
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.
* The programming language PROLOG (PROLOG programs syntax, Lists, Operators, Arithmetic, Backtracking control, The negation in PROLOG, Recursive predicates, Data Structure manipulation, PROLOG implementation to searching problems, symbolic processing, natural language understanding and metaprogramming)
 
* Logic Programming Theory
 
* Logic Programming under restrictions
Upon completion of the course, the student will be able to:
* Logic Programming systems implementation techniques
* Apply software design methods using the Python programming language.
* Parallel Logic Programming
* Understand and apply algorithmic thinking in terms of programming methods and data structures.
* Logic Programming for knowledge representation
* Properly integrate language ecosystem packages into scientific processes.
After completing the course the student can handle:
* Familiarize themselves with the implementation of basic data analysis algorithms.
* programming in PROLOG
* Use programming tools and languages suitable for data science
* solving  exercises in PROLOG
* tracking applications in PROLOG
|-
|-
! General Competences
! General Competences
|
|
* Programming in PROLOG
* Search for, analysis and synthesis of data and information, with the use of the necessary technology
* Implement PROLOG to Mathematics, Natural Language, Expert Systems, e.t.c.
* Adapting to new situations
* Implementation- Consolidation.
* Criticism and self-criticism
* Production of free, creative and inductive thinking
|}
|}


Γραμμή 214: Γραμμή 209:
=== Syllabus ===
=== Syllabus ===


* Introductory concepts  of Automata , Computability and Complexity as well as basic definitions, basic theorems and inductive proofs
* Introduction to Python language
* Finite State Machines and Languages, Finite Automata (Deterministic FA, Nondeterministic FA, FA with Epsilon-Transitions) and their applications, Regular Expressions and Languages, derivation trees. Removing Nondeterminism . Equivalence NFA and NFA with ε-moves. Minimization of  DFA, Pumping Lemma
* The Jupyter Lab and the use of Notebooks for writing Python scripts
* FA and Grammars. Grammars of Chomsky Hierarchy.  Regular Sets (RS). Properties of Regular Languages. RS and FA. Finding a correspondence Regular Expression of a FA. Abilities and disabilities of FA.
* Conditional and loop structures
* Context-Free Grammars and Languages, Pushdown Automata (Deterministic PDA, Acceptance by Final State, Acceptance by Empty Stack) , Properties of Context-Free Languages. Correspondence PDA and Context-Free Languages.
* Variables, Data Types, and Operators
* Introduction of Turing Machines. Standard TM, useful  techniques for TM constructions. Modification of TM. TM as procedure.
* Lists, Tuples, Sets, Sequences, and Dictionaries
* Unsolvability. The Church-Turing Thesis. The Universal TM. The Halting Problem for TM. Computational Complexity. NP-complete problems.
* 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.




Γραμμή 231: Γραμμή 232:
|-
|-
! Use of Information and Communications Technology
! Use of Information and Communications Technology
| Yes, Use of Natural Language and Mathematical Problems Processing Laboratory
| Yes
|-
|-
! Teaching Methods
! Teaching Methods
Γραμμή 253: Γραμμή 254:
|-
|-
! Student Performance Evaluation
! Student Performance Evaluation
|
| Written final exam, weekly programming exercises.
Final  test
|}
|}


Γραμμή 264: Γραμμή 264:


<div style="text-align:left;">
<div style="text-align:left;">
* Π. Σταματόπουλος, "Λογικός και Συναρτησιακός Προγραμματισμός", Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών, http://hdl.handle.net/11419/3587 (με διορθωμένα παροράματα εδώ)
* John V. Guttag , Υπολογισμοί και Προγραμματισμός με την Python, Εκδόσεις Κλειδάριθμος, 2015, (Κωδικός Βιβλίου στον Εύδοξο: 50656350) 
* Η. Σακελλαρίου, Ν. Βασιλειάδης, Π. Κεφαλάς, Δ. Σταμάτης, "Τεχνικές Λογικού Προγραμματισμού", Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών, http://hdl.handle.net/11419/777
* Καρολίδης Δημήτριος Α., Μαθαίνετε εύκολα Python, Εκδόσεις Άβακας, 2018, (Κωδικός Βιβλίου στον Εύδοξο: 77107582) 
* I. Bratko, "Prolog Programming for Artificial Intelligence", Third Edition, Addison-Wesley, 2000.
* Καφές Μάνος , Εξερεύνηση της Python, Εκδόσεις Κλειδάριθμος, 2017, (Κωδικός Βιβλίου στον Εύδοξο: 68386005) 
* L. Sterling, E. Shapiro, "The Art of Prolog", The MIT Press, 1994.
* Tony Gaddis , Ξεκινώντας με την Python, Εκδόσεις DaVinci, 2020, (Κωδικός Βιβλίου στον Εύδοξο: 94691810) 
* J. W. Lloyd, "Foundations of Logic Programming", Springer Verlag, 1993
* 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.
</div>
</div>


</div>
</div>

Τελευταία αναθεώρηση της 17:05, 16 Σεπτεμβρίου 2025


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
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 Παράδοσης Εβδομαδιαίες διαλέξεις στην τάξη
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).
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:

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

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

Delivery

Face to face

Use of Information and Communications Technology Yes
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.
Ανακτήθηκε από «https://outlines.math.uoi.gr/index.php?title=Undergraduate_Elective_1071&oldid=118»