Περιγραφή Μαθήματος

Σκοπός του μαθήματος είναι η κατανόηση και η εφαρμογή σύγχρονων μεθόδων ανάλυσης δεδομένων για την υποστήριξη επιχειρηματικών αποφάσεων. Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να εφαρμόζουν τεχνικές προεπεξεργασίας και διαχείρισης δεδομένων, να δημιουργούν αποτελεσματικές οπτικοποιήσεις με Power BI και R, να πραγματοποιούν περιγραφική και διερευνητική ανάλυση, να αναπτύσσουν προβλεπτικά μοντέλα παλινδρόμησης και μη επιβλεπόμενης μάθησης, να εφαρμόζουν βασικές τεχνικές τεχνητής νοημοσύνης, ανάλυσης κειμένου και ανάλυσης δικτύων με Python και, τέλος, να συντάσσουν επαγγελματικές αναφορές και να λαμβάνουν τεκμηριωμένες αποφάσεις βασισμένες σε δεδομένα. Εξετάζεται επίσης ο ρόλος των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models – LLMs) στη σύγχρονη Ανάλυση Δεδομένων.

Μαθησιακά Αποτελέσματα

Μετά από επιτυχή ολοκλήρωση, οι φοιτητές θα είναι σε θέση να:

Διατύπωση και εκτίμηση μοντέλων γραμμικής παλινδρόμησης που ενσωματώνουν τόσο ποιοτικές όσο και ποσοτικές μεταβλητές, και ερμηνεία των εκτιμώμενων συντελεστών σε εφαρμοσμένα οικονομικά και χρηματοοικονομικά πλαίσια.
Εφαρμογή σύγχρονων προσεγγίσεων για την επιλογή και εκτίμηση μοντέλων, συμπεριλαμβανομένων μεθόδων κανονικοποίησης (regularization), τεχνικών επαναδειγματοληψίας (resampling) και εκτιμητών συρρίκνωσης (shrinkage estimators), για την αντιμετώπιση ζητημάτων υπερπροσαρμογής (overfitting) και πολυσυγγραμμικότητας (multicollinearity) στην ανάλυση παλινδρόμησης.
Χρήση κατάλληλων γλωσσών προγραμματισμού για την εκτέλεση στατιστικής εκτίμησης, διαχείρισης δεδομένων και οπτικοποίησης, με την παραγωγή καθαρών και αναπαραγώγιμων αναλυτικών ροών εργασίας για πραγματικά σύνολα δεδομένων.
Ενασχόληση με δημοσιευμένη εμπειρική έρευνα μέσω της αναπαραγωγής βασικών ευρημάτων, της κριτικής αξιολόγησης των μεθοδολογικών επιλογών και της αποτίμησης της εγκυρότητας και της γενικευσιμότητας των αναφερόμενων αποτελεσμάτων.
Υλοποίηση εργασιών Ανάλυσης Δεδομένων μέσω Μεγάλων Γλωσσικών Μοντέλων (LLMs) για τη λήψη αποφάσεων.

Περίγραμμα Μαθήματος

12 θεματικές ενότητες ανά το εξάμηνο.

Το ενδεικτικό περίγραμμα του μαθήματος έχει ως εξής:

Εισαγωγή στην Ανάλυση Δεδομένων: Τύποι ανάλυσης δεδομένων, Εισαγωγή στα εργαλεία Ανάλυσης Δεδομένων: PowerBI, R και Python, Μελέτη Περίπτωσης: Ιεράρχηση Περιοχών Ελέγχου βάσει Κινδύνου (risk-based auditing).

Διαχείριση Δεδομένων και Δειγματοληψία: Τύποι Δεδομένων, Τεχνικές Δειγματοληψίας, Διαχείριση Μεγάλης Κλίμακας Δεδομένων (Big Data), Μελέτη Περίπτωσης: Ανάλυση Ιστορικών Χρηματοοικονομικών Δεδομένων για τον Εντοπισμό Ασυνήθιστων Μεταβολών, Μελέτη Περίπτωσης: Στατιστική Δειγματοληψία Συναλλαγών για τον Έλεγχο Τιμολογίων, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού R.

Προεπεξεργασία Δεδομένων και Μεγάλα Δεδομένα: Ζητήματα Δεδομένων: Ακραίες Τιμές (Outliers), Ελλείποντα Δεδομένα, Εντοπισμός Προβληματικών Δεδομένων, Ειδικά Θέματα Προεπεξεργασίας Μεγάλων Δεδομένων, Μελέτη Περίπτωσης: Ανάλυση Ιστορικών Χρηματοοικονομικών Δεδομένων για τον Εντοπισμό Ασυνήθιστων Μεταβολών, Μελέτη Περίπτωσης: Εντοπισμός Ελλειπουσών Πληροφοριών σε Έγγραφα, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού R.

Οπτικοποίηση και Περιγραφική Στατιστική: Αρχές Αποτελεσματικής Οπτικοποίησης, Τύποι Γραφημάτων και η Χρήση τους, Περιγραφικά Μέτρα, Κατανομές Δεδομένων, Storytelling και Περιγραφική Στατιστική, Μελέτη Περίπτωσης: Πίνακες Ελεγκτικών Δεικτών (Audit Dashboards) για Βασικούς Ελεγκτικούς Δείκτες (Key Audit Indicators - KAIs), εφαρμογές στο PowerBI.

Διερευνητική Ανάλυση και Ανάλυση Συσχέτισης: Διερευνητική Ανάλυση Δεδομένων (Exploratory Data Analysis - EDA), Συσχέτιση και Αιτιότητα, Συντελεστές Συσχέτισης (Pearson, Spearman), Πίνακες Συσχέτισης και Heatmaps, Έλεγχος Χ-τετράγωνο (Chi-square) για Κατηγορικές Μεταβλητές, Μελέτη Περίπτωσης: Έλεγχος της Σχέσης μεταξύ Πωλήσεων και Απαιτήσεων, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού R.

Ομαδοποίηση και Μη Επιβλεπόμενη Μάθηση: Επιβλεπόμενη και Μη Επιβλεπόμενη Μάθηση, Αλγόριθμος Ομαδοποίησης K-means, Ιεραρχική Ομαδοποίηση, DBSCAN για Μη Σφαιρικές Ομάδες, Μελέτη Περίπτωσης: Κατηγοριοποίηση Προμηθευτών Βάσει Συναλλακτικής Συμπεριφοράς, εφαρμογές στη γλώσσα προγραμματισμού Python.

Ανάλυση Παλινδρόμησης: Απλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δεδομένων Πάνελ (Panel Data), Ζητήματα Χρήσης της Παλινδρόμησης, Μελέτη Περίπτωσης: Εκτίμηση Αναμενόμενων Εξόδων Βάσει Ιστορικών Δεδομένων, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού R.

Τεχνητή Νοημοσύνη και Μηχανική Μάθηση Ι: Εισαγωγή στην Τεχνητή Νοημοσύνη, Επιβλεπόμενη και Μη Επιβλεπόμενη Μάθηση, Εφαρμογές Νευρωνικών Δικτύων, Μελέτη Περίπτωσης: Πρόβλεψη Πιθανότητας Απάτης σε Συναλλαγές, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού Python.

Τεχνητή Νοημοσύνη και Μηχανική Μάθηση ΙΙ: Τεχνικές Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing - NLP), Τεχνολογία Transformer, Μεγάλα Γλωσσικά Μοντέλα (Large Language Models - LLMs), Επεξεργασία μη δομημένων δεδομένων, Retrieval Augmented Generation (RAG), Διακομιστές Model Context Protocol (MCP), Agentic AI και μηχανισμοί επικύρωσης, Μελέτη Περίπτωσης: Εντοπισμός Λέξεων-Κλειδιών σε Εταιρικές Αναφορές που Υποδηλώνουν Κίνδυνο, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού Python.

Ανάλυση Δικτύων: Βασικές Έννοιες της Θεωρίας Γραφημάτων, Τύποι Δικτύων, Μετρικές Ανάλυσης Δικτύων, Μελέτη Περίπτωσης: Ανάλυση Σχέσεων μεταξύ Προμηθευτριών Εταιρειών και Στελεχών, πρακτικές εφαρμογές στη γλώσσα προγραμματισμού R.

Σύνταξη Αναλυτικών Αναφορών και Λήψη Αποφάσεων: Δομή μιας Επαγγελματικής Αναφοράς, Εκτελεστική Περίληψη (Executive Summary), Παρουσίαση Αποτελεσμάτων σε Διαφορετικές Ομάδες Ενδιαφερομένων (Stakeholders), Οπτικοποίηση Δεδομένων στις Αναφορές, Μελέτη Περίπτωσης: Παρουσίαση Ευρημάτων στη Διοίκηση και στην Επιτροπή Ελέγχου, εφαρμογές στο PowerBI.

Αξιολόγηση

Περιγραφή της διαδικασίας αξιολόγησης

Γλώσσα Αξιολόγησης, Μέθοδοι Αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίου, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση/Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλο/Άλλη

Αναφέρονται ρητώς προσδιορισμένα κριτήρια αξιολόγησης καθώς και εάν και πού είναι προσβάσιμα από τους φοιτητές.

Η γλώσσα αξιολόγησης του μαθήματος είναι η αγγλική και οι φοιτητές αναμένεται να επιδείξουν το απαιτούμενο επίπεδο επάρκειας.

Η αξιολόγηση του μαθήματος αποτελείται από:

Ενδιάμεση Εξέταση (40%, επίλυση προβλημάτων)

Εργασία Μαθήματος (10%, αναφορά)

Τελική εξέταση (50%, επίλυση προβλημάτων)

Τα κριτήρια αξιολόγησης στις διάφορες μορφές αξιολόγησης περιλαμβάνουν τα ακόλουθα:

Επίδειξη βασικών γνώσεων σχετικών με το περιεχόμενο του μαθήματος

Επίδειξη της ικανότητας εφαρμογής των γνώσεων σε ένα δεδομένο πρόβλημα ή μελέτη περίπτωσης

Κριτική ικανότητα που αποδεικνύεται μέσω της εφαρμογής κατάλληλων μεθόδων/γνώσεων σε δεδομένη περίπτωση ή/και της ανάπτυξης επιχειρημάτων βασισμένων στη θεωρία και τη βιβλιογραφία.

Δομή και παρουσίαση

Χρήση της αγγλικής γλώσσας

Πιο λεπτομερή κριτήρια αξιολόγησης θα σας παρασχεθούν στον οδηγό μαθήματος ή θα αναρτηθούν στην ιστοσελίδα του μαθήματος, εφόσον κριθεί απαραίτητο.

Προτεινόμενη Βιβλιογραφία

Camm, J.D., Cochran, J.J. Fry, M.J., Ohlmann, J.W. and Anderson, D.R. (2022), Business Analytics, Cengage Learning.
Clarke, E. (2022), Everything Data Analytics-A Beginner's Guide to Data Literacy: Understanding the Processes That Turn Data Into Insights, Kenneth Michael Fornari.
Kelly, N. (2021), Delivering Data Analytics: A Step-By-Step Guide to Driving Adoption of Business Intelligence from Planning to Launch, Kogan Page.
Levine, D. and Stephan, D. (2022), Even You Can Learn Statistics and Analytics: An Easy to Understand Guide, Addison-Wesley Professional.
Provost, F. and Fawcett, T. (2013), Data Science for Business, O’Reilly Media, Inc.
Άλλες πηγές της βιβλιοθήκης, συμπεριλαμβανομένων άρθρων περιοδικών προσβάσιμων μέσω της Βιβλιοθήκης, όπως θα ορίζονται από τον διδάσκοντα.

Ανάλυση Δεδομένων

Μετά από επιτυχή ολοκλήρωση, οι φοιτητές θα είναι σε θέση να:

12 θεματικές ενότητες ανά το εξάμηνο.

Continue your path through the MSc.