Καθηγητές Μαθήματος
Περίγραμμα
| ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ | Ειδικού Υποβάθρου | ||
| ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ: | |||
| ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ: | ΕΛΛΗΝΙΚΑ & ΑΓΓΛΙΚΑ | ||
| ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS | ΝΑΙ | ||
| ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) | https://bme.uniwa.gr/course/data-science-in-medicine-and-biology/ | ||
| (2) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ | |||
| Μαθησιακά Αποτελέσματα Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος. |
|||
| Μετά το τέλος του μαθήματος οι φοιτητές θα είναι σε θέση να κατανοούν και να υλοποιούν τις σύγχρονες μεθόδους λογισμικού που χρησιμοποιούνται στην εύρεση, διαχείριση, ανάλυση και εξαγωγή γνώσης από δεδομένα που προκύπτουν στην ιατρική και τη βιολογία. | |||
| Γενικές Ικανότητες Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;. |
|||
| • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών • Προσαρμογή σε νέες καταστάσεις • Λήψη αποφάσεων • Αυτόνομη εργασία • Ομαδική εργασία • Εργασία σε διεθνές περιβάλλον • Εργασία σε διεπιστημονικό περιβάλλον |
|||
| (3) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ | |||
| • Εισαγωγή: τι είναι η Επιστήμη Δεδομένων στην Ιατρική και στην Βιολογία, γιατί την χρειαζόμαστε, και η σχέση της με άλλα παρόμοια επιστημονικά πεδία, όπως η Στατιστική, η Μηχανική Μάθηση. • Αλληλεπίδραση με υπάρχουσες βάσεις βιολογικών και ιατρικών δεδομένων • Προετοιμασία, διόρθωση, και μετασχηματισμός δεδομένων. • Εύρεση Γνώσης από δεδομένα με μεθόδους Στατιστικής, Εξόρυξης Δεδομένων (Data mining), Εξόρυξης Κειμένου (Text mining), Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing). • Στατιστικά μοντέλα και αλγορίθμους Μηχανικής Μάθησης • Διαχείριση Μεγάλων Δεδομένων • Εφαρμογές της Επιστήμης Δεδομένων στην Ιατρική και στην Βιολογία. |
|||
| (4) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ | |||
| ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ. |
Πρόσωπο με πρόσωπο στην πανεπιστημιακή αίθουσα. | ||
| ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές |
Ηλεκτρονικές Παρουσιάσεις στη Διδασκαλία. Χρήση της ηλεκτρονικής πλατφόρμας eClass του Τμήματος στη Διδασκαλία και στην Επικοινωνία με τους φοιτητές. |
||
| ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ | Δραστηριότητα | Φόρτος Εργασίας Εξαμήνου | |
| Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS |
Διαλέξεις (2×13) | 26 | |
| Αυτοτελής μελέτη | 94 | ||
| Σύνολο Μαθήματος | 120 | ||
| ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές. |
Γλώσσα αξιολόγησης: Ελληνικά. Μέθοδος αξιολόγησης: Θεωρία (100%): Τελική αξιολόγηση με ερωτήσεις σύντομης απάντησης και επίλυση προβλημάτων. |
||
| (5) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ | |||
| 1. Grus Joel, Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2020, Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ Ι.Κ.Ε., κωδικός βιβλίου στον Εύδοξο: 94690736 2. G. Phillips-Wren, A. Esposito, L.C. Jain., Advances in Data Science: Methodologies and Applications, 2021 3. V.E.Balas:Handbook of Data Science Approaches for Biomedical Engineering, 2019 4. S. Q. Ye, Big data analysis for bioinformatics and biomedical discoveries, 2016 5. Z. He: Data mining for bioinformatics applications, 2015 6. Holzinger, Biomedical Informatics_ Discovering Knowledge in Big Data, 2014 7. S. Dua and P Chowriappa: Data Mining for Bioinformatics, 2013 8. W. McKinney: Python for Data Analysis, 2013 |
|||