Μάθημα

  1. Αρχική /
  2. Συστήματα Επιχειρηματικής Ευφυΐας
, ,

Συστήματα Επιχειρηματικής Ευφυΐας

Διδακτικό Προσωπικό Μαλιάππης Μιχαήλ Λαγογιάννης Γεώργιος
Διάρκεια 13 Εβδομ.
Τοποθεσία Αίθ. Εργαστηρίου
Πτυχίο Όχι
Ενότητες 0
Χαρακτηριστικά Μαθήματος
Μάθημα Επιλογής
Διδακτικές Μονάδες : 5
Τμήμα : Αγροτικής Οικονομίας & Ανάπτυξης
Ώρες Θεωρίας : 3
Ώρες Εργαστηρίου : 2
Χειμερινό Εξάμηνο
Διδακτικό Προσωπικό
Μαλιάππης Μιχαήλ
Εργαστηριακό Διδακτικό Προσωπικό (Ε.ΔΙ.Π.)
Τομείς επιστημονικού ενδιαφέροντος: Ανάλυση συστημάτων, σχεδιασμός και ανάπτυξη συστημάτων βάσεων δεδομένων, πληροφοριακά συστήματα και πληροφοριακά συστήματα διαχείρισης γνώσης, μορφές αναπαράστασης γνώσης και ανάπτυξη διαδικτυακών εφαρμογών.
Λαγογιάννης Γεώργιος
Επίκουρος Καθηγητής
Τα ερευνητικά του ενδιαφέροντα εστιάζονται σε προβλήματα δυναμικών γράφων, προβλήματα βελτιστοποίησης ερωτημάτων σε Βάσεις Δεδομένων, δομές δεδομένων με sublinear χώρο, καθώς και σε άλλα θεωρητικά προβλήματα της περιοχής των αλγορίθμων και δομών δεδομένων.
Περιγραφή Μαθήματος

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

  • Θα έχουν κατανοήσει την έννοια και τα χαρακτηριστικά ενός ευφυούς συστήματος,
  • Θα έχουν κατανοήσει την έννοια της εκπαίδευσης ενός ευφυούς συστήματος,
  • Θα κατανοούν και θα αναγνωρίζουν τις διαφορές ανάμεσα στις Βάσεις Δεδομένων και στις Αποθήκες Δεδομένων και θα μπορούν να δημιουργούν Αποθήκες Δεδομένων χρησιμοποιώντας τα βήματα της ETL (extract, transform and load) διαδικασίας.
  • Θα μπορούν να διαγνώσουν τυχόν προβλήματα που προέκυψαν από την ενοποίηση, τον μετασχηματισμό και την ολοκλήρωση των δεδομένων.
  • Θα μπορούν να δημιουργούν καλά δομημένους πίνακες διαστάσεων (dimension tables) και πίνακες συμβάντων (fact tables) και θα μπορούν να τα χρησιμοποιούν ώστε να δημιουργήσουν αστεροειδή σχήματα (star schemata) και σχήματα χιονονιφάδας (snowflake schemata).
  • Θα μπορούν να διακρίνουν την καταλληλότερη μέθοδο για την εξαγωγή γνώσης μέσα από ένα μεγάλο πλήθος δεδομένων,
  • Θα αποκτήσουν την δεξιότητα να χρησιμοποιούν έτοιμα εργαλεία για εξόρυξη γνώσης
  • Θα μπορούν να συνδυάζουν αποτελέσματα από κατηγοριοποίηση (classification), ομαδοποίηση (clustering) και κανόνες συσχέτισης (association rules) και να καταλήγουν σε παραγωγή νέας γνώσης.

Course Layout  (EN)

Περίγραμμα μαθήματος