το άρθρο ενημερώθηκε στις 28.09.2026
Σε ποιον ταιριάζει το ΔΠΜΣ Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση;
Το ΔΠΜΣ «Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση» απευθύνεται σε πτυχιούχους πληροφορικής, μαθηματικών, στατιστικής, μηχανικών, θετικών επιστημών και συναφών ειδικοτήτων που επιθυμούν να εμβαθύνουν θεωρητικά και εφαρμοσμένα στην ανάλυση δεδομένων, τη στατιστική μάθηση και τη μηχανική μάθηση. Το πρόγραμμα συνδυάζει ισχυρό μαθηματικό και υπολογιστικό υπόβαθρο με σύγχρονες μεθόδους μοντελοποίησης, πρόβλεψης και εξαγωγής γνώσης από δεδομένα.
Ταιριάζει ιδιαίτερα σε όσους:
ενδιαφέρονται για την ανάλυση δεδομένων, τη στατιστική και τη μηχανική μάθηση,
επιδιώκουν να κατανοήσουν σε βάθος αλγορίθμους, μοντέλα και μεθόδους εξόρυξης γνώσης,
διαθέτουν βασικό υπόβαθρο σε μαθηματικά, στατιστική, προγραμματισμό ή υπολογιστικές μεθόδους,
θέλουν να αναπτύξουν δεξιότητες ανάλυσης, μοντελοποίησης και ερμηνείας σύνθετων δεδομένων,
έχουν διάθεση να εργαστούν σε απαιτητικά αναλυτικά, τεχνολογικά ή ερευνητικά περιβάλλοντα,
στοχεύουν σε ρόλους όπως data analyst, data scientist, μηχανικός μηχανικής μάθησης ή ερευνητής,
διαθέτουν ενδιαφέρον για εφαρμογές δεδομένων σε επιστήμη, τεχνολογία και λήψη αποφάσεων.
Το ΔΠΜΣ αποτελεί κατάλληλη επιλογή για όσους επιθυμούν ισχυρή εξειδίκευση στη στατιστική και μηχανική μάθηση, με σαφή προσανατολισμό στις σύγχρονες ανάγκες της επιστήμης δεδομένων και της αγοράς εργασίας.
Συνεργαζόμενα τμήματα
Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών του Πανεπιστημίου Κρήτης
Τμήμα Επιστήμης Υπολογιστών του Πανεπιστημίου Κρήτης
Ινστιτούτα Υπολογιστικών Μαθηματικών (ΙΥΜ), Πληροφορικής (ΙΠ) του Ιδρύματος Τεχνολογίας και Έρευνας (ΙΤΕ)
ΔΠΜΣ: «Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση»
(Data Analysis and Machine – Statistical Learning)
Έδρα:
Διεύθυνση – Πόλη διεξαγωγής: Πανεπιστημιούπολη Βουτών, 70013 Ηράκλειο Κρήτης
Τηλέφωνα: 2810) 39-3751 ή 39-3752 Email: info@math.uoc.gr
Γνωστικό Αντικείμενο – Σκοπός :
Τα Τμήματα Μαθηματικών και Εφαρμοσμένων Μαθηματικών, Επιστήμης Υπολογιστών του Πανεπιστημίου Κρήτης και τα Ινστιτούτα Υπολογιστικών Μαθηματικών (ΙΥΜ), Πληροφορικής (ΙΠ) του Ιδρύματος Τεχνολογίας και Έρευνας (ΙΤΕ) οργανώνουν και λειτουργούν το Διιδρυματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση/Data Analysis and Machine – Statistical Learning» (εφεξής ΠΜΣ), το οποίο διέπεται από τον παρόντα κανονισμό και τις διατάξεις του ν. 4485/2017. Η διάρκεια του προγράμματος είναι 5έτης από την εγκριτική υπουργική απόφαση με την επιφύλαξη της παρ. 8 του άρθρου 32 του ν. 4485/2017.
Σκοπός του Προγράμματος είναι η ειδίκευση στην διεπιστημονική περιοχή της Ανάλυσης Δεδομένων με έμφαση στην Μηχανική Μάθηση και σχετικές Στατιστικές Μεθόδους. Τη διοικητική υποστήριξη του Προγράμματος αναλαμβάνει το Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών του Πανεπιστημίου Κρήτης. Ειδικότερα θέματα οργάνωσης και λειτουργίας του Π.Μ.Σ. προσδιορίζονται στο Ειδικό Πρωτόκολλο Συνεργασίας, τις διατάξεις της εγκριτικής υπουργικής απόφασης όπως κάθε φορά ισχύει.
Το ΔΠΜΣ Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση (Data Analysis and Machine Learning) είναι ένα διεπιστημονικό πρόγραμμα με σκοπό την παροχή βασικών επιστημονικών και τεχνολογικών γνώσεων, πρακτικής εξάσκησης και μεταφοράς εξειδικευμένων δεξιοτήτων σε πτυχιούχους που θέλουν να εργαστούν στη ανάλυση δεδομένων και στατιστική- μηχανική μάθηση στον ιδιωτικό ή δημόσιο ή σε αντίστοιχους ακαδημαϊκούς χώρους.
Τίτλος Σπουδών:
Το ΔΠΜΣ απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (ΔΜΣ) στην «Ανάλυση Δεδομένων και Μηχανική – Στατιστική Μάθηση/Data Analysis and Machine – Statistical Learning».
Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών
Το Διιδρυματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Ανάλυση Δεδομένων και Μηχανική-Στατιστική Μάθηση / Data Analysis and Machine-Statistical Learning» του Πανεπιστημίου Κρήτης και του Ιδρύματος Τεχνολογίας και Έρευνας είναι ένα διεπιστημονικό πρόγραμμα που συνδέει τη στατιστική, τα μαθηματικά, την επιστήμη υπολογιστών και τις υπολογιστικές μεθόδους με τη σύγχρονη Ανάλυση Δεδομένων και τη Μηχανική Μάθηση. Το πρόγραμμα παρέχει ισχυρό υπόβαθρο στην Επιστήμη Δεδομένων, τη Μηχανική Μάθηση και τη Μαθηματική και Υπολογιστική Στατιστική και επιτρέπει περαιτέρω εμβάθυνση, μέσω μαθημάτων επιλογής και της υποχρεωτικής μεταπτυχιακής εργασίας, σε πεδία όπως βαθιά μάθηση, βελτιστοποίηση, μηχανική όραση, ανάλυση σήματος, αριθμητική ανάλυση, αλγόριθμοι, ανάκτηση πληροφορίας, επιστημονικό λογισμικό, μοντελοποίηση, ανάλυση μεγάλου όγκου δεδομένων, χρονοσειρές, Bayesian στατιστική και σύγχρονες μεθόδους Τεχνητής Νοημοσύνης. Η διεπιστημονική του φυσιογνωμία προετοιμάζει τους αποφοίτους για προηγμένη ανάλυση και αξιοποίηση δεδομένων, ανάπτυξη στατιστικών και μαθησιακών μοντέλων, εφαρμοσμένη έρευνα και εξειδικευμένους ρόλους στον δημόσιο και ιδιωτικό τομέα ή στον ακαδημαϊκό χώρο.
Με την επιτυχή ολοκλήρωση του Προγράμματος Σπουδών, ο απόφοιτος ή η απόφοιτη είναι σε θέση:
Επιστημονικό πεδίο UNESCO ISCED-F: Διεπιστημονικά προγράμματα και προσόντα που αφορούν τις Τεχνολογίες Πληροφορίας και Επικοινωνιών
Γνώσεις
- να κατέχει προχωρημένη και διεπιστημονική γνώση των θεμελιωδών αρχών της Ανάλυσης Δεδομένων, της Μηχανικής Μάθησης και της Στατιστικής Μάθησης,
- να ερμηνεύει τις μαθηματικές και υπολογιστικές αρχές της στατιστικής συμπερασματολογίας, της εκτίμησης και του ελέγχου υποθέσεων,
- να αναλύει τις αρχές πιθανοτικών και στατιστικών μοντέλων και τη χρήση τους για την περιγραφή αβεβαιότητας και μεταβλητότητας στα δεδομένα,
- να κατέχει προχωρημένη γνώση εποπτευόμενων και μη εποπτευόμενων μεθόδων Μηχανικής Μάθησης και των θεωρητικών προϋποθέσεων εφαρμογής τους,
- να ερμηνεύει τις αρχές της βαθιάς μάθησης, των νευρωνικών δικτύων και των σύγχρονων υπολογιστικών αρχιτεκτονικών μάθησης,
- να αναλύει τις αρχές της βελτιστοποίησης που διέπουν την εκπαίδευση στατιστικών και υπολογιστικών μοντέλων,
- να συσχετίζει αριθμητικές μεθόδους, γραμμική άλγεβρα, αριθμητική ανάλυση και υπολογιστικούς αλγορίθμους με προβλήματα επιστήμης δεδομένων,
- να ερμηνεύει τις αρχές σχεδίασης και ανάλυσης αλγορίθμων και τη σημασία της υπολογιστικής πολυπλοκότητας για την επεξεργασία δεδομένων μεγάλης κλίμακας,
- να αναλύει μεθόδους ανάκτησης πληροφορίας, αναπαράστασης γνώσης και αυτοματοποιημένου συλλογισμού σε σύνθετα πληροφοριακά περιβάλλοντα,
- να κατέχει εξειδικευμένη γνώση μεθόδων ανάλυσης χρονοσειρών, στατιστικής μοντελοποίησης και Bayesian στατιστικής,
- να ερμηνεύει τις αρχές ανάλυσης σήματος, εικόνας και μηχανικής όρασης και τη σύνδεσή τους με τεχνικές στατιστικής και μηχανικής μάθησης,
- να αναλύει μεθόδους Big Data Analytics, μείωσης διαστάσεων, ομαδοποίησης, ταξινόμησης και εξαγωγής προτύπων από σύνθετα δεδομένα,
- να συσχετίζει τεχνικές μοντελοποίησης, αριθμητικής επίλυσης και επιστημονικών υπολογισμών με εφαρμογές στις φυσικές και εφαρμοσμένες επιστήμες,
- να αναγνωρίζει τις αρχές ανάπτυξης επιστημονικού λογισμικού, αναπαραγώγιμων υπολογιστικών ροών και αξιόπιστης υλοποίησης αλγορίθμων ανάλυσης δεδομένων,
- να αξιολογεί τις παραδοχές, τους περιορισμούς, τις πηγές αβεβαιότητας και τις συνθήκες εγκυρότητας διαφορετικών στατιστικών και υπολογιστικών μεθόδων,
- να αξιολογεί κριτικά τη σύγχρονη διεθνή βιβλιογραφία και τις ερευνητικές εξελίξεις στην Ανάλυση Δεδομένων, τη Μηχανική Μάθηση και τη Στατιστική Μάθηση.
Δεξιότητες
- να διατυπώνει πραγματικά ή ερευνητικά προβλήματα ως σαφώς ορισμένες εργασίες ανάλυσης δεδομένων, πρόβλεψης, ταξινόμησης, παλινδρόμησης ή ανακάλυψης προτύπων,
- να συλλέγει, να καθαρίζει, να μετασχηματίζει και να οργανώνει δεδομένα κατάλληλα για στατιστική και υπολογιστική ανάλυση,
- να πραγματοποιεί διερευνητική ανάλυση δεδομένων και να χρησιμοποιεί κατάλληλες στατιστικές και γραφικές μεθόδους για την κατανόηση δομών και σχέσεων,
- να επιλέγει και να εφαρμόζει κατάλληλα στατιστικά μοντέλα με βάση τη φύση των δεδομένων, το ερευνητικό ερώτημα και τις υποθέσεις της μεθόδου,
- να αναπτύσσει και να εκπαιδεύει μοντέλα εποπτευόμενης Μηχανικής Μάθησης για προβλήματα πρόβλεψης και ταξινόμησης,
- να εφαρμόζει μεθόδους μη εποπτευόμενης μάθησης για ομαδοποίηση, μείωση διαστάσεων, ανακάλυψη λανθανουσών δομών και εξερεύνηση δεδομένων,
- να αναπτύσσει και να αξιολογεί μοντέλα βαθιάς μάθησης επιλέγοντας κατάλληλες αρχιτεκτονικές, συναρτήσεις απώλειας και διαδικασίες εκπαίδευσης,
- να εφαρμόζει τεχνικές βελτιστοποίησης για την εκτίμηση παραμέτρων και την αποτελεσματική εκπαίδευση στατιστικών και υπολογιστικών μοντέλων,
- να χρησιμοποιεί αριθμητικούς αλγορίθμους για γραμμικά συστήματα, προβλήματα ελαχίστων τετραγώνων, αποσυνθέσεις πινάκων και άλλα προβλήματα επιστημονικών υπολογισμών,
- να σχεδιάζει και να υλοποιεί αλγορίθμους με κατάλληλες δομές δεδομένων και να αξιολογεί την αποδοτικότητα και την κλιμάκωσή τους,
- να εφαρμόζει μεθόδους Bayesian στατιστικής και υπολογιστικής συμπερασματολογίας για την εκτίμηση μοντέλων και την ποσοτικοποίηση της αβεβαιότητας,
- να αναλύει χρονοσειρές και να κατασκευάζει μοντέλα για περιγραφή, πρόβλεψη και εντοπισμό δυναμικών προτύπων,
- να επεξεργάζεται σήματα και εικόνες και να εφαρμόζει τεχνικές εξαγωγής χαρακτηριστικών, ταξινόμησης και μηχανικής όρασης,
- να εφαρμόζει μεθόδους ανάκτησης πληροφορίας και αναπαράστασης γνώσης σε προβλήματα αναζήτησης, συλλογισμού και αξιοποίησης σύνθετων πληροφοριών,
- να αναπτύσσει υπολογιστικές ροές για την ανάλυση μεγάλου όγκου δεδομένων και να αξιολογεί ζητήματα κλιμάκωσης και υπολογιστικού κόστους,
- να χρησιμοποιεί σύγχρονες γλώσσες προγραμματισμού και επιστημονικές βιβλιοθήκες για την αξιόπιστη υλοποίηση αλγορίθμων και μοντέλων,
- να αναπτύσσει επιστημονικό λογισμικό με οργανωμένο, τεκμηριωμένο και αναπαραγώγιμο τρόπο,
- να σχεδιάζει διαδικασίες εκπαίδευσης, επικύρωσης και ελέγχου μοντέλων αποφεύγοντας διαρροή δεδομένων, υπερπροσαρμογή και μεροληπτικές συγκρίσεις,
- να επιλέγει κατάλληλες μετρικές απόδοσης και να συγκρίνει μοντέλα με στατισικά και υπολογιστικά τεκμηριωμένο τρόπο,
- να πραγματοποιεί συστηματική βιβλιογραφική αναζήτηση και κριτική σύνθεση ερευνητικών εργασιών σε θέματα δεδομένων και μάθησης,
- να διατυπώνει ελέγξιμα ερευνητικά ερωτήματα και να σχεδιάζει πειράματα ή υπολογιστικές μελέτες για τη διερεύνησή τους,
- να ερμηνεύει τα αποτελέσματα στατιστικών και μαθησιακών μοντέλων και να διακρίνει την προβλεπτική επίδοση από την αιτιώδη ή επιστημονική ερμηνεία,
- να παρουσιάζει σύνθετα δεδομένα, μεθόδους και αποτελέσματα με σαφή οπτικοποίηση και επιστημονικά τεκμηριωμένο γραπτό ή προφορικό λόγο,
- να εκπονεί αυτοδύναμο Master Project που συνδυάζει κατάλληλη μεθοδολογία, υπολογιστική υλοποίηση, αξιολόγηση και κριτική ερμηνεία αποτελεσμάτων.
Ικανότητες
- να συνθέτει μαθηματική, στατιστική και υπολογιστική γνώση για την αυτόνομη αντιμετώπιση σύνθετων προβλημάτων Ανάλυσης Δεδομένων και Μηχανικής Μάθησης,
- να επιλέγει τεκμηριωμένα μεταξύ εναλλακτικών μοντέλων και μεθόδων με βάση τα δεδομένα, τις παραδοχές, τους στόχους και τους διαθέσιμους υπολογιστικούς πόρους,
- να αξιολογεί κριτικά την εγκυρότητα, την αξιοπιστία, τη γενικευσιμότητα και την αναπαραγωγιμότητα αποτελεσμάτων που προκύπτουν από δεδομένα,
- να αναγνωρίζει πηγές αβεβαιότητας, σφάλματος, μεροληψίας και υπερπροσαρμογής και να τις λαμβάνει υπόψη κατά την εξαγωγή συμπερασμάτων,
- να διακρίνει τεκμηριωμένες συσχετίσεις και προβλέψεις από ισχυρισμούς που δεν υποστηρίζονται επαρκώς από τα διαθέσιμα δεδομένα,
- να ενεργεί σύμφωνα με τις αρχές της ερευνητικής δεοντολογίας, της ακαδημαϊκής ακεραιότητας και της υπεύθυνης διαχείρισης δεδομένων και κώδικα,
- να αξιολογεί ζητήματα ιδιωτικότητας, δικαιοσύνης, διαφάνειας και λογοδοσίας κατά την ανάπτυξη και χρήση συστημάτων που βασίζονται σε δεδομένα και αλγορίθμους μάθησης,
- να αναλαμβάνει ευθύνη για τον σχεδιασμό, την οργάνωση και την ολοκλήρωση σύνθετου έργου ανάλυσης δεδομένων ή ερευνητικού project,
- να συνεργάζεται αποτελεσματικά σε διεπιστημονικές ομάδες μαθηματικών, στατιστικών, επιστημόνων υπολογιστών, μηχανικών και ειδικών του εκάστοτε πεδίου εφαρμογής,
- να επικοινωνεί με σαφήνεια τα αποτελέσματα μιας ανάλυσης, συμπεριλαμβανομένων των περιορισμών και της αβεβαιότητάς της, σε επιστημονικό ή επαγγελματικό ακροατήριο,
- να προσαρμόζει τη μεθοδολογική και υπολογιστική στρατηγική του όταν νέα δεδομένα ή αποτελέσματα απαιτούν αναθεώρηση του αρχικού μοντέλου,
- να μεταφέρει τεχνικές Ανάλυσης Δεδομένων και Μηχανικής Μάθησης σε νέα προβλήματα του δημόσιου και ιδιωτικού τομέα ή της επιστημονικής έρευνας,
- να αξιολογεί νέες μεθόδους και τεχνολογίες δεδομένων χωρίς άκριτη υιοθέτηση, με βάση επιστημονικά τεκμήρια και συγκριτική αξιολόγηση,
- να παράγει και να επικοινωνεί νέα ή συνθετική γνώση μέσω ανεξάρτητης εφαρμοσμένης ή ερευνητικής εργασίας στο πεδίο της Ανάλυσης Δεδομένων και της Μηχανικής-Στατιστικής Μάθησης,
- να συνεχίζει αυτοδύναμα την επιστημονική και επαγγελματική του ανάπτυξη και να προετοιμάζεται για διδακτορική έρευνα ή εξειδικευμένους ρόλους Data Science, Machine Learning και στατιστικής ανάλυσης.
Σημείωση τεκμηρίωσης:
Η παρουσίαση βασίζεται στον ισχύοντα Κανονισμό Σπουδών. Η επιλογή, η ομαδοποίηση και η διατύπωση των μαθησιακών αποτελεσμάτων αποτελούν συνθετική επεξεργασία του mysep, σύμφωνα με το Ελληνικό Πλαίσιο Προσόντων και τους περιγραφικούς δείκτες του Δουβλίνου.
Διάρκεια σπουδών :
Η χρονική διάρκεια για την απονομή του κατά το άρθρο 2 τίτλου ΜΔΕ ορίζεται έως 3 διδακτικά εξάμηνα.
Γλώσσα Διδασκαλίας: Αγγλική γλώσσα
Δίδακτρα:
Τα τέλη φοίτησης για το σύνολο του ΔΜΠΣ είναι
α) €1500 για τους τους προερχόμενους από χώρες του ΕΟΧ φοιτητές και
β) € 3000 για τους προερχόμενους από χώρες εκτός ΕΟΧ φοιτητές
Κατηγορίες και αριθμός εισακτέων:
Σύμφωνα με την παρ. 1 του άρθρου 34 του ν. 4485/2017 στο ΔΠΜΣ γίνονται δεκτοί πτυχιούχοι ΑΕΙ της ημεδαπής ή ομοταγών αναγνωρισμένων ιδρυμάτων της αλλοδαπής. Ο αριθμός εισακτέων ορίζεται κατά ανώτατο όριο σε 30. Στο ΔΠΜΣ γίνονται δεκτοί πτυχιούχοι ή τελειόφοιτοι Ανωτάτων Σχολών ή ομοταγών ιδρυμάτων της αλλοδαπής, οι οποίοι ενδιαφέρονται για απόκτηση Μεταπτυχιακού Διπλώματος Ειδίκευσης στο αντικείμενο του προγράμματος. Το ΔΠΜΣ απευθύνεται σε Έλληνες και αλλοδαπούς φοιτητές. Η γνώση της Ελληνικής Γλώσσας δεν απαιτείται για την επιτυχή παρακολούθηση του.
Ο αριθμός των εισακτέων φοιτητών δύναται να αλλάξει μετά από απόφαση της ΕΔΕπ. Η αξιολόγηση των αιτήσεων για εγγραφή στο Πρόγραμμα είναι ευθύνη της Επιτροπής Αξιολόγησης η οποία ορίζεται ανά έτος από την ΕΔΕπ. Συνεκτιμώνται: οι έως τότε επιδόσεις του υποψηφίου (βαθμολογία, μαθήματα, τυχόν εργασίες), οι συστατικές επιστολές, η γνώση της Αγγλικής γλώσσας, και όποια άλλα κριτήρια τυχόν ορίσει η Επιτροπής Αξιολόγησης, όπως π.χ. προσωπική συνέντευξη ή/και γραπτές εξετάσεις.
Στο ΔΠΜΣ γίνονται δεκτοί φοιτητές με αναπηρία ή/και ειδικές εκπαιδευτικές ανάγκες. Τα κτίρια των συμμετεχόντων φορέων είναι προσβάσιμα σε Άτομα με Ειδικές Ανάγκες και στις αίθουσες διδασκαλίας έχουν προβλεφθεί θέσεις κατάλληλες για αναπηρικά αμαξίδια
Διαδικασία επιλογής: –
Πρόγραμμα Σπουδών (Μαθήματα – ECΤS)
Για την απόκτηση ΜΔΕ ο φοιτητής πρέπει να συγκεντρώσει τουλάχιστον 90 ΠΜ (1 ΠΜ = 1 Μονάδα σύμφωνα με το Ευρωπαϊκό Σύστημα Πίστωσης Μονάδων/ECTS -European Credit Transfer and Accumulation System), εκ των οποίων, (α) τουλάχιστον 70 ΠΜ από την επιτυχή παρακολούθηση μαθημάτων, σειρών ειδικών διαλέξεων και αντίστοιχων εργασιών (β) 20 ΠΜ από την εκπόνηση μεταπτυχιακής εργασίας (Master project). Εκ των 70 ΠΜ οι οποίες αναφέρονται στο σημείο (α), 30 ΠΜ θα πρέπει να αντιστοιχούν στα βασικά μαθήματα κορμού (ΒΜΚ) 40 ΠΜ από τον κατάλογο μαθημάτων κατεύθυνσης (ΕΚ).
Ως γενικός κανόνας, κάθε βασικό μάθημα κορμού (ΒΜΚ) αντιστοιχεί σε 10 ΠΜ. Κάθε μάθημα κατεύθυνσης (ΕΚ) αντιστοιχεί σε 5 ΠΜ ή 10 ΠΜ. Το πολύ 10 ΠΜ μπορούν να πιστωθούν από επιλογή προχωρημένων προπτυχιακών μαθημάτων Τμημάτων της Σχολής Θετικών και Τεχνολογικών Επιστημών τα οποία καλύπτουν πιθανά κενά σε γνώσεις απαραίτητες για την παρακολούθηση του προγράμματος (Πιθανότητες, Αριθμητικοί Αλγόριθμοι, Δομές Δεδομένων).
Το παρακάτω είναι ενδεικτικό πρόγραμμα σπουδών:
Α’ εξάμηνο:
Υποχρεωτικά μαθήματα
Δομές Δεδομένων/Data Structures
Αριθμητικοί Αλγόριθμοι/Numerical algorithms
Μαθηματική και Υπολογιστική Στατιστική/Mathematical and Computational Statistics
Εισαγωγή στην Επιστήμη Δεδομένων/Introduction to Data Science
Β’ εξάμηνο:
Υποχρεωτικά μαθήματα
Εισαγωγή στην Μηχανική Μάθηση/Introduction to Machine Learning
2 μαθήματα κατεύθυνσης
Γ’ εξάμηνο:
Υποχρεωτικά μαθήματα
Μεταπτυχιακή εργασία/Master Project
1-2 μαθήματα κατεύθυνσης
Στον παρακάτω πίνακα παρατίθεται ενδεικτικός κατάλογος Μαθημάτων. Ο κατάλογος αυτός είναι δυνατόν να επεκταθεί με απόφαση της ΕΔΕπ. Δίνεται επίσης η δυνατότητα μέρος των μαθήματων του προγράμματος να πραγματοποιείται εξ αποστάσεως μετά από απόφαση της ΕΔΕπ.
Βασικά Μαθήματα Κορμού και Κατεύθυνσης
Εισαγωγή στην Επιστήμη Δεδομένων/Introduction to Data Science
Εισαγωγή στην Μηχανική Μάθηση/Introduction to Machine Learning
Μαθηματική και Υπολογιστική Στατιστική/Mathematical and Computational Statistics
Βαθιά Μηχανική Μάθηση – Deep Learning
Βελτιστοποίηση – Optimization
Μηχανική Όραση – Machine Vision
Ανάλυση Σήματος – Signal analysis
Αριθμητική Ανάλυση – Numerical Analysis
Αριθμητική Επίλυση ΔΕ – Numerical Approximation of DEs
Παραγωγή(Ανάκτηση) Πληροφορίας – Information Retrieval
Ανάπτυξη Επιστημονικού Λογισμικού – Development of Scientic Software
Γεωμετρική Σχεδίαση με ΗΥ – Computer Aided Geometric Design
Γεωμετρικοί Αλγόριθμοι – Geometric Algorithms
Θεωρία Αλγορίθμων – Design and Analysis of Algorithms
Θεωρία Πληροφορίας – Information Theory ΕΚ
Μοντελοποίηση στις Φυσικές Επιστήμες – Modeling in Physical Sciences
Αναλυτικές Μέθοδοι Μεγάλου Όγκου Δεδομένων – Big Data Analytics
Ανάλυση Χρονοσειρών – Time series analysis
Θέματα Στατιστικής – Topics in Statistics
Θέματα Επιστήμης Δεδομένων – Topics in Data Science
Θέματα Μηχανικής Μάθησης – Advanced Machine Learning
Τι άλλο πρέπει να ξέρω :
Χρήσιμα Έντυπα:
- Προκήρυξη – Πρόσκληση εκδήλωσης ενδιαφέροντος (ακαδ. ετός 2026-2027)
- ΦΕΚ ίδρυσης (ή επανίδρυσης) : ΦΕΚ 4799 τ.Β’/12.09.2022
Περισσότερα στοιχεία :
-
- Ηλεκτρονική διεύθυνση του ΔΠΜΣ : Data Analysis and Machine-Statistical Learning | (uoc.gr)