Κωδικός Μαθήματος

ΜΔΑ-270

Εξάμηνο Μαθήματος

2ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

https://evdoxos.ds.unipi.gr/courses/DSERV117

Κατηγορία Μαθήματος

Υποχρεωτικό

Εφαρμογές Αναλυτικής Μεγάλων Δεδομένων

Στόχος

Ο κύριος στόχος του μαθήματος είναι να παρουσιάσει συγκεκριμένες χρήσεις των τεχνολογιών της επιστήμης μεγάλων τεχνολογιών δεδομένων σε διάφορους τομείς και εφαρμογές όπως τα κοινωνικά δίκτυα, οι έξυπνες πόλεις, η υγεία, η εκπαίδευση. Διαφορετικές τεχνικές συλλογής και ανάλυσης μεγάλων δεδομένων θα παρουσιαστούν και θα αξιοποιηθούν στο πλαίσιο των προαναφερθέντων τομέων / εφαρμογών, λαμβάνοντας υπόψη τις ιδιαιτερότητες, απαιτήσεις και τα συγκεκριμένα στοιχεία / χαρακτηριστικά του τομέα / εφαρμογής. Έμφαση θα δοθεί στην ανάλυση τόσο δεδομένων πραγματικού χρόνου που συλλέγονται από διαφορετικούς αισθητήρες, όσο και αποθηκευμένων δεδομένων, ενώ επιπρόσθετα θα συζητηθούν οι επιχειρηματικές πτυχές της ανάλυσης δεδομένων και η προστιθέμενη αξία σε διαφορετικές εφαρμογές. Επίσης, στα πλαίσια του μαθήματος, οι φοιτητές θα αντιμετωπίσουν πρακτικά προβλήματα αναλυτικής δεδομένων στο εργαστήριο με συγκεκριμένα σύνολα δεδομένων προς ανάλυση, όπου θα εξεταστούν θέματα εξερευνητικής αναλυτικής με χρήση εργαλείων ανοικτού κώδικα.

 

Περιεχόμενα

Αναλυτική θέσης για Μεγάλα Δεδομένα (Geospatial analytics)

Ετικέτες για γεωγραφικά δεδομένα. Kοινωνικά δίκτυα που λαμβάνουν υπόψιν τη θέση. Συνδυασμός χωρικών, χρονικών και δεδομένων κειμένου. Εφαρμογές αναλυτικής Μεγάλων Δεδομένων που στοχεύουν σε γεωγραφικό κοινωνικό περιεχόμενο. Αναλυτική θέσης στα Twitter, Flickr, Foursquare.

Ανάλυση συναισθήματος στο Twitter (Web analytics)

Εξόρυξη γνώμης και ανάλυση συναισθήματος. Ανακάλυψη συναισθήματος από μεγάλες συλλογές κειμένων. Ανάλυση συναισθήματος στο Twitter. Προκλήσεις σχετικά με σύντομο κείμενο, θόρυβο, χρήση άτυπης γλώσσας που δεν υπόκειται σε γραμματικούς κανόνες. Συνδυασμός ανάλυσης συναισθήματος με πληροφορία θέσης.

Αναλυτική έξυπνων πόλεων Ι (Smart cities analytics I)

Παρακολούθηση επίπτωσης στην οικονομία φιλοξενίας διαφορετικών εκδηλώσεων. Εκτίμηση οικονομικών αποτελεσμάτων εκδηλώσεων σχετικά με μεταφορές, καταστήματα, ξενοδοχεία, εστιατόρια.

Αναλυτική έξυπνων πόλεων ΙΙ (Smart cities analytics II)

Ανάλυση προτύπων και κανόνων ζήτησης ενέργειας. Κατάσταση περιβάλλοντος. Γεγονότα που έχουν εντοπιστεί. Πρότυπα κατανάλωσης ενέργειες από διαφορετικές συσκευές. Πρόβλεψη κυκλοφοριακής συμφόρησης μέσω συλλογής και συνδυασμού στοιχείων από διαφορετικές πηγές (π.χ. δεδομένα καιρού, συμφόρηση, ποιότητα του αέρα, κλπ).

Αναλυτική υγείας Ι (Healthcare analytics I)

Στοιχεία της αναλυτικής στον τομέα της υγείας. Τύποι και πηγές δεδομένων (π.χ. ανοικτά δεδομένα, δομημένα δεδομένα ιατρικών φακέλων, αδόμητα δεδομένα κλινικών σημειώσεων, γενετικά δεδομένα). Μέθοδοι για την επιλογή, την προετοιμασία, την αναζήτηση και τη μετατροπή των δεδομένων για την αναλυτική της υγείας. Εφαρμογή αναλυτικής υγείας με ανοιχτά και κλειστά δεδομένα.

Αναλυτική υγείας ΙΙ (Healthcare analytics II)

Στρατηγική αναλυτικής υγείας. Μετάβαση από αποτελέσματα αναλυτικής στη βελτίωση της υγειονομικής περίθαλψης. Χρήση κανόνων αξιολόγησης, αίτια και επιπτώσεις στρατηγικών σε πληθυσμούς ασθενών. Δοκιμές υποθέσεων, υλοποίηση και προσαρμογή μοντέλων αναλυτικής. Ερμηνεία αποτελεσμάτων αναφορικά με την υγεία. Χρηστικότητα, παρουσίαση και απεικόνιση πληροφορίας.

Αναλυτική εκπαίδευσης Ι (Learning analytics I)

Θεμελιώδη στοιχεία της αναλυτικής της εκπαίδευσης. Ανάλυση, σχεδιασμός και ανάπτυξη ενός μικρού πιλοτικού αναλυτικής εκπαίδευσης. Εργαλεία αναλυτικής εκπαίδευσης. Αξιολόγηση της τρέχουσας κατάστασης τεχνολογιών αναλυτικής. Χρήση ανοιχτού κώδικα και εργαλείων αναλυτικής εκπαίδευσης.

Αναλυτική εκπαίδευσης ΙΙ (Learning analytics II)

Αναλυτική της εκπαίδευσης για βελτίωση διαδικασιών. Χρήση αναλυτικής εκπαίδευσης για την πρόβλεψη και τη βελτίωση της επιτυχίας των σπουδαστών. Χρήση του Oracle BPM Studio 10.3.0. Χρήση δεικτών για την παρακολούθηση της απόδοσης της διαδικασίας εκπαίδευσης (π.χ. χρόνος που παρήλθε μεταξύ δραστηριοτήτων). Προσδιορισμός και αποθήκευση των δεδομένων αναλυτικής.

Εξερευνητική αναλυτική Ι (Exploratory analytics Ι)

Αναλυτική δίχως συγκεκριμένο ορισμό προβλήματος. Εξερεύνηση δεδομένων. Ανακάλυψη ενδιαφέροντων ιδιοτήτων, προτύπων, τάσεων σε σύνολα δεδομένων. Πώς να αντιμετωπίσει ένας αναλυτής ένα νέο σύνολο δεδομένων. Εργαλεία και τεχνικές για εξερεύνηση δεδομένων.

Εξερευνητική αναλυτική ΙΙ (Exploratory analytics ΙΙ)

Μοντελοποίηση δεδομένων στην πράξη. Δειγματοληψία. Προσομοίωση. Προεξεργασία και μετεπεξεργασία δεδομένων. Ανακάλυψη τάσεων με οπτικοποίηση.

Προτεινόμενα Συγγράμματα

  • B. Baesens, “Big Data: Using SMART Big Data, Analytics and Metrics To Make Better Decisions and Improve Performance”, Μάιος 2014
  • M. Kleppmann, “Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems”, Ιανουάριος 2016
  • B. Marr, “Big Data: Using SMART Big Data, Analytics and Metrics To Make Better Decisions and Improve Performance”, Μάρτιος 2015
  • A. Chen, R. Zhang, J. Chen: Challenges of Big Data Analytics Applications in Healthcare: The Future of Healthcare, Ιανουάριος 2016
  • T. L. Strome: Healthcare Analytics for Quality and Performance Improvement, Οκτώβριος 2013
  • P. K Ghavami: Clinical Intelligence: The Big Data Analytics Revolution in Healthcare: A Framework for Clinical and Business Intelligence, Απρίλιος 2014
  • L. B. Madsen: Data-Driven Healthcare: How Analytics and BI are Transforming the Industry, Οκτώβριος 2014
  • J.A. Larusson, B. White: Learning Analytics: From Research to Practice, Ιούλιος 2014
  • M. Anderson, C. Gavan: Developing Effective Educational Experiences through Learning Analytics, Απρίλιος 2016
  • Philipp K. Janert: Data Analysis with Open Source Tools: A hands-on guide for programmers and data scientists, O’Reilly Media, Νοέμβριος 2010.