Μαθήματα

Μεθοδολογία Έρευνας και Ποσοτική Ανάλυση Δεδομένων

Το μάθημα αυτό του Α’ εξαμήνου εστιάζει στη μεθοδολογία έρευνας με θεματικές ενότητες για επιστημολογικές προσεγγίσεις, δομικά συστατικά στοιχεία έρευνας, κύρια μέσα συλλογής δεδομένων, βασικά στάδια έρευνας, περιγραφή ερευνητικών μεθόδων: replique montres bonneαντικείμενο, σχεδιασμός, πλεονεκτήματα και μειονεκτήματα. Δεν είναι μέρος της κατεύθυνσης, η επιλογή του όμως συστήνεται ανεπιφύλακτα για την επιτυχή παρακολούθηση των μαθημάτων που θα ακολουθήσουν. Το εφαρμοσμένο μέρος εισάγει στη χρήση του στατιστικού πακέτου SPSS με ενότητες για το περιβάλλον SPSS, εισαγωγή, έλεγχο και διόρθωση στοιχείων, επεξεργασία δεδομένων, ανάλυση με μεθόδους περιγραφικής και επαγωγικής στατιστικής εκτίμησης παραμέτρων και ελέγχου υποθέσεων σε πραγματικά δεδομένα έρευνας ψηφιακών μέσων επικοινωνίας και περιβαλλόντων αλληλεπίδρασης. Οι μαθησιακοί στόχοι του μαθήματος είναι: οι συμμετέχοντες να κατανοήσουν τις θεωρητικές rolex replica προσεγγίσεις, τα χαρακτηριστικά και τις διαφορές ποσοτικών και ποιοτικών μεθόδων έρευνας, να αποκτήσουν βασικές γνώσεις σχετικά με τα απαραίτητα εργαλεία και στάδια έρευνας, να έχουν ολοκληρωμένη εικόνα των διαφόρων ερευνητικών μεθόδων και να αποκτήσουν απαραίτητες γνώσεις και δεξιότητες, ώστε να σχεδιάζουν θεωρητικά και να διεξάγουν πρακτικά μια επιστημονική έρευνα. Επίσης, να εργάζονται στο στατιστικό πακέτο SPSS, να εισάγουν, ελέγχουν, διορθώνουν και αποθηκεύουν δεδομένα σε ψηφιακά αρχεία, να επεξεργάζονται και να αναλύουν ερευνητικά δεδομένα με χρήση περιγραφικής και επαγωγικής στατιστικής, καθώς και να ελέγχουν υποθέσεις έρευνας με χρήση του στατιστικού πακέτου SPSS.

Μεθοδολογία Σχεδιασμού Αλληλεπιδραστικών Συστημάτων

Στο μάθημα αυτό επίσης του Α’ εξαμήνου παρουσιάζεται η μεθοδολογία χρηστοκεντρικού σχεδιασμού που μπορεί να χρησιμοποιηθεί στην ανάπτυξη οπουδήποτε ψηφιακού περιβάλλοντος αλληλεπίδρασης. Τα νέα αυτά περιβάλλοντα πρέπει να σχεδιάζονται με κανόνες οι οποίοι κατοχυρώνουν την ευχρηστία, μειώνουν την πολυπλοκότητα, υποστηρίζουν αυξημένα επίπεδα αλληλεπίδρασης, προσαρμόζονται στις ιδιαιτερότητες και τις προτιμήσεις του κάθε χρήστη, εξασφαλίζουν φιλικότητα χρήσης και εργονομία, καθώς και ανθρωποκεντρικό σχεδιασμό, ώστε να αποφεύγεται ο αποπροσανατολισμός και η δυσχέρεια στην πλοήγηση των χρηστών μέσα στο περιβάλλον διάδρασης. Στο πρώτο στάδιο ανάλυσης αποφασίζεται ο σκοπός, imitacion golden gooseτο κοινό, το περιεχόμενο και το χρονοδιάγραμμα υλοποίησης ενός τέτοιου περιβάλλοντος. Ακολουθεί το στάδιο του σχεδιασμού όπου καθορίζεται το είδος και ο βαθμός της διάδρασης, η πλοήγηση και η αισθητική του περιβάλλοντος αλληλεπίδρασης. Στο επόμενο στάδιο της παραγωγής πραγματοποιείται η υλοποίηση πρωτοτύπων του περιβάλλοντος διάδρασης κάνοντας χρήση ειδικού λογισμικού. Στα πλαίσια του μαθήματος ειδικά εργαστηριακά μαθήματα είναι αφιερωμένα στην χρήση των εργαλείων αυτών. Στο τελευταίο στάδιο orologi replica cinesiτης αξιολόγησης αναφέρονται τρόποι αξιολόγησης ενός ψηφιακού περιβάλλοντος διάδρασης ελέγχοντας αρχικά την τεχνική αρτιότητα του περιβάλλοντος αλλά κυρίως την χρηστικότητά του και τον βαθμό αποδοχής του τελικού χρήστη μέσω τεχνικών συνεντεύξεων, ερωτηματολογίων, ποιοτικών και ποσοτικών μετρήσεων.

Ανάλυση Μεγάλων Δεδομένων μέσω της Γλώσσας Python

Κατά τη διάρκεια του μαθήματος αυτού του Β’ εξαμήνου δίνεται αρχικά μια εισαγωγή στη γλώσσα προγραμματισμού Python, ώστε να δημιουργηθεί η βάση από την οποία θα εξαρτηθούν οι επόμενες ενότητες προγραμματισμού και κωδικοποίησης. Μη‐δομημένα σύνολα δεδομένων πραγματικού κόσμου καθαρίζονται, αναλύονται και υποβάλλονται σε επεξεργασία, αναδεικνύοντας σύγχρονα δημοσιογραφικά έργα. Οι συμμετέχοντες εξοικειώνονται με μια ποικιλία μορφών δεδομένων και με μεθόδους αποθήκευσης, πρόσβασης και επεξεργασίας πληροφοριών, όπως για παράδειγμα έγγραφα που διαχωρίζονται με κόμματα, αλληλεπίδραση με API ιστοτόπων και JSON, βιβλιοθήκες εγγράφων, κανονικές εκφράσεις, εξόρυξη κειμένου, βάσεις δεδομένων SQL και πολλά άλλα. Οι συμμετέχοντες ασχολούνται επίσης με λιγότερο προσβάσιμα δεδομένα, δημιουργώντας scrapers ιστού και μετατρέποντας τα δύσκολα στη χρήση αρχεία PDF σε χρήσιμες πληροφορίες. Το μάθημα επίσης συμπεριλαμβάνει βασικές αρχές οπτικοποίησης και απεικόνισης δεδομένων μέσω δημιουργίας γραφημάτων, καθώς και την αξιοποίηση από τους συμμετέχοντες γνωστών εργαλείων όπως το Google και το StackOverflow, για την επίλυση προβλημάτων προγραμματισμού. Τελικό στόχο του μαθήματος αποτελεί η εξοικείωση των συμμετεχόντων με τον προγραμματισμό και την επεξεργασία (μεγάλων) δεδομένων, και προς τούτο παρουσιάζονται ενότητες και εργαλεία που περιλαμβάνουν: Python, βασική στατιστική ανάλυση, HTML, CSVs, APIs, SQL, κανονικές εκφράσεις, PDF processing, pandas, BeautifulSoup, Jupyter/IPython Notebooks, git/GitHub, StackOverflow, data cleaning, command line tools και άλλα.

Αλγόριθμοι Μηχανικής Μάθησης στην Κατανόηση και Επεξεργασία Δεδομένων

Η μηχανική μάθηση και η επιστήμη των δεδομένων αποτελούν αναπόσπαστο μέρος της επεξεργασίας και κατανόησης μεγάλων συνόλων δεδομένων. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να βοηθήσουν σε πλείστες όσες σύγχρονες εφαρμογές, όπως η αναζήτηση συσχετίσεων μεταξύ ατυχημάτων ή εγκλημάτων ή σχέσεων ανθρώπων ή επιχειρήσεων, η ανάλυση συναισθημάτων ή απόψεων για πολιτικά πρόσωπα ή πολιτικές θέσεις, η ανάλυση σχολίων πελατών ή απόψεων για προϊόντα και διαφημίσεις, ή η αναζήτηση πληροφοριών σε μεγάλους όγκους εγγράφων. Στο πλαίσιο του μαθήματος αυτού που επίσης διδάσκεται στο Β’ Εξάμηνο, μέσω εποπτευόμενης και μη εποπτευόμενης μάθησης, οι συμμετέχοντες καλούνται να υλοποιήσουν καλές πρακτικές, να δημιουργήσουν απόψεις και να κατανοήσουν πώς μπορούν να επικεντρώνουν καλύτερα τις προσπάθειές τους για αναζήτηση πληροφορίας σε μεγάλα σύνολα δεδομένων. Το μάθημα αποσκοπεί επίσης στην ανάπτυξη κριτικής θεώρησης για τις εφαρμογές των αλγορίθμων μηχανικής μάθησης, αποκαλύπτοντας τις παγίδες και τις προκαταλήψεις που μπορεί να κρύβονται πίσω από ένα προσωπικό έργο αλλά και το έργο των άλλων. Τελικό στόχο του μαθήματος αποτελεί η ανάπτυξη δεξιοτήτων σε ζητήματα ανάλυσης δεδομένων, αναγνώρισης προτύπων και εξόρυξης γνώσης. Προς τούτο, τα περιεχόμενα του μαθήματος περιλαμβάνουν ενότητες και εργαλεία όπως γραμμική παλινδρόμηση, rolex kopiaclustering, text mining, επεξεργασία φυσικής γλώσσας, δέντρα αποφάσεων, μηχανική μάθηση, scikit‐learn και άλλα.