Study Program


2ο Εξάμηνο
Study Program

Study Program

 


1st Semester

2nd Semester

3rd Semester

4th Semester

 

Program Duration, Structure and Content


  • The Program’s duration is four (4) academic semesters. The first two semesters which have a duration of thirteen (13) full teaching weeks relate to the teaching and examination of courses, while the Master’s Thesis is prepared during the last two semesters. The minimum teaching hours are set to 39 per course including the examination.
  • For the replacement of lectures, 2 weeks of replacement lessons are provided before the beginning of the examination period.
  • In order to obtain the MSc Degree, postgraduate students should attend and be successfully examined in the 8 compulsory courses of the MSc program and prepare a Master’s Thesis. Courses are attended and examined during the 1st and 2nd semester. Upon completion of the re-sit examination period of September, students can undertake the preparation of their thesis as defined in article 5.7, under condition that their remaining courses are up to 2; nevertheless, the thesis can only be assessed after successful completion of all courses. Thesis examination takes place immediately after courses examination periods and not before the first examination period of the 4th semester.
  • The courses of the MSc program are equivalent to 120 ECTS, namely 30 ECTS per semester, i.e. 7,5 ECTS per course and 60 ECTS for Master’s Thesis.

 

According to the European Credit Transfer System (ECTS), credit hours are as follows:

 

 

 

ECTS

1st Year

1st Semester

4 courses x 7,5 ECTS= 30 ECTS

2nd Semester

4 courses x 7,5 ECTS= 30 ECTS

2nd Year

3rd Semester

Master’s Thesis = 30 ECTS

4th Semester

Master’s Thesis = 30 ECTS

ECTS in total

 

120TS

  • Each course is taught 3 hours per week in Greek or English. 
  • The MSc program does not offer the option for part-time attendance.
  • The maximum duration for the award of the MSc Degree is set to six (6) academic semesters. Students may apply for an extension of studies of a maximum of two (2) semesters . If extension approval is granted by the Department’s Assembly, the student’s registration in the MSc program is renewed.
  • Upon decision of the Department’s Assembly after the relevant student’s request, a suspension of studies can be granted for a maximum of two (2) teaching semesters and only in cases where there are substantial grounds (e.g. health, military service, family-related grounds). In the relevant application, students must note the exact semesters for which they request a suspension of studies and the reasons for suspension which shall be documented with the corresponding supporting documents.

The duration of studies suspension will not be taken into account for the total duration of studies in the MSc program.

 

Course Program

  • The MSc Course Program as well as courses start dates are all announced by the program’s secretariat and included in the Study Guide. Lessons mainly take place in the morning and early afternoon.  
  • The Course Program can be amended upon decision of the Department’s Assembly, after a substantiated proposal of the Coordinating Committee and the approval of the Senate.
  • The Course Program is presented below:

 

1st Semester (ECTS in total: 30)

Course Title

ECTS

  • Probabilistic modelling and reasoning

7,5

  • Machine learning and natural language processing

7,5

  • Computational optimization

7,5

  • Exploratory data analysis and visualization

7,5

 

2nd Semester (ECTS in total: 30)

Course Title

ECTS

  • Computer networks for big data

7,5

  • Planning and scheduling

7,5

  • Data mining and learning analytics

7,5

  • Network analysis and web mining

7,5

 

3rd Semester (ECTS in total: 30)

 

ECTS

Master’s Thesis (starting)

30

 

4th Semester (ECTS in total: 30)

 

ECTS

Master’s Thesis (completion)

30

 

The language of instruction is either Greek or English. The master’s thesis will be written in English.

COMPULSORY COURSES

  • COMPUTER NETWORKS FOR BIG DATA
    (AIDA201)
  • DATA MINING AND LEARNING ANALYTICS
    (AIDA203)
  • PLANNING AND SCHEDULING
    (AIDA202)
  • ΑΝΑΛΥΤΙΚΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟΝ ΙΣΤΟ
    (AIDA204)

Papadimitriou Panagiotis   

Course Outlines

Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

Satratzemi Maria   

Course Outlines

Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

Refanidis Ioannis   Sakellariou Ilias   

Course Outlines

Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

Koloniari Georgia   

Course Outlines

Τίτλος

Aναλυτική Δεδομένων στον Ιστό

(NetworkAnalysisandWebMining)

Στόχοι

Στόχος είναι η μελέτη, ανάλυση και εξόρυξη γνώσης από τον παγκόσμιο ιστό αλλά και τα κοινωνικά δίκτυα. Το μάθημα θα κινηθεί σε δύο άξονες την ανάλυση δικτύων και την εξόρυξη γνώσης από το web. Ο πρώτος άξονας εστιάζεται στη μέτρηση, ανάλυση και απεικόνιση των σχέσεων και των ροών ανάμεσα στις οντότητες που συμμετέχουν σε ένα δίκτυο με έμφαση στις ιδιότητες και εφαρμογές στον παγκόσμιο ιστό και τα κοινωνικά δίκτυα. Στο πλαίσιο της εξόρυξης γνώσης από τον ιστό, θα γίνει μελέτη μεθόδων και εργαλείων για την εξόρυξη γνώσης τόσο από το περιεχόμενο, τη δομή αλλά και τα δεδομένα χρήσης του παγκόσμιου ιστού με έμφαση στην διαχείριση μη σχεσιακών δεδομένων, όπως ήμι-δομημένα με μορφή γραφημάτων ή και αδόμητα όπως το κείμενο.

Δεξιότητες

Χρήση εργαλείων εξόρυξης γνώσης από δεδομένα και ανάλυσης δεδομένων όπως Python (NetworkX) και Rapidminer, και εργαλείων διαχείρισης και  οπτικοποίησης γραφημάτων όπως Neo4j , Pajekκαι Gephi.

Προαπαιτήσεις

-

Πώς θα καλυφτούν οι προαπαιτήσεις

Θα δοθεί βιβλιογραφία στα πλαίσια του μαθήματος, και θα υπάρξει επίβλεψη/καθοδήγηση από τον διδάσκοντα.

Περιεχόμενο μαθήματος

Η αρχιτεκτονική του ιστού, Εκκεντρικότητα και άλλες μετρικές δικτύων, Ομοφιλία και εντοπισμός κοινοτήτων, Ανάλυση συνδέσμων και αναζήτηση στον παγκόσμιο ιστό, Σχηματισμός, εξέλιξη κοινωνικών δικτύων και πρόβλεψη συνδέσεων, Επιρροή και διάχυση πληροφορίας, Οπτικοποίηση κοινωνικών δικτύων, Εξόρυξη κειμένου, Εξόρυξη γνώμης, Εξόρυξη από δεδομένα χρήσης στον παγκόσμιο ιστό , Διαφήμιση στον ιστό, Συστήματα συστάσεων 

Προτεινόμενα βιβλία

David Easley, Jon Kleinberg, “Networks, Crowds, and Markets -Reasoning about a Highly Connected World”, Cambridge University Press, 2010.

Bing Liu, “Web Data Mining - Exploring Hyperlinks, Contents, and Usage Data”, Springer 2011.

Jure Leskovec, Anand Rajaraman, Jeff Ullman, “Mining of Massive Datasets”, 2nd Edition, Cambridge University Press, 2014.

Steve Borgatti, Martin Everett and Jeff Johnson, “Analyzing Social Networks”, 2nd Edition, Sage, 2018.

Mohammed Zuhair Al-Taie, Seifedine Kadry, “Python for Graph and Network Analysis”, Springer, 2017.

Dmitry Zinoviev, “Complex Network Analysis in Python: Recognize - Construct - Visualize - Analyze – Interpret”, Pragmatic Bookshelf , 2018.

Μέθοδοι αξιολόγησης

Εργασίες & τελική γραπτή εξέταση

Ιστοσελίδα μαθήματος

Το μάθημα θα φιλοξενηθεί στο http://compus.uom.gr