
- fmos uom.edu.gr
Moschidis Odisseas
Retired Professor
Department of Business Administration
Professor, Academic Staff (Master in International Business)
Professor, Academic Staff (Master in Business Analytics and Data Science)
Professor, Academic Staff (Master in Information Systems)
Curriculum Vitae
Teaching
- BUSINESS CASE STUDY
(ΟΔ0809-1)
Type
ELECTIVE
Department Abbreviation
BA
Department
DEPARTMENT OF BUSINESS ADMINISTRATION
Course Outlines
Η περιγραφή του μαθήματος δεν είναι διαθέσιμη
- BUSINESS MATHEMATICS
(ΟΔ0103)
Type
COMPULSORY
Department Abbreviation
BA
Department
DEPARTMENT OF BUSINESS ADMINISTRATION
Course Outlines
Η ισόρροπη ανάπτυξη των βασικών εννοιών - τεχνικών των Μαθηματικών και η εφαρμογή τους στην επίλυση προβλημάτων της επιστήμης της Διοίκησης και Οικονομίας αποτελεί βασικό χαρακτηριστικό του μαθήματος.
Το περιεχόμενο του μαθήματος παρουσιάζεται οργανωτικά σε τέσσερα κεφάλαια:
Α. Διαφορικός Λογισμός μιας μεταβλητής (Παράγωγος, Εφαπτόμενη ευθεία, Διαφορικό, Γραμμική προσέγγιση συναρτήσεως, Πολυωνιμική προσέγγιση συναρτήσεως (Τύπος Taylor), Παράγωγος αντίστροφης, πλεγμένης και παραμετρικής συναρτήσεως, Ποσοστιαίος ρυθμός, Ελαστικότητα και Βελτιστοποίηση). Προβλήματα και Εφαρμογές στη Διοίκηση Επιχειρήσεων και Οικονομία
Β. Διαφορικός Λογισμός πολλών μεταβλητών (Συναρτήσεις πολλών μεταβλητών, Γραφική παράσταση, Ισοσταθμικές, Μερική παράγωγος, Eφαπτόμενο επίπεδο και διαφορικό, Εφαρμογές στη προσέγγιση τιμής συναρτήσεως, Παραγώγιση σύνθετων και πλεγμένων συναρτήσεων, Ακρότατα, Σαγματικά σημεία και βελτιστοποίηση δίχως περιορισμούς). Εφαρμογές στη Διοίκηση και οικονομία.
Γ. Ολοκληρωτικός Λογισμός (Αόριστο ολοκλήρωμα, Ορισμένο και Γενικευμένο ολοκλήρωμα με Εφαρμογές στη Διοίκηση και οικονομία).
Δ. Βασική Γραμμική Άλγεβρα (Ο Ευκλείδειος Πραγματικός Διανυσματικός χώρος Rn, πράξεις διανυσμάτων, εξίσωση ευθείας στο R2, ευθείας και επιπέδου στο R3, εξάρτηση – ανεξαρτησία διανυσμάτων του Rn, εσωτερικό γινόμενο δ/των, μέτρο δ/τος, βάση και διάσταση υποχώρου). Πίνακες (Πρόσθεση πινάκων, Πολλαπλασιασμός αριθμού με πίνακα, Τάξη πίνακα, Γραμμοπράξεις). Γραμμικά συστήματα (Επίλυση συστημάτων με τη μέθοδο Gauss και τη Gauss-Jordan). Πολλαπλασιασμός πινάκων, Αντίστροφος πίνακας, Ορίζουσα πίνακα και η μέθοδος επίλυσης συστημάτων Cramer. Ασκήσεις και εφαρμογές σε Γραμμικά υποδείγματα Διοίκησης και Οικονομίας.
- FINANCIAL STATISTICS
(MTF0108)
Type
ELECTIVE
Department Abbreviation
MTF
Department
MASTER IN TAXATION AND FINANCIAL MANAGEMENT OF STRATEGIC DECISIONS
Course Outlines
Η περιγραφή του μαθήματος δεν είναι διαθέσιμη
- STATISTICAL ANALYSIS AND DATA EVALUATION
(MHM0206)
Type
ELECTIVE
Department Abbreviation
MHM
Department
MASTER'S DEGREE IN HEALTH CARE MANAGEMENT
Course Outlines
Η περιγραφή του μαθήματος δεν είναι διαθέσιμη
- ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΡΟΧΩΡΗΜΕΝΕΣ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΠΤΙΚΗΣ ΑΝΑΛΥΤΙΚΗΣ
(ΑΕ201)
Type
COMPULSORY
Department Abbreviation
MBADS
Department
MASTER'S DEGREE IN BUSINESS ANALYTICS AND DATA SCIENCE
Course Outlines
Εξόρυξη Δεδομένων και προχωρημένες τεχνικές Προβλεπτικής Αναλυτικής (Advanced Predictive Analytics and Data Mining)
Κωδικός μαθήματος: |
1022-ΑΕ201 |
Εξάμηνο: |
Β’ |
Είδος: |
Υποχρεωτικό |
Θεωρία – Πρακτική (ποσοστά): |
50 – 50 |
Γλώσσα διδασκαλίας: |
Ελληνικά – Αγγλική ορολογία και βιβλιογραφία |
Ώρες διδασκαλίας: |
3 ώρες την εβδομάδα |
ECTS: |
7,5 |
Σελίδα μαθήματος |
Compus |
Υπεύθυνος/οι μαθήματος
Τμήμα: |
Οργάνωσης και Διοίκησης Επιχειρήσεων |
Τομέας: |
Ποσοτικές Μέθοδοι – Διερευνητική Στατιστική |
Υπεύθυνος (συνδιδασκαλία): |
Οδυσσέας Μοσχίδης (Καθηγητής) |
Email: |
|
Web: |
users.uom.gr/~fmos |
Τηλ: |
2310-891592 |
Γραφείο |
403, Κτήριο ΗΘ |
Ώρες Γραφείου |
Ανακοινώνονται στην ιστοσελίδα |
Υπεύθυνος (συνδιδασκαλία): |
Άγγελος Μάρκος (Επίκουρος Καθηγητής) |
Email: |
|
Web: |
|
Τηλ: |
|
Γραφείο |
|
Ώρες Γραφείου |
Ανακοινώνονται στην ιστοσελίδα |
Βιβλιογραφία
Gareth, J., Witten, D., Hastie, T. and Tibshirani, R. An Introduction to Statistical Learning: With Applications in R. New York: Springer, 2013.
Kuhn, M., and Johnson, K. Applied Predictive Modeling. New York: Springer, 2013.
Larose, D. T., and Larose, C. D. Data mining and predictive analytics. John Wiley & Sons, 2015.
Λογισμικό
R, Excel, Spss
Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι
Η αυξημένη δραστηριότητα σε τομείς όπως το διαδίκτυο, το ηλεκτρονικό εμπόριο, το ηλεκτρονικό επιχειρείν, τα ηλεκρονικά μεγάλου πλήθους ερωτηματολόγια κλπ, έχουν αυξήσει σημαντικά τον όγκο και την πολυπλοκότητά των δεδομένων που συλλέγονται και αποθηκεύονται, αυξάνοντας τη σημασία και αξία τους στη λήψη επιχειρησιακών αποφάσεων. Η Εξόρυξη Δεδομένων (Data Mining) αναφέρεται στην εξεύρεση της υπάρχουσας ενδιαφέρουσας δομής σε μεγάλα σύνολα δεδομένων με χρήση τεχνικών της στατιστικής, της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Στόχος της εξόρυξης δεδομένων είναι η πληροφορία που θα εξαχθεί και τα πρότυπα που θα προκύψουν να έχουν δομή κατανοητή έτσι ώστε να συμβάλλουν στη διαδικασία λήψης αποφάσεων. Οι τεχνικές της Προβλεπτικής Αναλυτικής (Predictive Analytics) υπερβαίνουν την απλή περιγραφή των δεδομένων και βασίζονται στο παρελθόν για να κάνουν προβλέψεις για το μέλλον. Οι τεχνικές αυτές είναι ιδιαίτερα σημαντικές καθώς διευκολύνουν τους λήπτες επιχειρησιακών αποφάσεων στην αξιολόγηση όλων των πιθανών ενδεχομένων π.χ για έσοδα, κέρδη, μερίδιο αγοράς, πιθανότητα πραγματοποίησης μιας πώλησης, πιθανότητα απώλειας ενός πελάτη, κ.ά, αφού πρώτα λάβουν υπόψη μια σειρά από προβλεπτικούς παράγοντες όπως έξοδα μάρκετινγκ, διαδικασίες διασφάλισης ποιότητας, αριθμός πωλητών, κ.ά. Το μάθημα αυτό εστιάζει σε προχωρημένες μεθόδους εξόρυξης δεδομένων και προβλεπτικής αναλυτικής, παρουσιάζοντας με τρόπο συστηματικό τις πιο σημαντικές προβλεπτικές τεχνικές μοντελοποίησης, καθώς και εφαρμογές τους σε πραγματικά δεδομένα management, operations, marketing κλπ. Με την ολοκλήρωση του μαθήματος αναμένεται ότι οι φοιτητές και οι φοιτήτριες θα είναι σε θέση να αντλούν και να διαμορφώνουν σύνολα δεδομένων από συναφείς πηγές, να διατυπώνουν ορθά ερευνητικά ερωτήματα και να καταστρώνουν σχεδιασμούς για αυτά, να επιλέγουν τις κατάλληλες τεχνικές μοντελοποίησης και ανάλυσης δεδομένων που οδηγούν στην εξαγωγή χρήσιμων προτύπων γνώσης, τη διατύπωση προβλέψεων καθώς και τη διαδικασία λήψης αποφάσεων. Επίσης να αξιολογούν και να συγκρίνουν την αποτελεσματικότητα των μεθόδων και να επικοινωνούν τα ευρήματα των αναλύσεων σε στελέχη οργανισμών και επιχειρήσεων.
Περιεχόμενο – Σχέδιο διαλέξεων
- Introduction – Data Exploration and Data Pre-processing
- Linear Regression
- Cluster Analysis (Hierarchical and k-means)
- Dimension Reduction (Principal Components Analysis)
- Dimension Reduction (Correspondence Analysis)
- Logistic Regression, Discriminant Analysis
- Model Evaluation (Resampling Methods) – K-Nearest Neighbors, Naïve Bayes
- Model Selection, Regularization and Model Tuning
- Tree-based methods: Classification and regression trees
- Association Rules
- Support Vector Machines
- Case Studies
- Final Exam
Αξιολόγηση Επίδοσης
[1] Γραπτές Εξετάσεις 70%
[2] Ασκήσεις-εργασίες 30%