Southwest Baptist University

Master of Science στην επιστήμη των δεδομένων

Αυτός ο χάρτης προγράμματος σπουδών απεικονίζει την προοδευτική ανάπτυξη των ικανοτήτων των μαθητών στο πρόγραμμα Master of Science in Information Technology Management, δείχνοντας πώς κάθε μάθημα εισάγει το (I), αναπτύσσει (D) ή φέρνει τους μαθητές στην κυριαρχία (M) των επτά Μαθησιακών Αποτελεσμάτων του Προγράμματος (PLOs), με αποκορύφωμα το μάθημα επιτοκίου όπου οι μαθητές επιδεικνύουν κυριαρχία σε όλα τα αποτελέσματα.

• TECH 500: Ethical Challenges in Technology Management
• BUS 5203: Ανάλυση δεδομένων
• BUS 5213: Επεξεργασία δεδομένων για λήψη αποφάσεων
• TECH 575: Big Data Analytics για IoT
• TECH 615: Applied AI: Solutions for Business
• TECH 630: Προηγμένη Τεχνητή Νοημοσύνη για Επιχειρηματικές Πληροφορίες και Λήψη Αποφάσεων
• BUS 5223: Κορυφαία έργα ανάλυσης δεδομένων
• TECH 643: Στατιστικές Μέθοδοι
• ΤΕΧ 674: Ποσοτικές Μέθοδοι
• TECH 699: Data Science and Analytics Capstone Project

Βασικές κατηγορίες

TECH 500: Ethical Challenges in Technology Management

Αυτό το μάθημα εστιάζει στην προετοιμασία των ηγετών για την επίλυση περίπλοκων ηθικών διλημμάτων στη διαχείριση τεχνολογίας. Το μάθημα δίνει έμφαση στις βιβλικές αξίες και στις πρακτικές λύσεις στις σύγχρονες προκλήσεις. Οι μαθητές εξερευνούν τα ηθικά συστήματα μέσω μιας χριστιανικής κοσμοθεωρίας, αναλύουν περιπτωσιολογικές μελέτες και αναπτύσσουν δεξιότητες για να κάνουν ορθές ηθικές κρίσεις. Μέχρι το τέλος του μαθήματος, οι συμμετέχοντες θα είναι εξοπλισμένοι για να αντιμετωπίσουν ηθικά ζητήματα στην ηγεσία της τεχνολογίας με ακεραιότητα και προοπτική βασισμένη στην πίστη.

Μαθήματα Μαθησιακά Αποτελέσματα Φοιτητών

• SLO 1: Αναλύστε περίπλοκα ηθικά διλήμματα στη διαχείριση τεχνολογίας χρησιμοποιώντας διάφορα ηθικά πλαίσια, συμπεριλαμβανομένης της χριστιανικής κοσμοθεωρίας. (PLO 3, PLO 4)
• SLO 2: Αξιολογήστε τις επιπτώσεις των αναδυόμενων τεχνολογιών στην ηθική λήψη αποφάσεων σε ηγετικούς ρόλους πληροφορικής. (PLO 3, PLO 4)
• SLO 3: Συνθέστε τις βιβλικές αρχές με τις σύγχρονες ηθικές προκλήσεις για την ανάπτυξη λύσεων που βασίζονται στην πίστη στη διαχείριση τεχνολογίας. (PLO 3, PLO 5)
• SLO 4: Αναπτύξτε και διατυπώστε ορθές ηθικές κρίσεις για μελέτες περιπτώσεων στην ηθική της τεχνολογίας, επιδεικνύοντας κριτική σκέψη και αποτελεσματική επικοινωνία. (PLO 1, PLO 3)
• SLO 5: Δημιουργήστε ένα προσωπικό ηθικό πλαίσιο για την αντιμετώπιση προκλήσεων διαχείρισης τεχνολογίας που ενσωματώνουν τα επαγγελματικά πρότυπα με τις χριστιανικές αξίες. (PLO 3, PLO 5)

BUS 5203: Ανάλυση δεδομένων

Οι μαθητές θα εκτεθούν σε πρακτικές ανάλυσης δεδομένων στον επιχειρηματικό κόσμο, όπως πώς δημιουργούνται, αποθηκεύονται και έχουν πρόσβαση τα δεδομένα και πώς οι οργανισμοί χρησιμοποιούν δεδομένα και δημιουργούν περιβάλλοντα που ενθαρρύνουν την ανάλυση.

Μαθήματα Μαθησιακά Αποτελέσματα Φοιτητών

• SLO 1: Κατανοήστε τη νοοτροπία αναλυτικών στοιχείων για τους επιχειρηματικούς αναλυτές. (PLO 2, PLO 4)
• SLO 2: Κατανοήστε τις βασικές έννοιες της στατιστικής και της ανάλυσης δεδομένων. (PLO 2, PLO 4)
• SLO 3: Εφαρμόστε τεχνικές ανάλυσης δεδομένων για να απαντήσετε σε ερωτήσεις σχετικά με το σύνολο δεδομένων. (PLO 4)
• SLO 4: Αναλύστε επιχειρηματικές αποφάσεις χρησιμοποιώντας τεχνικές ανάλυσης δεδομένων. (PLO 4)
• SLO 5: Αξιολογήστε τις ηθικές αποφάσεις στην ανάλυση δεδομένων με ενσωμάτωση πίστης. (PLO 5)
• SLO 6: Δημιουργήστε και ολοκληρώστε ένα έργο ανάλυσης δεδομένων για να απαντήσετε σε μια πρωτότυπη ερώτηση σε έναν συγκεκριμένο κλάδο. (PLO 2, PLO 4, PLO 5)

BUS 5213: Επεξεργασία δεδομένων για λήψη αποφάσεων

Κατανοήστε πώς να συλλέγετε και να χρησιμοποιείτε δεδομένα στη λήψη αποφάσεων χρησιμοποιώντας αναλυτικές τεχνικές (εξόρυξη δεδομένων, προγνωστικά αναλυτικά στοιχεία και αλγόριθμοι μηχανικής μάθησης) για να βρείτε μοτίβα σχέσεων μεταξύ στοιχείων δεδομένων. Οι μαθητές θα μάθουν πώς να συλλέγουν κατάλληλα δεδομένα και να τα αναλύουν για να οδηγήσουν τους υπεύθυνους λήψης αποφάσεων σε μια βελτιωμένη κατανόηση των δεδομένων και της εφαρμογής διαχείρισης τους.

Μαθήματα Μαθησιακά Αποτελέσματα Φοιτητών

• SLO 1: Αποκτήστε δεξιότητες διαχείρισης πληροφοριών για τη διαχείριση δεδομένων. (PLO 2, PLO 4)
• SLO 2: Αποκτήστε αναλυτικές δεξιότητες και εργαλεία για να κατανοήσετε τα δεδομένα. (PLO 2, PLO 4)
• SLO 3: Αποκτήστε κατανόηση της λήψης αποφάσεων που βασίζονται σε δεδομένα και πώς να αντιμετωπίσετε την αβεβαιότητα. (PLO 2, PLO 4)
• SLO 4: Αναπτύξτε μια νοοτροπία προσανατολισμένη στα δεδομένα για να βοηθήσετε τις επιχειρήσεις να ενεργούν βάσει των δεδομένων. (PLO 2, PLO 4)
• SLO 5: Ανάπτυξη δεξιοτήτων στην παρουσίαση δεδομένων για λήψη αποφάσεων. (PLO 1, PLO 2)

TECH 575: Big Data Analytics για IoT

Αυτό το μάθημα εισάγει τους μαθητές στο Apache Spark, ένα ισχυρό πλαίσιο επεξεργασίας δεδομένων, με έμφαση στην εφαρμογή του στην ανάλυση συνόλων δεδομένων μεγάλης κλίμακας. Οι μαθητές θα μάθουν να αξιοποιούν τις δυνατότητες του Spark χρησιμοποιώντας Python, δίνοντας έμφαση στην πιο πρόσφατη σύνταξη Spark 2.0 DataFrame. Το πρόγραμμα σπουδών καλύπτει προηγμένες τεχνικές χειρισμού δεδομένων, εφαρμογές μηχανικής μάθησης που χρησιμοποιούν MLlib και σενάρια επίλυσης προβλημάτων πραγματικού κόσμου.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Συνθέστε τα πλαίσια προγραμματισμού Python και Apache Spark για να σχεδιάσετε και να εφαρμόσετε προηγμένες λύσεις ανάλυσης μεγάλων δεδομένων. (PLO 2, PLO 4)
• SLO 2: Αξιολογήστε και εφαρμόστε τη σύνταξη Spark 2.0 DataFrame για βελτιστοποίηση σύνθετων εργασιών επεξεργασίας δεδομένων και βελτίωση της αναλυτικής απόδοσης. (PLO 2, PLO 4)
• SLO 3: Δημιουργήστε και ασκήστε κριτική σε εξελιγμένα μοντέλα μηχανικής μάθησης χρησιμοποιώντας το MLlib του Spark, συμπεριλαμβανομένης της λογιστικής παλινδρόμησης, των τυχαίων δασών και των δέντρων με ενίσχυση κλίσης, για την επίλυση προβλημάτων ταξινόμησης στον πραγματικό κόσμο. (PLO 2, PLO 4)
• SLO 4: Ανάπτυξη και αξιολόγηση καινοτόμων εφαρμογών επεξεργασίας φυσικής γλώσσας, όπως φίλτρα ανεπιθύμητης αλληλογραφίας, χρησιμοποιώντας τις δυνατότητες του Spark για ανάλυση και ταξινόμηση κειμένου. (PLO 1, PLO 2 και PLO 4)
• SLO 5: Διαμορφώστε ένα ηθικό πλαίσιο για την ανάλυση μεγάλων δεδομένων που ενσωματώνει τις χριστιανικές αρχές της διαχείρισης και της ιδιωτικής ζωής, εξετάζοντας κριτικά τις κοινωνικές επιπτώσεις των τεχνικών ανάλυσης δεδομένων μεγάλης κλίμακας. (PLO 3, PLO 5)

TECH 615: Applied AI: Solutions for Business

Αυτό το μάθημα παρέχει μια ολοκληρωμένη εισαγωγή στην Τεχνητή Νοημοσύνη (AI), διερευνώντας τον μετασχηματιστικό αντίκτυπό της σε όλες τις βιομηχανίες και αντιμετωπίζοντας την αυξανόμενη παγκόσμια ζήτηση για δεξιότητες τεχνητής νοημοσύνης. Οι μαθητές θα εμβαθύνουν στις πρόσφατες εξελίξεις στη βαθιά μάθηση, την ενισχυτική μάθηση, την επεξεργασία φυσικής γλώσσας, το Computer Vision και τη Ρομποτική, ενώ θα αποκτήσουν πρακτική εμπειρία με σύγχρονα πλαίσια βαθιάς μάθησης όπως το Keras.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Αξιολογήστε τον αντίκτυπο της τεχνητής νοημοσύνης σε διάφορους κλάδους, αναλύοντας τις τρέχουσες τάσεις και προβλέποντας μελλοντικές εξελίξεις στον τομέα. (PLO 2, PLO 4)
• SLO 2: Σχεδιάστε και εφαρμόστε τεχνητά νευρωνικά δίκτυα για την επίλυση σύνθετων επιχειρηματικών προβλημάτων, όπως η πρόβλεψη απόκλισης πελατών και η πρόβλεψη τιμών μετοχών. (PLO 2, PLO 4)
• SLO 3: Αναπτύξτε προηγμένα μοντέλα τεχνητής νοημοσύνης χρησιμοποιώντας συνελικτικά και επαναλαμβανόμενα νευρωνικά δίκτυα για αναγνώριση εικόνας και ανάλυση χρονοσειρών σε επιχειρηματικά περιβάλλοντα πραγματικού κόσμου. (PLO 2, PLO 4)
• SLO 4: Δημιουργία και αξιολόγηση συστημάτων συστάσεων και εφαρμογών επεξεργασίας φυσικής γλώσσας, επιδεικνύοντας επάρκεια στην εφαρμογή της τεχνητής νοημοσύνης για τη βελτίωση της εμπειρίας των πελατών και των επιχειρηματικών λειτουργιών. (PLO 2, PLO 4)
• SLO 5: Συνθέστε ηθικούς προβληματισμούς στην εφαρμογή της τεχνητής νοημοσύνης με τις χριστιανικές αρχές της διαχείρισης και της ανθρώπινης αξιοπρέπειας, διαμορφώνοντας υπεύθυνες στρατηγικές τεχνητής νοημοσύνης για επιχειρηματικές εφαρμογές. (PLO 3, PLO 5)

TECH 630: Προηγμένη Τεχνητή Νοημοσύνη για Επιχειρηματικές Πληροφορίες και Λήψη Αποφάσεων

Αυτό το μάθημα προσφέρει μια μετασχηματιστική προοπτική σχετικά με τον αντίκτυπο της τεχνητής νοημοσύνης στον επιχειρηματικό χώρο, δίνοντας έμφαση στον κρίσιμο ρόλο της επάρκειας της τεχνητής νοημοσύνης, συμπεριλαμβανομένων των τεχνητών τεχνητής νοημοσύνης όπως τα μοντέλα μεγάλων γλωσσών, στη σημερινή οικονομία που βασίζεται στην πληροφορία. Επικεντρώνεται στον εντοπισμό, την αξιολόγηση και τη μόχλευση ευκαιριών για επιχειρηματικές αναλύσεις χρησιμοποιώντας ιδιόκτητες και δημόσιες πηγές δεδομένων.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Συνθέστε πολύπλοκα σύνολα δεδομένων για τη δημιουργία καινοτόμων επιχειρηματικών λύσεων, επιδεικνύοντας προηγμένες αναλυτικές δυνατότητες σε περιβάλλοντα που βασίζονται στην τεχνητή νοημοσύνη. (PLO 2, PLO 4)
• SLO 2: Αξιολογήστε τις τρέχουσες τάσεις στη διαχείριση και την εφαρμογή της τεχνητής νοημοσύνης, κριτικά τον πιθανό αντίκτυπό τους σε διάφορους επιχειρηματικούς τομείς. (PLO 2, PLO 4)
• SLO 3: Σχεδιάστε και αξιολογήστε κριτικά διάφορα μοντέλα τεχνητής νοημοσύνης και εξόρυξης δεδομένων, δικαιολογώντας την καταλληλότητά τους για συγκεκριμένα επιχειρηματικά σενάρια. (PLO 2, PLO 4)
• SLO 4: Διαμορφώστε στρατηγικές συνεργασίας για να μετατρέψετε τις επιχειρηματικές προκλήσεις του πραγματικού κόσμου σε μοντέλα τεχνητής νοημοσύνης με δυνατότητα δράσης, επιδεικνύοντας ομαδική εργασία και δεξιότητες επίλυσης προβλημάτων. (PLO 2, PLO 5)
• SLO 5: Αναπτύξτε και υπερασπίστε αποτελεσματικές στρατηγικές επιχειρηματικής ανάλυσης, ενσωματώνοντας τεχνολογίες AI για την αντιμετώπιση σύγχρονων επιχειρηματικών ζητημάτων. (PLO 2, PLO 4)
• SLO 6: Δημιουργήστε ένα ηθικό πλαίσιο για την εφαρμογή της τεχνητής νοημοσύνης στις επιχειρήσεις που να ευθυγραμμίζεται με τις χριστιανικές αρχές της διαχείρισης και της κοινωνικής ευθύνης, εξετάζοντας κριτικά τις ηθικές συνέπειες της λήψης αποφάσεων με γνώμονα την τεχνητή νοημοσύνη σε οργανωτικά πλαίσια. (PLO 3, PLO 5)

BUS 5223: Κορυφαία έργα ανάλυσης δεδομένων

Αυτό το μάθημα θα εκθέσει τους φοιτητές σε κρίσιμα στοιχεία της επιχειρησιακής επιχειρηματικής ευφυΐας και της ανάλυσης δεδομένων για βελτιωμένη λήψη αποφάσεων και βελτίωση της ποιότητας σε έναν οργανισμό. Συγκεκριμένα, οι μαθητές θα μάθουν πώς να αναλαμβάνουν τον ρόλο του συμβούλου επιχειρηματικής ευφυΐας και να εφαρμόζουν τεχνικές ανάλυσης δεδομένων για να ενημερώνουν τη λήψη επιχειρηματικών αποφάσεων.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Κατανοήστε βασικούς όρους και έννοιες στον τομέα της ανάλυσης δεδομένων. (PLO 2, PLO 4)
• SLO 2: Προσδιορίστε τις βασικές αναλυτικές δεξιότητες που είναι απαραίτητες στο επάγγελμα. (PLO 2, PLO 4)
• SLO 3: Παρουσίαση δεδομένων με γραφικό αναπαραστατικό τρόπο. (PLO 1, PLO 2)
• SLO 4: Εφαρμόστε έννοιες και τεχνικές ανάλυσης επιχειρήσεων. (PLO 2, PLO 4, PLO 5)

TECH 643: Στατιστικές Μέθοδοι

Αυτό το μάθημα προσφέρει μια ολοκληρωμένη εξερεύνηση θεμελιωδών και προηγμένων στατιστικών τεχνικών απαραίτητων για την ανάλυση δεδομένων και τη λήψη αποφάσεων σε διάφορους τομείς. Αυτό το μάθημα καλύπτει περιγραφικές στατιστικές, θεωρία πιθανοτήτων, δειγματοληπτικές κατανομές, έλεγχο υποθέσεων και στατιστικές συμπερασμάτων. Οι μαθητές θα εμβαθύνουν στην ανάλυση παλινδρόμησης, συμπεριλαμβανομένης της απλής και πολλαπλής γραμμικής παλινδρόμησης, καθώς και μια εισαγωγή στην λογιστική παλινδρόμηση. Το πρόγραμμα σπουδών περιλαμβάνει επίσης ανάλυση διασποράς (ANOVA), σχεδιασμό πειραμάτων και μη παραμετρικές μεθόδους. Καθ' όλη τη διάρκεια του μαθήματος, δίνεται έμφαση τόσο στη θεωρητική κατανόηση όσο και στην πρακτική εφαρμογή χρησιμοποιώντας στατιστικό λογισμικό όπως το R ή το SAS. Οι μαθητές θα εργαστούν με σύνολα δεδομένων πραγματικού κόσμου για να αναπτύξουν δεξιότητες στον χειρισμό δεδομένων, τη στατιστική μοντελοποίηση και την ερμηνεία αποτελεσμάτων. Μέχρι το τέλος του μαθήματος, οι συμμετέχοντες θα είναι εξοπλισμένοι με μια ισχυρή εργαλειοθήκη στατιστικών και την ικανότητα να επιλέγουν και να εφαρμόζουν κατάλληλες μεθόδους για την αντιμετώπιση σύνθετων αναλυτικών προκλήσεων σε διάφορους κλάδους. Τα προαπαιτούμενα περιλαμβάνουν βασική κατανόηση της άλγεβρας και στοιχειωδών στατιστικών εννοιών.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Επίδειξη επάρκειας στην εφαρμογή θεμελιωδών και προηγμένων στατιστικών τεχνικών για ανάλυση δεδομένων και λήψη αποφάσεων σε διάφορους τομείς. (PLO 2, PLO 4)
• SLO 2: Διεξαγωγή και ερμηνεία δοκιμών υποθέσεων και στατιστικών συμπερασμάτων με ακρίβεια. (PLO 2, PLO 4)
• SLO 3: Εκτελέστε αναλύσεις παλινδρόμησης, συμπεριλαμβανομένης της απλής και πολλαπλής γραμμικής παλινδρόμησης και της λογιστικής παλινδρόμησης. (PLO 2, PLO 4)
• SLO 4: Εφαρμογή ανάλυσης διακύμανσης (ANOVA), σχεδιασμός πειραμάτων και μη παραμετρικών μεθόδων σε κατάλληλα σύνολα δεδομένων. (PLO 2, PLO 4)
• SLO 5: Ενσωμάτωση χριστιανικών αρχών ηθικής και διαχείρισης στην εφαρμογή στατιστικών μεθόδων, αναγνωρίζοντας την ευθύνη χρήσης της ανάλυσης δεδομένων για τη βελτίωση της κοινωνίας και από τις βιβλικές αξίες. (PLO 3, PLO 5)

ΤΕΧ 674: Ποσοτικές Μέθοδοι

Αυτό το μάθημα παρέχει μια ολοκληρωμένη εισαγωγή σε βασικές ποσοτικές μεθόδους και στατιστικές τεχνικές που χρησιμοποιούνται στη σύγχρονη επιστήμη δεδομένων. Οι μαθητές θα αναπτύξουν μια ισχυρή βάση στη θεωρία πιθανοτήτων, στα στατιστικά συμπεράσματα και προηγμένες αναλυτικές προσεγγίσεις ζωτικής σημασίας για την ανάλυση πολύπλοκων συνόλων δεδομένων. Τα βασικά θέματα περιλαμβάνουν κατανομές πιθανοτήτων και τις εφαρμογές τους, έλεγχο υποθέσεων και διαστήματα εμπιστοσύνης, γραμμική και μη γραμμική ανάλυση παλινδρόμησης, ανάλυση και πρόβλεψη χρονοσειρών, Μπεϋζιανή στατιστική και συμπέρασμα, τεχνικές μείωσης διαστάσεων, μέθοδοι ομαδοποίησης και ταξινόμησης, μέθοδοι επαναδειγματοληψίας και bootstrapping. Μέσω ενός συνδυασμού διαλέξεων, πρακτικών ασκήσεων και πραγματικών περιπτωσιολογικών μελετών, οι μαθητές θα μάθουν να εφαρμόζουν αυτές τις ποσοτικές μεθόδους χρησιμοποιώντας δημοφιλή εργαλεία επιστήμης δεδομένων και γλώσσες προγραμματισμού. Το μάθημα δίνει έμφαση τόσο στη θεωρητική κατανόηση όσο και στην πρακτική εφαρμογή, προετοιμάζοντας τους μαθητές να αντιμετωπίσουν πολύπλοκες προκλήσεις ανάλυσης δεδομένων σε διάφορους κλάδους.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Εφαρμογή της θεωρίας πιθανοτήτων και των τεχνικών στατιστικών συμπερασμάτων για την ανάλυση πολύπλοκων συνόλων δεδομένων σε περιβάλλοντα επιστήμης δεδομένων. (PLO 2, PLO 4)
• SLO 2: Ανάπτυξη και αξιολόγηση μοντέλων γραμμικής και μη γραμμικής παλινδρόμησης, ανάλυσης χρονοσειρών και μεθόδων πρόβλεψης για ανάλυση και πρόβλεψη δεδομένων. (PLO 2, PLO 4)
• SLO 3: Χρησιμοποιήστε μεθόδους μείωσης διαστάσεων, ομαδοποίησης και ταξινόμησης για να εξαγάγετε σημαντικά μοτίβα από δεδομένα υψηλών διαστάσεων. (PLO 2, PLO 4)
• SLO 4: Επίδειξη επάρκειας στη χρήση δημοφιλών εργαλείων επιστήμης δεδομένων και γλωσσών προγραμματισμού για την εφαρμογή ποσοτικών μεθόδων σε σύνολα δεδομένων πραγματικού κόσμου. (PLO 2, PLO 4, PLO 5)
• SLO 5: Ενσωμάτωση των χριστιανικών αρχών ηθικής χρήσης και ερμηνείας δεδομένων, αναγνωρίζοντας την ευθύνη για χρήση ποσοτικών μεθόδων με τρόπους που τιμούν την αλήθεια, προάγουν την ανθρώπινη άνθηση και αντικατοπτρίζουν την καλή διαχείριση των πόρων πληροφοριών. (PLO 3, PLO 5)

TECH 699: Data Science and Analytics Capstone Project

Αυτό το κορυφαίο μάθημα παρέχει στους φοιτητές την ευκαιρία να συνθέσουν και να εφαρμόσουν τις γνώσεις και τις δεξιότητες που αποκτήθηκαν σε όλο το πρόγραμμα Master of Science στην Επιστήμη Δεδομένων και την Ανάλυση. Οι μαθητές θα αναλάβουν ένα ολοκληρωμένο, πραγματικό έργο επιστήμης δεδομένων που αντιμετωπίζει μια σημαντική επιχειρηματική ή κοινωνική πρόκληση. Εργαζόμενοι μεμονωμένα ή σε μικρές ομάδες, οι μαθητές θα εντοπίσουν ένα πρόβλημα, θα συλλέξουν και θα αναλύσουν σχετικά δεδομένα, θα αναπτύξουν και θα εφαρμόσουν κατάλληλες λύσεις επιστήμης δεδομένων και θα επικοινωνήσουν αποτελεσματικά τα ευρήματά τους. Το έργο θα περιλαμβάνει ολόκληρο τον κύκλο ζωής της επιστήμης δεδομένων, συμπεριλαμβανομένης της διατύπωσης προβλημάτων, της απόκτησης και της προεπεξεργασίας δεδομένων, της διερευνητικής ανάλυσης δεδομένων, της ανάπτυξης και αξιολόγησης μοντέλων και της παρουσίασης των αποτελεσμάτων. Οι μαθητές αναμένεται να ενσωματώσουν προηγμένες τεχνικές ανάλυσης, ηθικά ζητήματα και επιχειρηματικές γνώσεις στα έργα τους. Το μάθημα θα κορυφωθεί με μια τελική παρουσίαση και έκθεση, καταδεικνύοντας την κυριαρχία του μαθητή στις έννοιες της επιστήμης των δεδομένων και την ικανότητά τους να προσφέρουν αξία μέσω λύσεων που βασίζονται σε δεδομένα.

Μαθησιακά αποτελέσματα σπουδαστών

• SLO 1: Σχεδιάστε και εκτελέστε ένα ολοκληρωμένο έργο επιστήμης δεδομένων που αντιμετωπίζει ένα σύνθετο πραγματικό πρόβλημα, επιδεικνύοντας γνώση του κύκλου ζωής της επιστήμης δεδομένων και προηγμένων αναλυτικών τεχνικών. (PLO 2, PLO 4)
• SLO 2: Επικοινωνήστε αποτελεσματικά σύνθετες έννοιες, μεθοδολογίες και αποτελέσματα της επιστήμης δεδομένων τόσο σε τεχνικό όσο και σε μη τεχνικό κοινό μέσω γραπτών αναφορών, προφορικών παρουσιάσεων και οπτικοποιήσεων δεδομένων. (PLO 1, PLO 4)
• SLO 3: Εφαρμόστε ηθικό σκεπτικό και χριστιανικές αρχές στο σχεδιασμό, την εφαρμογή και την αξιολόγηση λύσεων της επιστήμης δεδομένων, αντιμετωπίζοντας ζητήματα όπως το απόρρητο δεδομένων, η προκατάληψη και ο κοινωνικός αντίκτυπος. (PLO 3, PLO 5)
• SLO 4: Αξιολογήστε κριτικά και επιλέξτε κατάλληλες μεθοδολογίες, εργαλεία και τεχνολογίες επιστήμης δεδομένων για την επίλυση συγκεκριμένων επιχειρηματικών ή κοινωνικών προκλήσεων, αιτιολογώντας αυτές τις επιλογές με βάση την αποτελεσματικότητα και την αποδοτικότητά τους. (PLO 2, PLO 4)
• SLO 5: Συνεργαστείτε αποτελεσματικά σε διαφορετικές ομάδες για να σχεδιάσετε, να εκτελέσετε και να παραδώσετε ένα σύνθετο έργο επιστήμης δεδομένων, επιδεικνύοντας ηγετικές ικανότητες, διαχείριση έργου και διαπολιτισμικές επικοινωνιακές δεξιότητες. (PLO 1, PLO 5)
• SLO 6: Συνθέστε γνώσεις από την ανάλυση δεδομένων για να αναπτύξετε στρατηγικές συστάσεις που οδηγούν στην επιχειρηματική αξία ή καλύπτουν τις κοινωνικές ανάγκες, επιδεικνύοντας την ικανότητα γεφύρωσης της επιστήμης δεδομένων με πρακτικές εφαρμογές. (PLO 2, PLO 3, PLO 4)

Θεσμικά Μαθησιακά Αποτελέσματα (ILO)

• ILO 1: Οι μαθητές θα επικοινωνούν αποτελεσματικά.
• ILO 2: Οι μαθητές θα χρησιμοποιήσουν μεθόδους έρευνας για την απόκτηση και την εφαρμογή της γνώσης.
• ILO 3: Οι μαθητές θα αντιμετωπίσουν συγκεκριμένα προβλήματα εφαρμόζοντας πίστη και ηθική λογική.
• ILO 4: Οι μαθητές θα σκεφτούν δημιουργικά και κριτικά για να ακολουθήσουν μια ζωή μάθησης.
• ILO 5: Οι μαθητές θα εμπλακούν σε έναν πολιτισμικά ποικιλόμορφο κόσμο για να ενισχύσουν τις σχέσεις με τους άλλους.

Μαθησιακά Αποτελέσματα Προγράμματος (PLO)

• PLO 1: Επικοινωνήστε αποτελεσματικά σύνθετες έννοιες της επιστήμης δεδομένων και αναλυτικά αποτελέσματα σε διαφορετικά κοινά, επιδεικνύοντας πολιτιστική ευαισθησία και ηθική προσοχή στην παρουσίαση δεδομένων. (ΔΟΕ 1, ΔΟΕ 3, ΔΟΕ 5)
• PLO 2: Εφαρμόστε προηγμένες στατιστικές μεθόδους, τεχνικές μηχανικής μάθησης και στρατηγικές εξόρυξης δεδομένων για να εξαγάγετε σημαντικές πληροφορίες από σύνολα δεδομένων μεγάλης κλίμακας, αξιολογώντας κριτικά τα αποτελέσματα για την επίλυση προβλημάτων του πραγματικού κόσμου. (ΔΟΕ 2, ΔΟΕ 4)
• PLO 3: Αναπτύξτε και εφαρμόστε ηθικές λύσεις επιστήμης δεδομένων που ενσωματώνουν τις χριστιανικές αρχές της διαχείρισης, της ιδιωτικής ζωής και της κοινωνικής ευθύνης, ενώ κοινοποιούν αποτελεσματικά τις ηθικές επιπτώσεις στους ενδιαφερόμενους. (ΔΟΕ 1, ΔΟΕ 3, ΔΟΕ 5)
• PLO 4: Αξιολογήστε κριτικά και συνθέστε τις τρέχουσες τάσεις στην επιστήμη των δεδομένων και την τεχνητή νοημοσύνη, επιδεικνύοντας την ικανότητα προσαρμογής σε ταχέως εξελισσόμενες τεχνολογίες και μεθοδολογίες και αποτελεσματική επικοινωνία ευρημάτων για την προώθηση της συνεχούς μάθησης. (ΔΟΕ 1, ΔΟΕ 2, ΔΟΕ 4)
• PLO 5: Συνεργαστείτε αποτελεσματικά σε διάφορες ομάδες για να σχεδιάσετε και να εκτελέσετε έργα επιστήμης δεδομένων που αντιμετωπίζουν παγκόσμιες προκλήσεις, χρησιμοποιώντας κατάλληλες μεθόδους έρευνας και ηθικό σκεπτικό για την προώθηση της διαπολιτισμικής κατανόησης μέσω γνώσεων που βασίζονται σε δεδομένα. (ΔΟΕ 2, ΔΟΕ 3, ΔΟΕ 5)