Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών, Πανεπιστήμιο Κρήτης.
Η διδασκαλία του μαθήματος γίνεται εξ αποστάσεως με βιντεοδιαλέξεις. Οι διαλέξεις γίνονται διαθέσιμες στο youtube.
- Διδάσκων : Κώστας Σμαραγδάκης (kesmarag@uoc.gr)
- Γραφείο : Δ326, Τηλ: 2810393716
Ανώνυμα Σχόλια και Παρατηρήσεις
Μπορείτε να γράψετε τι σας αρέσει και κυρίως τι δεν σας αρέσει στο μάθημα. Παρακαλώ όχι μαθηματικές απορίες εδώ. Όποτε βρίσκω χρόνο θα τα απαντάω στο forum.
Προαπαιτούμενες γνώσεις
Αν και δεν υπάρχουν προαπαιτούμενα για το μάθημα πιθανόν να σας φανεί δύσκολο εάν δεν έχετε βασικές γνώσεις από τα παρακάτω μαθήματα:
- Απειροστικός Λογισμός Ι
- Εισαγωγή στη Γραμμική Άλγεβρα Ι
- Γλώσσα Προγραμματισμού Ι
- Θεωρία Πιθανοτήτων
Εγγραφή στην ομάδα του μαθήματος στο Teams
Όσοι/Όσες ενδιαφέρονται να παρακολουθήσουν το μάθημα παρακαλούνται να εγγράφουν στην ομάδα του μαθήματος στο Microsoft Teams.
Ο κωδικός της ομάδας (team code) είναι : 4jr5fi2
Για βοήθεια πατήστε εδώ.
Προσοχή: Εάν δεν μπορείτε να συνδεθείτε στο teams βεβαιωθείτε ότι έχετε κάνει εγγραφή στο ΔΗΛΟΣ-365. Διαβάστε οδηγίες εγγραφής στο ΔΗΛΟΣ-365 εδώ.
Από αυτή την ομάδα θα γίνεται ζωντανή συνάντηση για απόριες μια φορά την εβδομάδα.
Εγγραφή στο Polygon
Όσοι/Όσες ενδιαφέρονται να παρακολουθήσουν το μάθημα παρακαλούνται να εγγράφουν επίσης στην ομάδα του μαθήματος στο Polygon. Σε αυτή την ομάδα θα λειτουργήσει Forum και θα γίνεται η υποβολή ασκήσεων.
Περιγραφή μαθήματος
Αντικείμενο του μαθήματος αποτελεί η μελέτη των εφαρμογών της στατιστικής σε διάφορες επιστήμες όπως οικονομία, βιολογία, ιατρική και γεωεπιστήμες. Οι ενότητες που θα παρουσιαστούν περιλαμβάνουν στοιχεία πιθανοτήτων, περιγραφική στατιστική, εκτιμητική, ελέγχους στατιστικών υποθέσεων, ανάλυση γραμμικής παλινδρόμισης καθώς και ανάλυση διακύμανσης.
Μαθησιακά αποτελέσματα
Σκοπός του μαθήματος είναι η εκμάθηση και εφαρμογή των στατιστικών μεθόδων σε πραγματικά προβλήματα που σχετίζονται με διαφορές επιστήμες. Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητέςθα είναι εξοικειωμένοι με τα μοντέλα, τη μεθοδολογία και συνήθη θέματα της εφαρμοσμένης στατιστικής χρησιμοποιώντας κατάλληλες βιβλιοθήκες (ενδεικτικά numpy, pandas, matplotlib, seaborn, sklearn, keras).
Μέθοδος διδασκαλίας και εποπτικά μέσα
θα παρουσιάζονται διαφάνειες οι οποίες θα εμπλουτίζονται με χρήση γραφίδας. Οι εμπλουτισμένες διαφάνειες θα αναρτώνται αμέσως μετά τις διαδυκτιακές διαλέξεις στην ιστοσελίδα του μαθήματος. Επιπλέον στα διαδικτιακά εργαστήρια του μαθήματος θα γίνεται επίδειξη χρήσης στατιστικών μοντέλων υλοποιημένων στη γλώσσα προγραμματισμού Python για την επίλυση επιλεγμένων προβλημάτων.
Τρόπος αξιολόγηση
- 3 φυλλάδια ασκήσεων που θα περιλαμβάνουν θεωρητικές και υπολογιστικές (χρήση Python) ασκήσεις [30 %]. Δίνεται η δυνατότητα σχηματισμού ομάδων συνεργασίας εώς και τεσσάρων ατόμων.
- ΠΡΟΣΟΧΗ : Δεν θα είναι δυνατή η εξαίρεση από τις ασκήσεις για οποιοδήποτε λόγο.
- Τελική εξέταση [70 %]. Για την επιτυχή ολοκλήρωση του μαθήματος απαιτείται ο βαθμός της τελικής εξέτασης να είναι τουλάχιστον 4.
- Το παραπάνω σχήμα θα ισχύσει μόνο στη περίπτωση που οι συμμετέχοντες είναι λιγότεροι από 80. Σε διαφορετική περίπτωση τα φυλλάδια δεν θα βαθμολογηθούν και ο βαθμός θα είναι 100% του τελικού διαγωνίσματος.
Βιβλιογραφία
- Τ. Παπαιωάννου και Σ. Λουκάς. Εισαγωγή στη Στατιστική. Εκδόσεις Σταμούλη, 2002.
- Γ. Ρούσσας και Γ. Σταματέλος. Στατιστική Συμπερασματολογία, τόμος ΙΙ, Εκδόσεις Ζήτη, 1992.
- Wes McKinney. Python for Data Analysis, 2nd Edition. O’Reilly, 2017.
- Χαράλαμπος Γναρδέλλης. Εφαρμοσμένη Στατιστική. Εκδόσεις Παπαζήση, 2003.