Τίτλος Μαθήματος Τεχνικές Προβλέψεων
Κωδικός Μαθήματος 321-9000
Εξάμηνο 8
ECTS 5
Ώρες (Θεωρία) 3
Ώρες (Εργαστηρίο) 0
Διδάσκοντας Μ.Π.Ε.Σ. Τμήμα

Ύλη μαθήματος

Χρονοσειρές και Προβλέψεις ζήτησης, Ανάλυση Χρονοσειρών, Βασικές Στατιστικές έννοιες και σε ποιοτικά χαρακτηριστικά των Χρονοσειρών, Ορισμός Πρόβλεψης, Κατηγορίες μεθόδων προβλέψεων, Πεδία και εφαρμογές πρόβλεψης, Κατηγορίες μεθόδων πρόβλεψης, Περιγραφή μαθηματικών μοντέλων και μεθόδων πρόβλεψης, Μειονεκτήματα και πλεονεκτήματα μεθόδων πρόβλεψης , Μέτρηση της ακρίβειας των προβλέψεων. Γραφική αναπαράσταση δεδομένων, Διαχείριση κενών και μηδενικών τιμών, Ημερολογιακές προσαρμογές, Στατιστική ανάλυση, Στατιστική Ανάλυση Ακρίβειας Προβλέψεων , Ρυθμός Ανάπτυξης, Κινητοί Μέσοι Όροι για εξομάλυνση (Απλός κινητός μέσος όρος, Σταθμισμένος κινητός μέσος όρος, Διπλός κινητός μέσος όρος, Κεντρικός κινητός μέσος όρος), Κλασική Μέθοδος Αποσύνθεσης, Κατηγορίες Προβλέψεων (Στατιστική, Κριτική, Στόχου, Τελική), Ορίζοντας Πρόβλεψης, Διαστήματα Εμπιστοσύνης, Διαδικασία πρόβλεψης στις επιχειρήσεις, Κινητοί Μέσοι Όροι για πρόβλεψη, Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο σταθερού επιπέδου), Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο γραμμικής τάσης, Μοντέλα μη γραμμικής τάσης, Εποχιακή Εξομάλυνση), Επιλογή μοντέλου εξομάλυνσης, Εισαγωγή στα ARIMA Μοντέλα Πρόβλεψης Χρονοσειρών (Περιορισμοί των προβλέψεων ). Περιγραφή μοντέλων Παλινδρόμησης (απλή γραμμική και πολλαπλή παλινδρόμηση), Κατηγοριοποίησης (SVM και MLP) και εφαρμογές Μηχανικής Μάθησης, μοντέλα Ομαδοποίησης (Νευρωνικά δίκτυα, k-NN, Expectation Maximization). Εξόρυξης γνώσης από κείμενα (διαδικτυακούς διαλόγους) με σκοπό την ανίχνευση κακόβουλων και ενοχλητικών προτύπων συμπεριφοράς (περιγραφή της τεχνικής SAX) σε ερωτήσεις (σε μορφή χρονοσειράς) με τις οποίες απευθύνεται ο θηρευτής (predator) στο υποψήφιο ανήλικο θύμα (victim).

Επιδιωκόμενα μαθησιακά αποτελέσματα

Στόχος του μαθήματος είναι η κατανόηση των βασικών εννοιών της ανάλυσης χρονοσειρών, των στρατηγικών προβλέψης, της στατιστικής ανάλυσης και των μέτρων απόδοσης στις προβλέψεις, της παλινδρόμησης χρονοσειρών και ανάλυσης διερευνητικών δεδομένων (απλή γραμμική και πολλαπλή παλινδρόμηση), της δυαδικής κατηγοριοποίησης (όπως ως Support Vector Machines and Multiple Layer Perceptron) και εφαρμογών Μηχανικής Μάθησης καθώς και τεχνικών ομαδοποίησης (όπως Neural Networks, k-Nearest Neighbours, Expectation Maximization) ως μοντέλα πρόβλεψης. Με την ολοκλήρωση του μαθήματος οι εκπαιδευόμενοι είναι σε θέση να:

  • αναλύουν και να προσαρμόζουν τα αρχικά δεδομέν
  • διακρίνουν τα ποιοτικά χαρακτηριστικά των χρονοσειρών
  • γνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης
  • χρησιμοποιούν τη μεθοδολογία των βασικών μεθόδων εκτίμησης παραμέτρων και να υπολογίζουν τους κινητούς μέσους όρους των δεδομένων
  • εφαρμόζουν τις μεθόδους πρόβλεψης και να αναλύουν τα δεδομένα που απαιτούνται για τον σχεδιασμό των μοντέλων πρόβλεψης
  • κατανοήσουν την έννοια της πρόβλεψης για προγραμματισμό και λήψη αποφάσεων
  • αναγνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης

Προαπαιτούμενα

Δεν απαιτούνται.

Εγχειρίδια του μαθήματος

Βιβλιογραφία μαθήματος (Εύδοξος)

  1. Μέθοδοι Προβλέψεων και Ανάλυσης Αποφάσεων, Αγιακλογλου Ν. Χρήστος, Οικονόμου Γιώργος, Εκδόσεις Μπένου, 20014.
  2. Φ. Πετρόπουλος & Β. Ασημακόπουλος, Επιχειρησιακές Προβλέψεις, Εκδόσεις Συμμετρία, 2011.
  3. Σύγχρονες Μέθοδοι Ανάλυσης Χρονολογικών Σειρών". Συγγραφέας: Δημέλη Σοφία. Εκδόσεις: Οικονομικό Πανεπιστήμιο Αθηνών. Εταιρεία Ο.Π.Α. Α.Ε.

Επιπρόσθετη βιβλιογραφία για μελέτη

  1. Επιχειρησιακή Αναλυτική και Ποσοτικά Υποδείγματα Μάρκετινγκ και Διαδικτύου, Μπάλτας Γεώργιος, Ρεπούσης Παναγιώτης, Εδόσεις Rosili, 2018.

Συμπληρωματική βιβλιογραφία

1. Toby J. Teorey: "Database Modeling & Design”, ISBN 1558605002, Morgan Kaufmann
2. Terry Halpin: “Information Modeling and Relational Databases: From Conceptual Analysis to Logical Design”, ISBN 1558606726

Διδακτικές και μαθησιακές μέθοδοι

 

Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Διαλέξεις 39 ώρες

 
Προσωπική μελέτη 83 ώρες
 
Τελική εξέταση 3 ώρες
Σύνολο Μαθήματος 105 ώρες (3 ECTS)

 

Μέθοδοι αξιολόγησης / βαθμολόγησης

Η κύρια διδακτική μέθοδος που ακολουθείται είναι οι παραδόσεις θεωρίας διά ζώσης μέσα στην αίθουσα. Οι παραδόσεις γίνονται με ηλεκτρονικό πρόγραμμα παρουσιάσεων, χρησιμοποιώντας φορητό Η/Υ, με κατάλληλη οθόνη προβολής και τρίποδο προβολής. Χρησιμοποιούνται διαδραστικές εικόνες και βίντεο για την επαρκής κατανόηση των αντικειμένων του μαθήματος. Επιπλέον, παραδόσεις γίνονται στον πίνακα με επίλυση προβλημάτων και ασκήσεων. Γίνεται χρήση λογισμικού συστήματος ασύρματης μάθησης (eclass). Όλες οι παρουσιάσεις, λυμένες ασκήσεις, πολυμεσικό υλικό, σημειώσεις, ασκήσεις προς παράδοση, ανακοινώσεις, σύνδεσμοι, κ.λπ. ανανεώνονται συχνά στο eclass.

  • Γραπτή Τελική Εξέταση: 80%
  • Σειρές Ασκήσεων: 20%

Γλώσσα διδασκαλίας

Ελληνικά (Αγγλικά αν υπάρχουν φοιτητές/φοιτήτριες ERASMUS)

Τρόπος παράδοσης μαθήματος

Φυσική Παρουσία.