ΓΕΝΙΚΑ

ΕΞΑΜΗΝΟ ΦΟΙΤΗΣΗΣ: 2ο
ΚΑΤΕΥΘΥΝΣΗ: Μαθηματικά Επιστήμης Δεδομένων
ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ: 7

ΔΙΔΑΣΚΟΝΤΕΣ

Κων. Καράντζαλος

ΠΡΟΑΠΑΙΤΟΥΜΕΝΕΣ ΓΝΩΣΕΙΣ

Επιτυχή συμπλήρωση των μαθημάτων του πρώτου εξαμήνου.

ΣΤΟΧΟΣ

Εισαγωγή στην συλλογή, διαχείριση, ανάλυση, οπτικοποίηση και διάθεση μεγάλων δεδομένων παρατήρησης γης και γεωχωρικών προϊόντων. Σημερινές επιστημονικές και τεχνολογικές προκλήσεις για την εναρμόνιση, συγχώνευση και διαδικτυακή επεξεργασία ετερογενών δεδομένων και παραγωγή γεωχωρικών προϊόντων. Ανάλυση μεγάλων δεδομένων με τεχνικές μηχανικής μάθησης με εφαρμογές στην γεωργία ακριβείας, εκτίμηση της ποιότητας υδάτων, αυτόματη ανίχνευση μεταβολών στο αστικό, φυσικό και θαλάσσιο περιβάλλον.

ΜΕΘΟΔΟΣ ΕΞΕΤΑΣΗΣ

Παράδοση ασκήσεων, εργασία μαθήματος, και γραπτή εξέταση στο τέλος του εξαμήνου.

ΠΕΡΙΕΧΟΜΕΝΑ

Συλλογή δεδομένων και αυτοματοποίηση διαδικασιών εισαγωγής και ενημέρωσης γεωχωρικών βάσεων.
Μορφές και αναπαραστάσεις φασματικών χωροχρονικών δεδομένων και χαρακτηριστικών τους.
Συστήματα και αρχιτεκτονικές αποθήκευσης, διαχείρισης, ανάλυσης και διάθεσης μεγάλων γεωχωρικών δεδομένων και προϊόντων σε υπολογιστικά συστήματα νέφους.
Οπτικοποίηση δεδομένων και στρατηγικές μείωσης διαστάσεων.
Στατιστικές επεξεργασίες και ανάλυση για εναρμόνιση και συγχώνευση δεδομένων.
Διαδικτυακές επεξεργασίες και υπολογιστικά συστήματα υψηλής απόδοσης για γεωχωρικά δεδομένα.
Ανάλυση δεδομένων και χρονοσειρών για ανίχνευση αλλαγών, αντικειμένων και χαρακτηριστικών.
Ανάλυση μεγάλων δεδομένων με τεχνικές μηχανικής μάθησης με εφαρμογές στην γεωργία ακριβείας, εκτίμηση της ποιότητας υδάτων, αυτόματη ανίχνευση μεταβολών στο αστικό, φυσικό και θαλάσσιο περιβάλλον.

ΒΙΒΛΙΟΓΡΑΦΙΑ

1. Mathieu, P. and Aubrecht, C. (Eds.) 2018. Earth Observation Open Science and Innovation, Springer, 332p., doi: 10.1007/978-3-319-65633-5 (open access)
2. Jiang, Z. and Shekhar, S., 2017. Spatial Big Data Science: Classification Techniques for Earth Observation Imagery Springer, 131p., doi: 10.1007/978-3-319-60195-3
3. Casu, F., Manunta, M., Agram, P., Crippen R., (Eds) 2017. Big Remotely Sensed Data: Tools, Applications and Experiences, Remote Sensing of Environment (Special Issue), Elsevier, Vol.202, 292p.
4. Yu S. and Guo S., 2016. Big Data Concepts, Theories, and Applications, 437p., doi: https://doi.org/10.1007/978-3-319-27763-9 (open access)