Κωδικός Θ.Ε.: DAMA501
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική/Επιλογής
Εξάμηνο προσφοράς: 1ο/3o εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Οι φοιτητές θα μάθουν τα βασικά μαθηματικά εργαλεία απαραίτητα για τη Μηχανική Μάθηση (Machine Learning, ML). Αυτά περιλαμβάνουν βασικές έννοιες από τη Γραμμική Άλγεβρα (linear algebra), όπως διανύσματα (vectors), πίνακες (matrices) και τις πράξεις με αυτά. Από τον Λογισμό (calculus), οι φοιτητές θα έρθουν σε επαφή με συναρτήσεις πολλών πραγματικών μεταβλητών και με τις βασικές έννοιες της κλίσης (gradient) και της κατευθυντικής παράγωγου (directional derivative), που εφαρμόζονται στους αλγορίθμους οπισθοδιάδοσης (backpropagation) στη Μηχανική Μάθηση. Συνολικά, ένας φοιτητής χωρίς προηγούμενες γνώσεις σε αυτούς τους μαθηματικούς τομείς θα αποκτήσει το υπόβαθρο για να κατανοήσει τις τεχνικές της Μηχανικής Μάθησης, ενώ όσοι έχουν ήδη μαθηματική προετοιμασία θα μπορούν να εμβαθύνουν περισσότερο στην εφαρμογή των μαθηματικών στη Μηχανική Μάθηση. Η μαθηματική μελέτη θα υποστηρίζεται από υπολογιστικό λογισμικό (computational software) που θα επιτρέπει τόσο αναλυτικές (analytical) όσο και αριθμητικές (numerical) αξιολογήσεις.
Τα κύρια θέματα της ενότητας είναι η Γραμμική Άλγεβρα (Linear Algebra) και ο Λογισμός (Calculus).
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA502
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική/Επιλογής
Εξάμηνο προσφοράς: 1ο/2o/3o εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Οι φοιτητές θα μάθουν τα βασικά μαθηματικά εργαλεία που είναι απαραίτητα για τη Μηχανική Μάθηση (Machine Learning, ML). Αυτά περιλαμβάνουν βασικές έννοιες από τη θεωρία πιθανοτήτων (Probability Theory), την εισαγωγική στατιστική (Introductory Statistics) και την κυρτή βελτιστοποίηση (Convex Optimization). Επιπλέον, ο φοιτητής θα αποκτήσει βασικές τεχνικές οπτικοποίησης (Visualization) μονοδιάστατων (1D) και δισδιάστατων (2D) δεδομένων. Συνολικά, ένας φοιτητής χωρίς προϋπάρχουσες γνώσεις σε αυτούς τους μαθηματικούς τομείς θα δημιουργήσει το υπόβαθρο για να κατανοήσει τεχνικές Μηχανικής Μάθησης, ενώ όσοι έχουν ήδη υπόβαθρο σε μαθηματικές γνώσεις θα μπορούν να εμβαθύνουν περισσότερο στην εφαρμογή των μαθηματικών στη Μηχανική Μάθηση. Η μαθηματική μελέτη θα υποστηρίζεται από υπολογιστικό λογισμικό (computational software) που θα επιτρέπει τόσο αναλυτικές (analytical) όσο και αριθμητικές (numerical) αξιολογήσεις.
Τα κύρια θέματα της ενότητας είναι η Θεωρία Πιθανοτήτων και η Στατιστική (Probability Theory and Statistics), η Κυρτή Βελτιστοποίηση (Convex Optimization) και η Οπτικοποίηση (Visualization).
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA503
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική
Εξάμηνο προσφοράς: 1ο εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Ο στόχος της παρούσας ενότητας είναι να βοηθήσει τους φοιτητές να κατανοήσουν θεμελιώδεις έννοιες, προετοιμάζοντάς τους κατάλληλα για την εξειδικευμένη γνώση στην Επιστήμη Δεδομένων (Data Science) και τη Μηχανική Μάθηση (Machine Learning) που θα ακολουθήσει σε επόμενες ενότητες. Λειτουργεί ως γέφυρα ανάμεσα στα εισαγωγικά και τα πιο προχωρημένα μαθήματα του προγράμματος.
Η ενότητα ξεκινά με παρουσίαση βασικών Αλγορίθμων — αναζήτησης (searching), ταξινόμησης (sorting), αναδρομής (recursion) και γράφων (graph algorithms) — και Δομών Δεδομένων (stacks, queues, linked lists, trees, hash tables, sparse matrices), αναδεικνύοντας την υπολογιστική τους πολυπλοκότητα (time/space complexity) στο πλαίσιο εργασιών Επιστήμης Δεδομένων.
Στη συνέχεια εξετάζονται τα Συστήματα Βάσεων Δεδομένων (database systems), ώστε οι φοιτητές να κατανοήσουν, να ερωτούν και να διαχειρίζονται δομημένα δεδομένα (tables, keys, normalization, SQL), ενώ καλύπτονται επίσης βάσεις NoSQL για αδόμητα ή ημιδομημένα δεδομένα.
Ακολουθεί ενότητα πρακτικών δεξιοτήτων για συνεργατική και συντηρήσιμη ανάπτυξη κώδικα (version control, software management tools) μέσα σε έργα Επιστήμης Δεδομένων που κάνουν χρήση βάσεων δεδομένων, δομών δεδομένων και αλγορίθμων.
Τέλος, η ενότητα ολοκληρώνεται με πρακτικά παραδείγματα εφαρμογών της Επιστήμης Δεδομένων, λειτουργώντας ως γέφυρα προς πιο προχωρημένες έννοιες.
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA510
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική
Εξάμηνο προσφοράς: 2ο εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Οι φοιτητές θα αποκτήσουν στέρεο υπόβαθρο σχετικά με τους αλγοριθμικούς άξονες και τις υπολογιστικές απαιτήσεις των βασικών προσεγγίσεων στην Επιστήμη Δεδομένων (Data Science) και τη Μηχανική Μάθηση (Machine Learning). Θα μάθουν θεμελιώδεις έννοιες και αρχές που διέπουν τις τεχνικές εξαγωγής γνώσης από δεδομένα, θα εξοικειωθούν με πρακτικές παραμέτρους που αφορούν την ανάλυση και την ερμηνεία των δεδομένων, την αξιολόγηση της ποιότητας των εισαγόμενων δεδομένων και την εξαγωγή συμπερασμάτων από τα αποτελέσματα της εξόρυξης. Με την ολοκλήρωση της ενότητας θα μπορούν να εφαρμόζουν τη θεωρία και να χρησιμοποιούν γλώσσες, αλγορίθμους και εργαλεία για την επίλυση προβλημάτων του πραγματικού κόσμου, καθώς και να ερμηνεύουν και να επικοινωνούν τα ευρήματα σε κάθε είδους κοινό.
Περιεχόμενο Θ.Ε.: Προεπεξεργασία δεδομένων (Data preprocessing), Μηχανική χαρακτηριστικών (Feature engineering), Ανίχνευση εκτός τιμών (Outlier detection), Μείωση διαστάσεων (Dimensionality reduction), Συσταδοποίηση (Clustering), Εξόρυξη συχνών συνόλων αντικειμένων (Frequent itemsets), Κανόνες συσχέτισης (Association rules), Δέντρα αποφάσεων (Decision Trees), Παλινδρόμηση (Regression), Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines), Νευρωνικά Δίκτυα (Neural Networks).
Μαθησιακά Αποτελέσματα:
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA600
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική
Εξάμηνο προσφοράς: 2ο/3ο εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Η ενότητα εφοδιάζει τους φοιτητές με εξειδικευμένη γνώση στην εξόρυξη και ανάλυση μαζικών συνόλων δεδομένων, με έμφαση σε κλιμακώσιμους αλγορίθμους και πλαίσια Big Data. Σε αντίθεση με τα παραδοσιακά μαθήματα Επιστήμης Δεδομένων, δίνεται προτεραιότητα σε τεχνικές σχεδιασμένες να χειρίζονται δεδομένα που υπερβαίνουν τη χωρητικότητα της κύριας μνήμης και απαιτούν επεξεργασία σε κατανεμημένα συστήματα. Οι φοιτητές θα εξερευνήσουν την αρχιτεκτονική και τις αρχές συστημάτων όπως τα MapReduce και Spark, τα οποία υποστηρίζουν επεξεργασία δεδομένων μεγάλης κλίμακας.
Θα μάθουν μεθόδους αποδοτικής αναζήτησης ομοιότητας, όπως minhashing και locality-sensitive hashing (LSH), προσαρμοσμένες σε δεδομένα υψηλής διάστασης. Το μάθημα καλύπτει αλγορίθμους εξόρυξης συχνών προτύπων και κανόνων συσχέτισης σε κλίμακα, υπερβαίνοντας τις κλασικές, in-memory προσεγγίσεις.
Στο πλαίσιο των ροών δεδομένων (streaming data), οι φοιτητές θα κατανοήσουν μοντέλα και τεχνικές για επεξεργασία σε πραγματικό χρόνο, όπως sketches και προσεγγιστική καταμέτρηση (approximate counting). Ιδιαίτερη έμφαση δίνεται στην εξόρυξη δομημένων δεδομένων γράφου, όπου θα μελετηθούν οι αλγόριθμοι PageRank, HITS, η ανίχνευση κοινοτήτων (community detection) και η καταμέτρηση τριγώνων (triangle counting)—ιδιαίτερα χρήσιμα στην ανάλυση ιστού και κοινωνικών δικτύων.
Το μάθημα εισάγει επίσης κλιμακώσιμα συστήματα συστάσεων (recommender systems) με collaborative filtering και παραγοντοποίηση πινάκων (matrix factorization). Τεχνικές μείωσης διαστατικότητας, όπως οι αποσυνθέσεις CUR και οι τυχαίες προβολές (random projections), συζητούνται με έμφαση στην κλιμακωσιμότητά τους και την καταλληλότητά τους για μεγάλα σύνολα δεδομένων. Το περιεχόμενο της Μηχανικής Μάθησης επικεντρώνεται στην αποδοτική υλοποίηση αλγορίθμων ταξινόμησης και συσταδοποίησης για μαζικά δεδομένα.
Οι φοιτητές θα εξετάσουν ακόμη τον σχεδιασμό αλγορίθμων υπό περιορισμούς πόρων, και πώς οι συμβιβασμοί ανάμεσα σε προσέγγιση, ταχύτητα και ακρίβεια διαχειρίζονται σε κλίμακα. Σε όλη τη διάρκεια του μαθήματος, τα θεωρητικά θεμέλια συνδυάζονται με πρακτικές εργασίες που αφορούν μεγάλα datasets και κατανεμημένα περιβάλλοντα. Σε αντίθεση με το DAMA510, το οποίο επικεντρώνεται σε στατιστικά μοντέλα και εισαγωγική Μηχανική Μάθηση, η παρούσα ενότητα δίνει προτεραιότητα στις μηχανικές και αλγοριθμικές προκλήσεις της εργασίας με πραγματικά τεράστια δεδομένα. Με την ολοκλήρωση της ΘΕ, οι φοιτητές θα είναι ικανοί να σχεδιάζουν, να υλοποιούν και να αξιολογούν κλιμακώσιμες ροές εξόρυξης δεδομένων (data mining pipelines) χρησιμοποιώντας σύγχρονα πλαίσια.
Μαθησιακά Αποτελέσματα:
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA610
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Υποχρεωτική
Εξάμηνο προσφοράς: 3ο εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.:
Οι φοιτητές θα μπορούν να υλοποιούν μεθόδους Βαθιάς Μηχανικής Μάθησης (Deep Machine Learning) σε περιβάλλον Jupyter-Notebooks, να χρησιμοποιούν τα πακέτα Scikit-learn, TensorFlow/Keras και PyTorch και να γράφουν και να εκτελούν κώδικα Python. Αναμένεται να είναι εξοικειωμένοι με γραμμική και μη γραμμική παλινδρόμηση, τις Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines), να εφαρμόζουν κανονικοποίηση μοντέλων (model regularization) και να υλοποιούν Δέντρα Αποφάσεων (decision trees) και ομαδική μάθηση (ensemble learning) υπό τη μορφή Τυχαίων Δασών (random forests). Επιπλέον, θα πρέπει να γνωρίζουν πώς να πραγματοποιούν μείωση διαστατικότητας (dimensionality reduction) και να χρησιμοποιούν την Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis, PCA).
Η ενότητα εστιάζει σε μεθόδους νευρωνικών δικτύων και Βαθιάς Μάθησης, περιλαμβάνοντας πλήρως συνδεδεμένα βαθιά δίκτυα (fully connected deep networks), Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks, CNNs), προ-εκπαιδευμένα μοντέλα (pre-trained models), Μεγάλα Γλωσσικά Μοντέλα (Large Language Models, LLMs), Αυτοκωδικοποιητές (autoencoders) και Παραγωγικά Μοντέλα (generative models). Η χρήση Ανατροφοδοτούμενων Νευρωνικών Δικτύων (Recurrent Neural Networks, RNNs), Νευρωνικών Δικτύων με Ενσωματωμένη Φυσική (Physics-Informed Neural Networks, PINNs) και Περιορισμένων Μηχανών Boltzmann (Restricted Boltzmann Machines) ολοκληρώνει το υλικό της ΘΕ.
Η DAMA-610 βασίζεται σε μεγάλο βαθμό στη DAMA-510 και, μετά την ολοκλήρωσή της, οι φοιτητές θα μπορούν να αξιοποιούν τα μαθηματικά εργαλεία που απέκτησαν στην τελευταία για την επίλυση προβλημάτων πραγματικών δεδομένων.
Μαθησιακά Αποτελέσματα:
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).
Κωδικός Θ.Ε.: DAMA700
Πιστωτικές Μονάδες ECTS: 15
Τύπος Θ.Ε.: Επιλογής
Εξάμηνο προσφοράς: 3ο εξάμηνο
Γλώσσα διδασκαλίας: Αγγλική
Περίγραμμα
Σκοπός Θ.Ε.: Η παρούσα ΘΕ προσφέρει στους φοιτητές μια πρακτική ευκαιρία να σχεδιάσουν, να αναπτύξουν και να αξιολογήσουν ευφυή συστήματα σε ρεαλιστικό ή ερευνητικά προσανατολισμένο πλαίσιο. Αξιοποιώντας προϋπάρχουσες γνώσεις στη Μηχανική Μάθηση (Machine Learning) και τη Βαθιά Μάθηση (Deep Learning), οι φοιτητές θα υλοποιήσουν ένα καθοδηγούμενο έργο που δίνει έμφαση στην εφαρμοσμένη έρευνα και την ενοποίηση συστημάτων. Τα έργα ενδέχεται να περιλαμβάνουν πραγματικά σύνολα δεδομένων, διεπιστημονικά στοιχεία ή συνεργασία με πανεπιστημιακά εργαστήρια και βιομηχανικούς εταίρους.
Η ενότητα επικεντρώνεται στην επίλυση προβλημάτων που δεν επιδέχονται ξεκάθαρης λύσης, μέσω προηγμένων υπολογιστικών μεθόδων, σκέψης σε επίπεδο συστημάτων και επαναληπτικών πειραματισμών. Οι φοιτητές αναμένεται να τεκμηριώνουν τη διαδικασία ανάπτυξης, να αξιολογούν την απόδοση του συστήματός τους και να επικοινωνούν αποτελεσματικά τα αποτελέσματα. Μέσω αυτής της πρακτικής άσκησης αποκτούν πολύτιμη εμπειρία γεφυρώνοντας το χάσμα μεταξύ θεωρίας και πράξης, με διαχείριση της ενδεχόμενης αβεβαιότητας και παραδίδοντας λειτουργικές λύσεις, που θα βασίζονται σε υπάρχουσα έρευνα. Η ενότητα είναι ιδανική για φοιτητές που προετοιμάζονται για ρόλους στην εφαρμοσμένη Τεχνητή Νοημοσύνη (Applied AI), στην πρωτοτυποποίηση συστημάτων ή σε σταδιοδρομίες με έμφαση στην Έρευνα & Ανάπτυξη (R&D).
Μαθησιακά Αποτελέσματα:
Γνώσεις:
Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:
Δεξιότητες:
Με την επιτυχή ολοκλήρωση της ΘΕ, οι φοιτητές θα μπορούν να:
Ικανότητες:
Με την επιτυχή ολοκλήρωση της ΘΕ, οι φοιτητές θα μπορούν να:
Αξιολόγηση φοιτητριών/τών: Εκπόνηση γραπτών εργασιών κατά τη διάρκεια του ακαδημαϊκού εξαμήνου με συντελεστή βαρύτητας στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 30%. Τελικές γραπτές εξετάσεις, ο βαθμός των οποίων συμμετέχει στη διαμόρφωση του τελικού βαθμού της Θ.Ε. κατά 70%. Για περαιτέρω πληροφορίες μεταβείτε στον Οδηγό Σπουδών του ΕΑΠ.
Προαπαιτούμενα: Δεν υπάρχουν προαπαιτούμενα για αυτή τη Θ.Ε.
Μέθοδος διδασκαλίας: Εξ αποστάσεως με χρήση της Πλατφόρμας Τηλε-εκπαίδευσης του ΕΑΠ και διεξαγωγή Ομαδικών Συμβουλευτικών Συναντήσεων (ΟΣΣ).

