elen
elen

Data Science and Machine Learning (DAMA) – ΘΕΜΑΤΙΚΕΣ ΕΝΟΤΗΤΕΣ

Ε.Α.Π. > ΕΚΠΑΙΔΕΥΣΗ > Μεταπτυχιακά > Εξαμηνιαία > Data Science and Machine Learning (DAMA) > Data Science and Machine Learning (DAMA) – ΘΕΜΑΤΙΚΕΣ ΕΝΟΤΗΤΕΣ

DAMA501: Linear Algebra and Calculus

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).

Μαθησιακά Αποτελέσματα

Γνώσεις:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να αναγνωρίζουν ότι βασικοί μαθηματικοί πυλώνες για τη μηχανική μάθηση είναι η γραμμική άλγεβρα και ο διανυσματικός λογισμός.
  • Να συνοψίζουν βασικές έννοιες διανυσματικών χώρων.
  • Να περιγράφουν την έννοια του μέτρου (norm) ενός διανύσματος και του εσωτερικού γινομένου (inner product).
  • Να εξηγούν τι είναι ορθοκανονική βάση και να περιγράφουν το ορθογώνιο συμπλήρωμα υποχώρου.
  • Να ανακαλούν τον ορισμό του ίχνους (trace) και της ορίζουσας (determinant) ενός πίνακα.
  • Να εξηγούν τις έννοιες των ιδιοτιμών (eigenvalues) και ιδιοδιανυσμάτων (eigenvectors).
  • Να περιγράφουν την έννοια της κλίσης (gradient) πολυδιάστατης συνάρτησης και τη γεωμετρική της σημασία.
  • Να συνοψίζουν την κλίση πινάκων και τη σημασία της.
  • Να συνοψίζουν την έννοια της οπισθοδιάδοσης λάθους (error backpropagation).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να εφαρμόζουν βασικά μαθηματικά εργαλεία (linear algebra, calculus) για την ανάλυση και ερμηνεία μοντέλων μηχανικής μάθησης.
  • Να επιλέγουν και να εφαρμόζουν κατάλληλες τεχνικές παραγοντοποίησης πινάκων.
  • Να χρησιμοποιούν έννοιες διανυσματικών χώρων (ορθογωνιότητα, εσωτερικά γινόμενα, αλλαγή βάσης) για απλοποίηση προβλημάτων Μηχανικής Μάθησης.
  • Να αξιολογούν τη σημασία των κλίσεων και της οπισθοδιάδοσης λάθους στη βελτιστοποίηση αλγορίθμων.
  • Να χρησιμοποιούν το SageMath για εξερεύνηση μαθηματικών ιδιοτήτων σχετικά με την Μηχανική Μάθηση.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Εκτελούν βασικές πράξεις διάνυσμα–πίνακας — άθροιση, γινόμενο, μεταθετικό, αντίστροφο, ίχνος και ορίζουσα — τόσο αναλυτικά όσο και με χρήση εργαλείων όπως NumPy ή SageMath.
  • Υπολογίζουν και ερμηνεύουν μέτρα, εσωτερικά γινόμενα και αποστάσεις σε διανυσματικούς χώρους ℝⁿ, εφαρμόζοντάς τα για την εκτίμηση ομοιότητας και ορθογωνιότητας δεδομένων.
  • Λύνουν συστήματα γραμμικών εξισώσεων και εφαρμόζουν παραγοντοποιήσεις πινάκων για μείωση διαστάσεων, αριθμητική σταθερότητα και βελτιστοποίηση.
  • Υπολογίζουν ιδιοτιμές και ιδιοδιανύσματα.
  • Αναπτύσσουν και υλοποιούν αλγορίθμους οπισθοδιάδοσης για απλά τροφοδοτικά νευρωνικά δίκτυα, μεταφέροντας τα αναλυτικά παράγωγα σε κώδικα.
  • Εφαρμόζουν αλλαγές βάσης και μετασχηματισμούς συντεταγμένων (ορθοκανονικοί, διαγώνιαση) για απλοποίηση προβλημάτων και ανάδειξη λανθάνουσας δομής δεδομένων.
  • Αξιοποιούν περιβάλλοντα υπολογιστικών μαθηματικών (π.χ. SageMath) για πειραματισμό με πεδία διανυσμάτων, οπτικοποίηση επιπέδων ισοδυναμίας και παρακολούθηση τροχιών βελτιστοποίησης, επικυρώνοντας αριθμητικά τα αναλυτικά αποτελέσματα.

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).

 

DAMA502: Statistics and Optimization

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).

Μαθησιακά Αποτελέσματα

Γνώσεις:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να αναγνωρίζουν ότι βασικοί πυλώνες για τη Μηχανική Μάθηση είναι η θεωρία πιθανοτήτων, η στατιστική και η βελτιστοποίηση, και να εφαρμόζουν αναλυτικά (analytical) και υπολογιστικά (computational) εργαλεία.
  • Να συνοψίζουν τις ιδιότητες της μονομεταβλητής και πολυμεταβλητής κανονικής κατανομής (Gaussian distribution), να υπολογίζουν τις περιθώριες (marginal) και υπό συνθήκη (conditional) κατανομές, καθώς και μετασχηματισμούς της Gaussian συνάρτησης.
  • Να εστιάζουν στη διωνυμική (binomial) και Bernoulli κατανομή και να παρουσιάζουν αναλυτικά την Beta κατανομή.
  • Να συνοψίζουν τις συζυγείς προτεραιότητες (conjugate priors) που συνδέονται διαμέσου του Θεωρήματος Bayes.
  • Να εξηγούν τι είναι οι επαρκείς στατιστικοί δείκτες (sufficient statistics) και να περιγράφουν την εκθετική οικογένεια κατανομών (exponential family).
  • Να πραγματοποιούν αλλαγή τυχαίων μεταβλητών (change of random variables) και να βρίσκουν τη νέα συνάρτηση κατανομής.
  • Να απαριθμούν βασικές τεχνικές στατιστικής ανάλυσης.
  • Να διενεργούν ελέγχους υποθέσεων (hypothesis testing).
  • Να εντοπίζουν και να ερμηνεύουν ακραίες τιμές (outliers) σε σύνολα δεδομένων.
  • Να ανακαλούν τον τρόπο εύρεσης ελαχίστων για συναρτήσεις μιας μεταβλητής.
  • Να συνοψίζουν τη διαδικασία εύρεσης ελαχίστου πολυμεταβλητής συνάρτησης μέσω του αλγορίθμου καθόδου κλίσης (gradient descent).
  • Να εξηγούν τη λειτουργία του στοχαστικού αλγορίθμου καθόδου κλίσης (stochastic gradient descent), καθώς και τα πλεονεκτήματα και τους περιορισμούς του σε σύγκριση με τον απλό gradient descent.
  • Να περιγράφουν τους πολλαπλασιαστές Lagrange (Lagrange multipliers) και τη χρήση τους σε περιορισμένα προβλήματα βελτιστοποίησης.
  • Να παρουσιάζουν την κυρτή βελτιστοποίηση (convex optimization).
  • Να χρησιμοποιούν το SageMath για:
    • Εύρεση ελαχίστων πολυμεταβλητών συναρτήσεων.
    • Ελαχιστοποίηση συναρτήσεων με περιορισμούς.
    • Να αξιολογούν την απόδοση μοντέλων (model performance).
    • Να εξάγουν χρήσιμες πληροφορίες από την οπτικοποίηση δεδομένων (data visualization).
    • Να απεικονίζουν μονοδιάστατα (1D) και δισδιάστατα (2D) δεδομένα χρησιμοποιώντας binning, διαγράμματα πυκνότητας (density plots), διαγράμματα διασποράς (scatter plots) και κουτιά (box plots).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να πραγματοποιούν αλλαγές μεταβλητών σε κατανομές πιθανοτήτων και να συναγουν τις αντίστοιχες συναρτήσεις κατανομής.
  • Να διενεργούν ελέγχους υποθέσεων με τυποποιημένες στατιστικές μεθόδους.
  • Να εντοπίζουν και να ερμηνεύουν ακραίες τιμές (outliers) σε σύνολα δεδομένων.
  • Να χρησιμοποιούν το SageMath για την ελαχιστοποίηση πολυμεταβλητών συναρτήσεων και την επίλυση περιορισμένων προβλημάτων βελτιστοποίησης.
  • Να αξιολογούν την απόδοση μοντέλων μηχανικής μάθησης χρησιμοποιώντας μετρικές βελτιστοποίησης και στατιστικές μετρικές.
  • Να δημιουργούν κατάλληλες οπτικοποιήσεις (π.χ. ιστογράμματα, διαγράμματα πυκνότητας, διαγράμματα διασποράς) για 1D και 2D δεδομένα με τα κατάλληλα εργαλεία.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να επιλέγουν και να εφαρμόζουν κατάλληλες μεθόδους πιθανοτήτων, στατιστικής και βελτιστοποίησης για την ανάλυση και επίλυση προβλημάτων στη μηχανική μάθηση.
  • Να συνδυάζουν στατιστική σκέψη με υπολογιστικά εργαλεία για την ερμηνεία πραγματικών δεδομένων και τη λήψη τεκμηριωμένων αποφάσεων.
  • Να αξιολογούν κριτικά την καταλληλότητα αλγορίθμων βελτιστοποίησης (π.χ. SGD vs. GD) για την εκπαίδευση συγκεκριμένων μοντέλων μηχανικής μάθησης.
  • Να επιλύουν πρακτικά προβλήματα βελτιστοποίησης με περιορισμούς (π.χ. Lagrange multipliers) στο πλαίσιο της μηχανικής μάθησης.
  • Να ερμηνεύουν και να επικοινωνούν τα ευρήματα από οπτικοποιήσεις δεδομένων για την υποστήριξη συμπερασμάτων βασισμένων σε δεδομένα.
  • Να εργάζονται αυτόνομα με μαθηματικά λογισμικά (π.χ. SageMath) για την ανάλυση δεδομένων και την επικύρωση αλγορίθμων μάθησης.

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).

 

DAMA503: Programming, Databases and Algorithms

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.

Μαθησιακά Αποτελέσματα

Γνώσεις:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να κατανοούν και να εξηγούν τον ρόλο που διαδραματίζουν οι βασικές δομές δεδομένων (data structures) σε εργασίες της Επιστήμης Δεδομένων (data science).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να αναλύουν τις δομές δεδομένων ως προς τη χρονική και χωρική πολυπλοκότητά τους (time and space complexity).
  • Να επιλέγουν και να χρησιμοποιούν τις κατάλληλες δομές δεδομένων και αλγορίθμους για την επίλυση εργασιών Επιστήμης Δεδομένων (data science tasks).
  • Να εφαρμόζουν αναδρομή (recursion) σε κατάλληλα πλαίσια.
  • Να σχεδιάζουν βάσεις δεδομένων για την αποθήκευση δομημένων δεδομένων.
  • Να φιλτράρουν δεδομένα από δομημένες βάσεις δεδομένων με χρήση SQL.
  • Να διαχειρίζονται αδόμητα δεδομένα με βάσεις NoSQL.
  • Να χρησιμοποιούν συστήματα ελέγχου έκδοσης (version control systems) για την ανάπτυξη έργων Επιστήμης Δεδομένων.
  • Να ενσωματώνουν εργαλεία διαχείρισης λογισμικού (software management tools) στη διαδικασία ανάπτυξης.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Να αξιολογούν διαφορετικές δομές δεδομένων και αλγορίθμους ως προς την καταλληλότητά τους για εργασίες Επιστήμης Δεδομένων.
  • Να αξιολογούν συστήματα αποθήκευσης δεδομένων (data stores) με κριτήριο την ικανότητά τους να διαχειρίζονται δομημένα και αδόμητα δεδομένα.
  • Να αξιολογούν εργαλεία ανάπτυξης λογισμικού (software development tools).

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).

 

DAMA510: Machine Learning

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:

  • Εξηγούν τις βασικές φάσεις της διαδικασίας Επιστήμης Δεδομένων (data science process) και τον ρόλο του επιστήμονα δεδομένων (data scientist).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Αξιολογούν την ποιότητα και τα χαρακτηριστικά των εισαγόμενων δεδομένων, όπως τύπους δεδομένων (data types), ελλείπουσες τιμές (missing values) και ακραίων τιμών (outliers).
  • Εφαρμόζουν τεχνικές προεπεξεργασίας δεδομένων (data preprocessing), όπως καθαρισμό (data cleaning), μετασχηματισμό (transformation) και κλιμάκωση χαρακτηριστικών (feature scaling), χρησιμοποιώντας κατάλληλα εργαλεία και γλώσσες.
  • Πραγματοποιούν μείωση διαστάσεων (dimensionality reduction) για τη μείωση της πολυπλοκότητας σε δεδομένα υψηλής διάστασης.
  • Υπολογίζουν μέτρα ομοιότητας και απόστασης (similarity and distance measures) για αριθμητικά και κατηγορικά γνωρίσματα.
  • Εφαρμόζουν αλγορίθμους συσταδοποίησης (clustering algorithms) για την ανακάλυψη ομάδων σε μη επισημασμένα δεδομένα.
  • Εφαρμόζουν εξόρυξη συχνών στοιχειοσυνόλων (frequent itemset mining) και μάθηση κανόνων συσχέτισης (association rule learning) για την εξαγωγή προτύπων από συναλλακτικά δεδομένα.
  • Εφαρμόζουν μοντέλα παλινδρόμησης (regression) και ταξινόμησης (classification) σε επισημασμένα σύνολα δεδομένων.
  • Αναλύουν τα χαρακτηριστικά ενός συνόλου δεδομένων και το προετοιμάζουν για επιβλεπόμενη μάθηση, αντιμετωπίζοντας την ανισορροπία (imbalance), επιλέγοντας γνωρίσματα και κωδικοποιώντας μεταβλητές.
  • Επιλέγουν σχετικά γνωρίσματα με τεχνικές μείωσης διαστάσεων και επιλογής χαρακτηριστικών (feature selection) για τη βελτίωση της προγνωστικής ακρίβειας.
  • Εφαρμόζουν μάθηση με Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines) και Νευρωνικά Δίκτυα (neural networks) σε εργασίες ταξινόμησης, αναλύοντας την απόδοσή τους και τη συμπεριφορά τους.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν:

  • Επικοινωνούν αποτελεσματικά τα ευρήματα και τα αποτελέσματα, χρησιμοποιώντας κατάλληλα εργαλεία οπτικοποίησης (visualization tools).
  • Αξιολογούν την καταλληλότητα διαφορετικών παραδειγμάτων συσταδοποίησης (clustering paradigms) για συγκεκριμένα προβλήματα.
  • Αξιολογούν μοντέλα κανόνων συσχέτισης βάσει μετρικών επικύρωσης και συνάφειας με το αντικείμενο (domain relevance).
  • Αξιολογούν την απόδοση μοντέλων (model performance) χρησιμοποιώντας ποικιλία μετρικών.

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).

 

DAMA600: Mining of Massive Datasets

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:

  • Περιγράφουν τις προκλήσεις της εξόρυξης συνόλων δεδομένων μεγάλης κλίμακας και να συζητούν τις αντίστοιχες υπολογιστικές αρχιτεκτονικές.
  • Ορίζουν και εφαρμόζουν μέτρα ομοιότητας (similarity measures) και να χρησιμοποιούν τεχνικές shingling και minhashing για σύγκριση δεδομένων.
  • Σχεδιάζουν σχήματα locality-sensitive hashing (LSH) για αποδοτική αναζήτηση ομοιότητας.
  • Χρησιμοποιούν και αξιολογούν κλιμακώσιμους αλγορίθμους εξόρυξης συχνών συνόλων αντικειμένων (frequent itemset mining).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:

  • Αναλύουν και μοντελοποιούν δεδομένα μεγάλων γράφων εφαρμόζοντας αλγορίθμους όπως PageRank και ανίχνευση κοινοτήτων (community detection).
  • Υλοποιούν αλγορίθμους επεξεργασίας ροών δεδομένων (data stream processing) με μεθόδους δειγματοληψίας και sketching, π.χ. Count-Min Sketch.
  • Εφαρμόζουν τεχνικές συσταδοποίησης (clustering) προσαρμοσμένες σε μεγάλα σύνολα δεδομένων, όπως K-means και ιεραρχική συσταδοποίηση (hierarchical clustering).
  • Αναπτύσσουν κλιμακώσιμα συστήματα συστάσεων (recommender systems) με collaborative filtering και παραγοντοποίηση πινάκων (matrix factorization).

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:

  • Κατανοούν μεθόδους μείωσης διαστατικότητας, συμπεριλαμβανομένων των αναλύσεων SVD και CUR.
  • Περιγράφουν και υλοποιούν κλιμακώσιμες μεθόδους ταξινόμησης για μεγάλα δεδομένα, π.χ. decision trees, naïve Bayes.
  • Εφαρμόζουν αλγορίθμους μηχανικής μάθησης σε κατανεμημένα υπολογιστικά περιβάλλοντα, όπως το πλαίσιο MapReduce.
  • Αξιολογούν την αποδοτικότητα, την κλιμακωσιμότητα και την καταλληλότητα τεχνικών εξόρυξης μαζικών δεδομένων σε πραγματικά σενάρια.

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).

 

DAMA610: Deep Learning

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:

  • Κατανοούν τις έννοιες της Εποπτευόμενης, Μη Εποπτευόμενης, Αυτο-εποπτευόμενης και Ενισχυτικής Μάθησης (Supervised, Unsupervised, Self-Supervised, Reinforcement Learning).
  • Κατανοούν τη Μεταφορά Μάθησης (Transfer Learning) και να αξιοποιούν προ-εκπαιδευμένα μοντέλα (pre-trained models) για συναφείς εργασίες.
  • Κατανοούν την έννοια των Παραγωγικών Μοντέλων (Generative Models).

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:

  • Υλοποιούν μοντέλα Μηχανικής και Βαθιάς Μάθησης και να εκτελούν ρύθμιση υπερπαραμέτρων (hyperparameter tuning) σε περιβάλλον Jupyter-notebooks χρησιμοποιώντας τα πακέτα Scikit-learn, TensorFlow/Keras ή PyTorch.
  • Χρησιμοποιούν Ανατροφοδοτούμενα Νευρωνικά Δίκτυα (Recurrent Neural Networks, RNNs) και να αξιολογούν την αποτελεσματικότητά τους.
  • Εφαρμόζουν Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks, CNNs) σε συγκεκριμένα σύνολα δεδομένων και να περιγράφουν τη δομή τους.
  • Χρησιμοποιούν Μεγάλα Γλωσσικά Μοντέλα (Large Language Models, LLMs) για ποικιλία γλωσσικών εργασιών.
  • Εκτελούν αυτο-εποπτευόμενη μάθηση υλοποιώντας Αυτοκωδικοποιητές (autoencoders).
  • Παράγουν εικόνες με Παραγωγικά Ανταγωνιστικά Νευρωνικά Δίκτυα (Generative Adversarial Networks, GANs) και να αξιολογούν την ποιότητα των αποτελεσμάτων.
  • Κατανοούν την έννοια των Μοντέλων Διάχυσης (Diffusion Models) και να αναγνωρίζουν αναδυόμενες εφαρμογές.
  • Εφαρμόζουν Ενισχυτική Μάθηση (reinforcement learning) σε συγκεκριμένα προβλήματα.
  • Χρησιμοποιούν Νευρωνικά Δίκτυα με Ενσωματωμένη Φυσική (Physics-Informed Neural Networks, PINNs) σε επιστημονικές εφαρμογές.
  • Περιγράφουν τις Μηχανές Boltzmann και τις Περιορισμένες Μηχανές Boltzmann (Boltzmann Machines, Restricted Boltzmann Machines) και τον ρόλο τους στη Βαθιά Μάθηση.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της θεματικής ενότητας, οι φοιτήτριες/φοιτητές θα μπορούν να:

  • Αξιολογούν την αποτελεσματικότητα των Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Networks) σε διαφορετικά πλαίσια.
  • Εκτιμούν την ποιότητα των αποτελεσμάτων που παράγονται από GANs.
  • Αξιοποιούν προ-εκπαιδευμένα μοντέλα σε συναφή καθήκοντα μέσω Μεταφοράς Μάθησης (Transfer Learning).

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).

 

DAMA700: Applied Research and Development: Systems Practicum

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:

  • Περιγράφουν ολόκληρο τον κύκλο ζωής της εφαρμοσμένης έρευνας — από τη διατύπωση του προβλήματος και την ανασκόπηση βιβλιογραφίας, έως τον σχεδιασμό πειράματος, την υλοποίηση, την αξιολόγηση και τη διάχυση αποτελεσμάτων — στο πλαίσιο ευφυών συστημάτων.
  • Εξηγούν την αρχιτεκτονική ολοκληρωμένων (end-to-end) συστημάτων μηχανικής μάθησης, συμπεριλαμβανομένων της εισαγωγής δεδομένων, της προεπεξεργασίας, της εκπαίδευσης μοντέλου, της επικύρωσης, της παραγωγικής διάθεσης (deployment) και της μετα-παραγωγικής παρακολούθησης.
  • Εξηγούν τεχνικές συστηματικής ρύθμισης υπερπαραμέτρων, επιλογής μοντέλου και συγκριτικής αξιολόγησης υπό υπολογιστικούς, χρονικούς και λοιπούς περιορισμούς.

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της ΘΕ, οι φοιτητές θα μπορούν να:

  • Υλοποιούν ένα λειτουργικό πρωτότυπο (working prototype) μιας ακολουθίας μηχανικής μάθησης χρησιμοποιώντας κατάλληλα εργαλεία, βιβλιοθήκες (libraries) και πλατφόρμες (platforms).
  • Αξιολογούν την απόδοση ενός συστήματος (system performance) βάσει καθορισμένων μετρικών (metrics) και να εντοπίζουν σημεία βελτίωσης.
  • Επικοινωνούν τεχνικό έργο με σαφήνεια μέσω δομημένων αναφορών, τεκμηρίωσης κώδικα (code documentation) και παρουσιάσεων.

Ικανότητες:

Με την επιτυχή ολοκλήρωση της ΘΕ, οι φοιτητές θα μπορούν να:

  • Αναλύουν ένα πρόβλημα συγκεκριμένου τομέα (domain-specific problem) και να διατυπώνουν ερευνητικούς ή αναπτυξιακούς στόχους σε επίπεδο συστήματος.
  • Σχεδιάζουν μια αρχιτεκτονική λύσης (solution architecture) που ενσωματώνει συνιστώσες Μηχανικής ή Βαθιάς Μάθησης (machine learning / deep learning components).
  • Συνεργάζονται αποτελεσματικά σε ομαδικό περιβάλλον, συνδυάζοντας επιμέρους συνεισφορές και διαχειριζόμενοι επιμέρους υπευθυνότητες.

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).

Υποβολή αιτήσεων

Κάνε εδώ την αίτησή σου για όποιο πρόγραμμα σε ενδιαφέρει!


Κάνε αίτηση
Μετάβαση στο περιεχόμενο