Στατιστικές Μέθοδοι

Σε αυτό το μάθημα οι φοιτητές/τριες εμβαθύνουν στις πολυμεταβλητές τεχνικές για την περιγραφή και ανάλυση δεδομένων, με εφαρμογές που ξεκινούν από την πολλαπλή γραμμική παλινδρόμηση μέχρι την ανάλυση κυρίων συνιστωσών και την παραγοντική ανάλυση. Οι φοιτητές μαθαίνουν πώς να αναγνωρίζουν μοτίβα στα δεδομένα και να εφαρμόζουν τεχνικές ομαδοποίησης και διαχωριστικής ανάλυσης για την ανάδειξη σημαντικών πληροφοριών. Η θεωρητική προσέγγιση συνδυάζεται με πρακτικές εφαρμογές μέσω εργαστηριακών ασκήσεων και projects, ενισχύοντας την ικανότητα επιλογής των κατάλληλων μεθοδολογιών για κάθε πρόβλημα.
Η εφαρμογή αυτών των τεχνικών σε πραγματικά δεδομένα ενισχύει την ικανότητα των φοιτητών/τριών να εξάγουν ουσιαστικά συμπεράσματα και να παρουσιάζουν τα αποτελέσματα τους με σαφήνεια. Το μάθημα προετοιμάζει τους/τις συμμετέχοντες/ουσες για την επαγγελματική χρήση των στατιστικών εργαλείων στην ανάλυση δεδομένων.

Ανάλυση και Οπτικοποίηση Δεδομένων

Το μάθημα εισάγει τις αρχές διαχείρισης και οπτικοποίησης δεδομένων, εστιάζοντας στη χρήση του Power BI ως σύγχρονου εργαλείου επιχειρηματικής ανάλυσης. Οι φοιτητές μαθαίνουν να συλλέγουν, να επεξεργάζονται και να μετασχηματίζουν δεδομένα από πολλαπλές πηγές, να δημιουργούν δυναμικά dashboards και να αξιοποιούν τη γλώσσα DAX για υπολογισμούς και μοντελοποίηση. Παράλληλα, αναπτύσσουν δεξιότητες data storytelling, ώστε να συνδέουν την οπτική αναπαράσταση με την υποστήριξη της λήψης αποφάσεων. Το μάθημα συνδυάζει θεωρητική διδασκαλία με πρακτικές εφαρμογές σε πραγματικά δεδομένα.

Τεχνητή Νοημοσύνη

Το μάθημα προσφέρει μια εισαγωγή στις βασικές έννοιες, τεχνικές και εφαρμογές της Τεχνητής Νοημοσύνης, με έμφαση στη λήψη αποφάσεων, τα έξυπνα συστήματα και τα σύγχρονα υπολογιστικά εργαλεία. Οι φοιτητές εξοικειώνονται με τις διαφορές μεταξύ AI agents και chatbots, κατανοούν τους βασικούς αλγορίθμους, και εφαρμόζουν τεχνικές προγραμματισμού με Python. Ιδιαίτερη βαρύτητα δίνεται σε ζητήματα ηθικής, μεροληψίας και ρυθμιστικών πλαισίων (π.χ. GDPR, AI Act). Το μάθημα συνδυάζει θεωρητική κατάρτιση με εργαστηριακή εξάσκηση, προετοιμάζοντας τους φοιτητές για την κριτική αξιολόγηση και εφαρμογή τεχνολογιών και υπηρεσιών Τεχνητής Νοημοσύνης.

Βαθιά Μάθηση

Το μάθημα εστιάζει στις θεωρητικές βάσεις και τις πρακτικές εφαρμογές της Βαθιάς Μάθησης, εξετάζοντας αρχιτεκτονικές νευρωνικών δικτύων για την επίλυση σύνθετων προβλημάτων σε πεδία όπως η επεξεργασία εικόνας, φυσικής γλώσσας και ακολουθιακών δεδομένων. Οι φοιτητές εκπαιδεύονται σε μοντέλα όπως CNNs, RNNs, LSTMs και GRUs, καθώς και σε τεχνικές βελτιστοποίησης. Μέσα από εργαστηριακές ασκήσεις και projects με χρήση βιβλιοθηκών TensorFlow και PyTorch, καλλιεργούνται δεξιότητες σχεδιασμού, υλοποίησης και αξιολόγησης μοντέλων, προετοιμάζοντας τους φοιτητές για ερευνητική ή επαγγελματική ενασχόληση με τεχνολογίες βαθιάς μάθησης.

Σύγχρονες Μεθοδολογίες Έρευνας

Το μάθημα «Σύγχρονες Μεθοδολογίες Έρευνας» εστιάζει στις σύγχρονες ερευνητικές μεθοδολογίες, παρέχοντας στους φοιτητές τα εργαλεία για την οργάνωση, διεξαγωγή και παρουσίαση ερευνητικών projects. Οι συμμετέχοντες εξοικειώνονται με τεχνικές δειγματοληψίας, τον σχεδιασμό πειραμάτων και την εκτέλεση A/B testing, ενώ παράλληλα εμβαθύνουν στις αρχές συγγραφής και κριτικής αξιολόγησης επιστημονικών άρθρων. Η χρήση εργαλείων επιχειρηματικής ευφυΐας, όπως το Power BI, σε συνδυασμό με τεχνολογίες AI για συστηματικές ανασκοπήσεις, προσφέρει μια ολοκληρωμένη προσέγγιση στον σύγχρονο ερευνητικό χώρο.