Το ΚΕ.ΔΙ.ΒΙ.Μ. του ΔΠΘ διοργανώνει για τέταρτη φορά (δ` κύκλος) το εξ αποστάσεως εκπαιδευτικό/επιμορφωτικό πρόγραμμα με τίτλο: “Τεχνητή Νοημοσύνη και Μηχανική Μάθηση: Θεωρία και Εφαρμογές” από 4 Μαρτίου 2024 έως 4 Ιουλίου 2024.

Η ηλεκτρονική υποβολή αιτήσεων έχει ήδη ξεκινήσει από τις 24 Ιανουαρίου και ολοκληρώνεται στις 24 Φεβρουαρίου.

Το πρόγραμμα απευθύνεται σε όλους όσους θέλουν να επιμορφωθούν στα θέματα Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης με πρακτικές εφαρμογές:

  • Απόφοιτους Λυκείου,
  • Προπτυχιακούς, μεταπτυχιακούς και διδακτορικούς φοιτητές
  • Πτυχιούχους Ελληνικών και Ξένων Πανεπιστημίων

Πιστοποιούμενα προσόντα

Μετά την επιτυχή παρακολούθηση και αξιολόγηση, το πρόγραμμα οδηγεί στην απόκτηση Πιστοποιητικού Εξειδικευμένης Επιμόρφωσης 204 ωρών και 7 ECTS.

Σκοπός του προγράμματος

Η επιστημονική ταξινόμηση και πρόγνωση παραδοσιακά γίνεται με μεθόδους των Μαθηματικών, της Στατιστικής και της Οικονομετρίας. Τα τελευταία 30 χρόνια παράλληλα, εμφανίστηκαν νέες προσεγγίσεις, προερχόμενες κυρίως από τις Πολυτεχνικές Σχολές: Η Τεχνητή Νοημοσύνη (ΤΝ) και η Μηχανική Μάθηση (ΜΜ), δυο αλληλένδετες έννοιες που περικλείουν υπολογιστικά συστήματα, μεθοδολογίες και τεχνικές. Οι εφαρμογές τους σε πραγματικά προβλήματα, έφεραν αποτελέσματα συγκρίσιμα και πολλές φορές καλύτερα από τις παραδοσιακές μεθοδολογικές προσεγγίσεις. Το Πρόγραμμα θα καλύψει το κενό που υπάρχει αναφορικά με την πρακτική και εμπειρική χρήση της ΤΝ και ΜΜ σε πραγματικά προβλήματα πρόβλεψης και ταξινόμησης.

Η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση (ΤΝΜΜ), αποτελούν σήμερα την αιχμή της επιστήμης στην εμπειρική έρευνα και εφαρμογή σε πανεπιστήμια, ερευνητικά κέντρα, μεγάλες και μεσαίες επιχειρήσεις (Google, Amazon, Facebook, Telsa, κλπ).

Το πρόγραμμα δεν προϋποθέτει καμία προηγούμενη γνώση των εκπαιδευόμενων στην ΤΝΜΜ ή στην Python, και εισάγει – εκπαιδεύει τους καταρτιζόμενους στην φιλοσοφίαμεθοδολογίες και τεχνικές της Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης με έμφαση στις πρακτικές εφαρμογές. Στόχος του προγράμματος είναι η κατανόηση της εφαρμογής των αλγορίθμων της ΤΝ και ΜΜ, χωρίς (απαραίτητα) εμβάθυνση στο μαθηματικό, αλγοριθμικό ή προγραμματιστικό κομμάτι των μεθόδων αυτών. Έτσι, αυτές μπορούν να γίνουν γνωστές και να αποτελέσουν εργαλεία πρακτικής και άμεσα εφαρμόσιμης οικονομικής και επιχειρηματικής ανάλυσης-πρόβλεψης από τον κάθε ενδιαφερόμενο χωρίς προηγούμενη σχετική εξειδικευμένη γνώση.

Γίνεται παρουσίαση όλων των σημαντικών αλγορίθμων Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης (ΤΝΜΜ). Για παράδειγμα, K-Means, Hierarchical Clustering για ομαδοποίηση, μείωση διαστάσεων, ανίχνευση ανωμαλιών κλπ, όπως και επιβλεπόμενης  μάθησης, Neural Networks, Support Vector Machines and Regression, Decision Trees, Random Forests, Logit, K-NN, κλπ καθώς και σχετικές Boosting και Bagging τεχνικές. Οι τεχνικές αυτές αντιπαραβάλλονται με κλασικές σχετικές μεθόδους για λόγους σύγκρισης και κατανόησης των ομοιοτήτων και διαφορών.

Γίνεται εκπαίδευση στην βασική χρήση της γλώσσας Python χωρίς να απαιτείται καμία προηγούμενη σχετική γνώση

Με την επιτυχή ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι θα έχουν τη σχετική εργαλειοθήκη (toolbox) με έτοιμο κώδικα Python που μπορεί να χρησιμοποιηθεί άμεσα και εύκολα σε οποιοδήποτε πρόβλημα πρόβλεψης ή ταξινόμησης για κάθε μελλοντική εφαρμογή στις σπουδές ή στην εργασία τους.

Μεθοδολογία υλοποίησης προγράμματος: 

  • Το πρόγραμμα υλοποιείται μέσω της ασύγχρονης εξ αποστάσεως εκπαίδευσης χωρίς να απαιτείται φυσική παρουσία.
  • H εξ αποστάσεως ασύγχρονη διδασκαλία κρίνεται ως ενδεδειγμένη μεθοδολογία καθώς δίνει τη δυνατότητα στους συμμετέχοντες από διαφορετικές γεωγραφικές περιοχές, να προσαρμόζουν τη μελέτη τους σύμφωνα με τις εξατομικευμένες τους ανάγκες και ελέυθερο χρόνο.
  • Οι θεματικές ενότητες θα περιέχουν φυσική διδασκαλία μέσω εγγεγραμμένων video με τη μορφή webinar. Σε αυτά οι διδάσκοντες θα παρουσιάζουν, αναλύουν και εξηγούν επιλεγμένες έννοιες ή αντικείμενα.
  • Επιπλέον, θα παρέχεται πλούσιο υλικό με την μορφή κειμένων σε pdf, παρουσιάσεων ppt, κώδικά Python, βιβλιογραφία και ασκήσεις αυτοαξιολόγησης.
  • Όταν κρίνεται απαραίτητο, για άμεση συζήτηση και απαντήσεις των ερωτήσεων των εκπαιδευόμενων θα υπάρχουν και εξ αποστάσεως συναντήσεις στην πλατφόρμα Google Meet σε προκαθορισμένες ημερομηνίες με προαιρετική παρουσία. Στις περιπτώσεις αυτές,μετά το πέρας τους, τα video θα αναρτώνται επίσης στην πλατφόρμα. 

Αξιολόγηση Εκπαιδευόμενων

  • Στο τέλος του προγράμματος, οι εκπαιδευόμενοι θα αξιολογηθούν με την υποβολή ενός σύντομου project, όπου θα χρησιμοποιήσουν τον κώδικα που τους παρέχεται για να κάνουν πρόβλεψη σε συγκεκριμένα θέματα γενικού και ειδικού ενδιαφέροντος, όπως πρόβλεψη τιμών μετοχών, δεικτών, κρυπτονομισμάτων, συναλλαγματικών ισοτιμιών, επιτοκίων, ασφαλιστικών παροχών, πελατολογίου, αγορών και επισκέψεων σε καταστήματα, απάτης, κλπ.  
  • Με την επιτυχή ολοκλήρωση οι εκπαιδευόμενοι θα λάβουν Πιστοποιητικό Εξειδικευμένης Επιμόρφωσης στην Τεχνητή Νοημοσύνη και Μηχανική Μάθηση, από το ΔΠΘ.
  • Σε περίπτωση ανεπιτυχούς ολοκλήρωσης, οι εκπαιδευόμενοι θα λάβουν Πιστοποιητικό Παρακολούθησης από το ΔΠΘ.

Τόπος Υλοποίησης Προγράμματος

Διαδικτυακά μέσω της πλατφόρμας τηλεκπαίδευσης Eclasshttps://eclass.kedivim.duth.gr/ 

Κριτήρια αξιολόγησης των αιτήσεων

  • Ο μέγιστος αριθμός εισακτέων του προγράμματος ορίζεται στους 45.
  • Για τη συμμετοχή θα τηρηθεί αυστηρά η σειρά προτεραιότητας.
  • Για την εκδήλωση ενδιαφέροντος και την επιλογή των εκπαιδευόμενων απαιτείται η ηλεκτρονική αποστολή ενός από τα παρακάτω που δείχνει ότι είναι κατ’ ελάχιστο απόφοιτος/η λυκείου:
  • Απολυτήριο λυκείου.
  • Πτυχίο Πανεπιστημίου ή ΤΕΙ.
  • Βεβαίωση της γραμματείας για φοίτηση σε σχολή Τριτοβάθμιας Εκπαίδευσης

Για περισσότερες πληροφορίες, κόστος συμμετοχής και υποβολή αιτήσεων, πατήστε εδώ

©ΚΕ.ΔΙ.ΒΙ.Μ./ΔΠΘ

Ψηφιακή τεχνολογία/εξειδίκευση
  • Τεχνητή νοημοσύνη (Artificial Intelligence)
  • Μηχανική Μάθηση (Machine Learning)
  • Ψηφιακές δεξιότητες
Επίπεδο ψηφιακών δεξιοτήτων
  • Βασικό
  • Ενδιάμεσο
  • Προχωρημένο
Χώρα
  • Ελλάδα
Είδος πρωτοβουλίας
  • Εθνική πρωτοβουλία
Διαβάσετε περισσότερα