Θέματα Τεχνητής Νοημοσύνης και Μεγάλων Δεδομένων

Γενικά

• Κωδικός: Γ14
• Εξάμηνο: Κατ/νσης Χειμερινό
• Επίπεδο Σπουδών: Προπτυχιακό
• Τύπος μαθήματος: Ειδίκευσης
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Το μάθημα διατίθεται σε φοιτητές Erasmus
• Μέθοδοι Διδασκαλίας (Ώρες/εβδ.): Διαλέξεις και Ασκήσεις Πράξης (3)
• Μονάδες ECTS: 5

Περιεχόμενα μαθήματος

ΔΙΑΛΕΞΕΙΣ ΚΑΙ ΑΣΚΗΣΕΙΣ ΠΡΑΞΗΣ:

• Εισαγωγή στην AI και Big Data: Θεμελιώδεις έννοιες, ιστορική εξέλιξη και σημασία στην επιχειρηματικότητα
• Τύποι Τεχνητής Νοημοσύνης: Rule-based systems, μηχανική μάθηση, deep learning
• Αλγόριθμοι Μηχανικής Μάθησης: Supervised & Unsupervised learning, clustering, regression
• Νευρωνικά Δίκτυα & Deep Learning: Βασική δομή, λειτουργία και εφαρμογές
• Βάσεις Δεδομένων & Big Data Storage: SQL vs NoSQL, data lakes, distributed databases
• Πηγές και Συλλογή Μεγάλων Δεδομένων: Structured/unstructured data, APIs, IoT
• Επεξεργασία & Οπτικοποίηση Δεδομένων: Data cleaning, dashboards, εργαλεία (π.χ. Tableau, Power BI) 8. Big Data Analytics: Predictive analytics, customer segmentation, behavior analysis
• Cloud & Edge Computing: AWS, Azure, Google Cloud, υπολογιστικά μοντέλα
• AI στην Επιχειρηματική Λήψη Αποφάσεων: Παραδείγματα στρατηγικής χρήσης AI σε επιχειρήσεις
• Κανονιστικά & Ηθικά Θέματα: GDPR, bias στους αλγορίθμους, υπευθυνότητα στη χρήση δεδομένων

Μαθησιακοί Στόχοι

Το μάθημα συνδυάζει δύο καίριους πυλώνες της ψηφιακής εποχής και μπορεί να προσφέρει ιδιαίτερα πολύτιμες δεξιότητες σε φοιτητές Διοίκησης Επιχειρήσεων, Πληροφορικής ή Αναλυτικής Δεδομένων.

Το μάθημα στοχεύει στα εξής:

• Να παρουσιάσει τις βασικές αρχές και τεχνικές της Τεχνητής Νοημοσύνης (ΑΙ) και των Μεγάλων Δεδομένων (Big Data).
• Να αναδείξει τις εφαρμογές τους στη βιομηχανία, τις επιχειρήσεις και την κοινωνία.
• Να καλλιεργήσει αναλυτικές και τεχνικές δεξιότητες, ώστε οι φοιτητές να μπορούν να κατανοούν, να χειρίζονται και να εφαρμόζουν εργαλεία που βασίζονται σε ΑΙ και Big Data.
• Να αναπτύξει κριτική σκέψη για τις ηθικές και κοινωνικές προεκτάσεις της ΑΙ και της μαζικής συλλογής δεδομένων.
• Να συνδέσει τις τεχνολογίες με επιχειρηματικές αποφάσεις, καινοτομία και στρατηγική.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν να:

• Εξηγούν τις βασικές έννοιες της Τεχνητής Νοημοσύνης (π.χ. μηχανική μάθηση, νευρωνικά δίκτυα) και των Μεγάλων Δεδομένων (π.χ. δομές, αποθήκευση, επεξεργασία).
• Αναλύουν δεδομένα με χρήση εργαλείων όπως Python, Excel, RapidMiner ή πλατφόρμες cloud.
• Σχεδιάζουν απλές λύσεις βασισμένες σε AI ή Big Data, για πραγματικά επιχειρησιακά προβλήματα.
• Αξιολογούν την επίδραση της ΑΙ & Big Data στη λήψη αποφάσεων, τις καταναλωτικές συμπεριφορές ή τις εσωτερικές διαδικασίες.
• Ανιχνεύουν ηθικά ζητήματα, όπως bias στους αλγορίθμους, ασφάλεια δεδομένων και χρήση προσωπικής πληροφορίας.
• Συνεργάζονται σε ομάδες για την ανάπτυξη μικρών projects με χρήση τεχνολογιών ΑΙ ή ανάλυσης δεδομένων.

Γενικές Ικανότητες

• ·Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Λήψη αποφάσεων
• Αυτόνομη Εργασία
• Ομαδική Εργασία
• Προσαρμογή σε νέες καταστάσεις
• Εργασία σε διεπιστημονικό περιβάλλον

Μέθοδοι Διδασκαλίας

• Στην τάξη

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

• Υποστήριξη διδασκαλίας με χρήση της  ηλεκτρονικής πλατφόρμας e-learning
• Επικοινωνία με τους φοιτητές μέσω e-mail με χρήση της ηλεκτρονικής πλατφόρμας e-learning
• Εργαλεία/ λογισμικό Τεχνητής Νοημοσύνης και ανάλυση και παρουσίασης Μεγάλων Δεδομένων

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

Γραπτή τελική εξέταση (70%) Περιλαμβάνει: – Επίλυση προβλημάτων σχετικών με ποσοτικά δεδομένα – Ερωτήσεις Σύντομης Απάντησης ΙΙ. Ατομική Εργασία Εργασίας (30%) Project – Ανάπτυξη Προβλήματος και σχεδιασμός λύσης με AI/Data · Ανάλυση πελατών με χρήση clustering αλγορίθμων σε πραγματικά δεδομένα · Σχεδιασμός chatbot με χρήση πλατφορμών low-code (π.χ. Dialogflow) · Δημιουργία dashboard οπτικοποίησης δεδομένων (π.χ. Power BI ή Tableau) · Συγκριτική αξιολόγηση πλατφορμών AI: Google Cloud AI vs Azure AI · Ανάπτυξη απλού προβλεπτικού μοντέλου πωλήσεων.

Συνιστώμενη Βιβλιογραφία

• Τεχνητή νοημοσύνη, Poole David L., Mackworth Alan K. 2025 (Κωδικός Βιβλίου στον Εύδοξο: 143548043)
• Τεχνητή Νοημοσύνη, Yampolskiy V. Roman, 2024 (Κωδικός Βιβλίου στον Εύδοξο: 143553098)
• Τεχνητή Νοημοσύνη και εφαρμογές, Φ.Α. Κρούσκα, Χ. Τρούσσας, Φ.Α. Μυλωνάς, Κ. Σγουροπούλου,2024 (Κωδικός Βιβλίου στον Εύδοξο: 133040788)
• Εξόρυξη από Μεγάλα Σύνολα Δεδομένων, Anand Rajaraman, Jeffrey David Ullman, Jure Leskovec, 2020 (Κωδικός Βιβλίου στον Εύδοξο: 94700707)
• Τεχνολογίες Επεξεργασίας και Ανάλυσης Μεγάλων Δεδομένων, Παπαδόπουλος Απόστολος, Καρακασίδης Αλέξανδρος, Κολωνιάρη Γεωργία, Γούναρης Αναστάσιος, 2024 – Kάλλιπος, Ανοικτές Ακαδημαϊκές Εκδόσεις (Κωδικός Βιβλίου στον Εύδοξο: 138965954)