ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Θέματα Τεχνητής Νοημοσύνης και Μεγάλων Δεδομένων

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ	Σχολή Οικονομίας και Διοίκησης
ΤΜΗΜΑ	Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ	Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ	%ce%b314	ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ		Κατ/νσης Χειμερινό
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ	Θέματα Τεχνητής Νοημοσύνης και Μεγάλων Δεδομένων
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων.			ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ		ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις και Ασκήσεις Πράξης			3		5
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) .	Ειδίκευσης
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:	Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS	Ναι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.
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 Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών		Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
·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

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

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

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Στην τάξη

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

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

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Δραστηριότητα	Φόρτος εργασίας εξαμήνου
Διαλέξεις & Ασκήσεις πράξης	39
Συγγραφή εργασίας (εργασιών)	35
Αυτοτελής Μελέτη	51
Σύνολο	125

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

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.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

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)