Θέματα Τεχνητής Νοημοσύνης και Μεγάλων Δεδομένων

General

• Code: Γ14
• Semester: Κατ/νσης Χειμ Εξάμηνο
• Study Level: Undergraduate
• Course type: Specialization
• Teaching and exams language: Ελληνικά
• The course is offered to Erasmus students
• Teaching Methods (Hours/Week): Διαλέξεις και Ασκήσεις Πράξης (3)
• ECTS Units: 5

Course Contents

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

Educational Goals

Σκοπός του μαθήματος είναι να εισάγει τον φοιτητή στις βασικές έννοιες …

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση:

• Να αναλύει την…
• Να περιγράφει τις…
• Να κατανοεί το…
• Να συγκρίνει τα…

General Skills

• ·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

Teaching Methods

• Στην τάξη

Use of ICT means

• 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

Teaching Organization

Students Evaluation

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.

Recommended Bibliography

• 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)