Μερικής Φοίτησης

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

• Να μοντελοποιήσουν τα δεδομένα μίας επιχείρησης ή οργανισμού χρησιμοποιώντας διαγράμματα οντοτήτων-συσχετίσεων ή το σχεσιακό μοντέλο.
• Να γράψουν απλά ή σύνθετα ερωτήματα σε SQL μέσω των οποίων να διαχειρίζονται το σχήμα μίας σχεσιακής ΒΔ, να εισάγουν/αλλάζουν τα δεδομένα μίας σχεσιακής ΒΔ, ή να ανακτούν δεδομένα με διάφορους τρόπους.
• Να συνδέονται σε μία σχεσιακή βάση δεδομένων με μία γλώσσα προγραμματισμού και να ανακτούν δεδομένα.
• Να σχεδιάσουν το σχεσιακό σχήμα μίας αποθήκης δεδομένων χρησιμοποιώντας τη μεθοδολογία star ή snowflake.
• Να κατανοούν τα νέα συστήματα διαχείρισης δεδομένων (NoSQL) και τους τρόπους μοντελοποίησης που προσφέρουν, και συγκεκριμένα key-value stores, document stores και graph datavases.
• Να χρησιμοποιούν κάποιο σύστημα διαχείρισης ροών δεδομένων (stream analytics).

Πρωταρχικός στόχος αυτού του μαθήματος είναι η κατανόηση και η εφαρμογή των στατιστικών μεθόδων σε πραγματικά επιχειρηματικά προβλήματα. Έμφαση δίνεται στην εφαρμογή όλων των μεθόδων με τη χρήση της στατιστικής γλώσσας προγραμματισμού R και στην επίλυση πραγματικών προβλημάτων. Κατά τη διάρκεια του μαθήματος αναλύονται σετ δεδομένων και επιλύονται πραγματικά προβλήματα με σκοπό να προκαλέσουν την το ενδιαφέρον των φοιτητών. Τέλος, οι φοιτητές εισάγονται στις βασικές αρχές της συγγραφής επιστημονικών εκθέσεων και της αφήγησης ιστοριών με τη μορφή γραπτής επιστημονική έκθεσης.

Στόχος του μαθήματος είναι μια ευρεία κάλυψη του πεδίου της Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης, μέσω μιας εφαρμοσμένης προσέγγισης με τη χρήση της γλώσσας Python. Οι φοιτητές θα έρθουν σε επαφή με όλα τα στάδια που αφορούν Επιχειρηματική Αναλυτική, Μηχανική Μάθηση, και Τεχνητή Νοημοσύνη, από τoν καθαρισμό και επεξεργασία δεδομένων, μέχρι προχωρημένες αρχιτεκτονικές νευρωνικών δικτύων και θέματα ηθικής, προκαταλήψεων, διακρίσεων, αμεροληψίας, και δικαιοσύνης. Ταυτόχρονα, η ευρεία κάλυψη επιδιώκει οι φοιτητές να έχουν μια σφαιρική κατανόηση του αντικειμένου, συμπεριλαμβανόμενων και βασικών τεχνικών Μηχανικής Μάθησης, ώστε να είναι σε θέση να επιλέξουν το πιο κατάλληλο εργαλείο για κάθε δουλειά, αναλόγως με τις εκάστοτε απαιτήσεις.

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

- Προσαρμόζουν και να κατανοήσουν τα μοντέλα παλινδρόμησης και τις επεκτάσεις τους.

- Να κατανοήσουν το πρόβλημα ταξινόμησης και να εφαρμόσουν ένα ευρύ φάσμα μεθόδων, συγκρίνοντας τις και έχοντας τη δυνατότητα να κατανοήσουν εάν είναι κατάλληλο για το πρόβλημα ή όχι.

- Να χρησιμοποιήσουν την R για τα μοντέλα που διδάσκονται.

Ολοκληρώνοντας το μάθημα οι φοιτητές θα είναι σε θέση:

• Να εργάζονται με δεδομένα που είναι χρονολογικές σειρές ή με δεδομένα δικτύων και να τα εφαρμόζουν σε ένα ευρύ φάσμα προβλημάτων.
• Να μοντελοποιούν διαφορετικούς τύπους οντοτήτων και σχέσεων ως κόμβους και ακμές και να αναπαριστούν αυτές τις πληροφορίες ως σχεσιακά δεδομένα.
• Να σχεδιάζουν και να εκτελούν υπολογισμούς ανάλυσης σε χρονολογικές σειρές, δίκτυα και άλλες πολύπλοκες δομές.
• Να χρησιμοποιούν προηγμένο λογισμικό ανάλυσης δικτύων για να δημιουργήσουν οπτικοποιήσεις και να εκτελέσουν εμπειρικές μελέτες σε δεδομένα δικτύου.
• Να χρησιμοποιούν το σύστημα Neo4j για να αποθηκεύουν και να επεξεργάζονται δεδομένα δικτύου.
• Να γνωρίζουν και χρησιμοποιούν τεχνικές εξόρυξης γνώσης σε μεγάλα δεδομένα.
• Να κατανοούν τα πλεονεκτήματα και μειονεκτήματα των διαφορετικών αναπαραστάσεων των δεδομένων (π.χ. ως σημεία, διανύσματα, σύνολα, γράφοι) στην μοντελοποίηση και ανάλυση δεδομένων.
• Να επιλέγουν κατάλληλες τεχνικές εξόρυξης γνώσης για αναδυόμενες εφαρμογές μεγάλων δεδομένων.
• Να κατανοήσουν τις βασικές έννοιες των χρονοσειρών.

Κατανόηση των δεξιοτήτων, της νοοτροπίας, και της απαραίτητης ώθησης για την επιχειρηματική επιτυχία. Προσδιορισμός των προσωπικών πλεονεκτημάτων και αδυναμιών όσον αφορά τις επιχειρηματικές δεξιότητες. Κατανόηση της μεθοδολογίας «lean startup» και των  διαδικασιών πίσω από την επιχειρηματικότητα μέσω μιας πρακτικής προσέγγισης που εστιάζει στο χώρο της επιχειρηματικής ανάλυσης και της τεχνολογίας. Ανάπτυξη μίας αρχικής ιδέας, δημιουργία πλάνου προώθησης πωλήσεων, επιχειρηματικού μοντέλου και μακέτας ενός καινοτόμου επιχειρηματικού εγχειρήματος που θα χρησιμοποιηθεί για την επιχειρηματική επιβεβαίωση (business validation). Προσδιορισμός των παραγόντων ώθησης και των εμποδίων πίσω από ένα επιτυχημένο επιχειρηματικό εγχείρημα καθώς και τη δύναμη της επιχειρηματικής ομάδας στο πλαίσιο αυτό.

 Με την ολοκλήρωση του μαθήματος οι φοιτητές και οι φοιτήτριες θα είναι σε θέση να αναγνωρίζουν και να εντοπίζουν τα κανονιστικά, νομικά και ηθικά ζητήματα που σχετίζονται με τα θεμελιώδη δικαιώματα και ελευθερίες με έμφαση στην την ιδιωτικότητα και τα προσωπικά δεδομένα και να κατανοούν την σημασία του ισχύοντος δικαίου και του κανονιστικού πλαισίου που διέπει την προστασία της ιδιωτικότητας και των προσωπικών δεδομένων στο ψηφιακό περιβάλλον και ιδίως σε σχέση με εφαρμογές Τεχνητής Νοημοσύνης. Να αναγνωρίζουν και να εντοπίζουν απειλές ασφάλειας και κινδύνους για τα δικαιώματα, να εξοικειωθούν με τις απαιτήσεις και τα τεχνικά μέτρα ασφάλειας και να αποκτήσουν ένα σχετικό τεχνικό επίπεδο ώστε να μπορούν να υποστηρίξουν δραστηριότητες ή επάγγελμα όπως αυτό του Υπευθύνου Προστασίας Δεδομένων. Να αντιλαμβάνονται τη σχέση και αλληλεπίδραση διάφορων τομέων και να χρησιμοποιούν αυτή την προσέγγιση κατά τον σχεδιασμό της τεχνολογίας ή/και των επιχειρηματικών σχεδίων. Να κατανοούν και να εντάσσουν τις σπουδές και το επαγγελματικό υπόβαθρό τους στο γενικό κοινωνικό, οικονομικό και θεσμικό πλαίσιο.

Το μάθημα αυτό εισάγει την έννοια των πληροφοριακών συστημάτων (ΠΣ) που χρησιμοποιούνται στις επιχειρήσεις, εξηγεί πώς η τεχνολογία υποστηρίζει τις επιχειρηματικές λειτουργίες και τη στρατηγική μέσω της έννοιας της επιχειρηματικής αρχιτεκτονικής και αναλύει τις επιχειρηματικές διαδικασίες (BPs) ως το θεμελιώδες στοιχείο των σύγχρονων επιχειρήσεων και τη διαχείριση της απόδοσής τους. Το μάθημα παρέχει πρακτικές γνώσεις και δεξιότητες για τη μοντελοποίηση επιχειρηματικών διαδικασιών χρησιμοποιώντας τη γλώσσα μοντελοποίησης Archimate. Το μάθημα αναπτύσσει επίσης δεξιότητες για τον ορισμό των KPIs επιχειρήσεων και τη διαχείριση της απόδοσης των διαδικασιών, με βάση τη μέθοδο Balanced Scorecard. Οι φοιτητές εφαρμόζουν τις γνώσεις που αποκτήθηκαν σε ένα έργο ανάλυσης και σχεδιασμού σε έναν πραγματικό οργανισμό.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

- Κατανοούν και να εφαρμόζουν έννοιες σχεδιασμού και διαχείρισης ανάλυσης πληροφοριακών συστημάτων στο πλαίσιο μιας επιχείρησης (Enterprise Architecture).

- Κατανοούν τον τρόπο με τον οποίο οι επιχειρηματικές διαδικασίες συνδέουν το ανθρώπινο δυναμικό, τα πληροφοριακά συστήματα και τις τεχνολογίες με την επιχειρηματική στρατηγική.

- Εφαρμόζουν τεχνικές ανάλυσης και μοντελοποίησης επιχειρηματικών διαδικασιών (Enterprise Architecture Modelling) για την εξαγωγή απαιτήσεων και τη διαμόρφωση προδιαγραφών για την υποστήριξη των επιχειρήσεων μέσω ψηφιακών τεχνολογιών.

- Κατανοούν και εφαρμόζουν τεχνικές για τον καθορισμό βασικών δεικτών απόδοσης (KPIs) στο πλαίσιο της Διαχείρισης Επιχειρηματικών Διαδικασιών.

- Κατανοούν και εφαρμόζουν τεχνολογίες Επιχειρηματικής Ανάλυσης για τη διαχείριση των KPIs.  

- Κατανοούν και εφαρμόζουν την γλώσσα μοντελοποίησης Archimate για τον ορισμό της επιχειρηματικής και τεχνολογικής αρχιτεκτονικής των επιχειρήσεων.

- Κατανόηση της σχέσης των προβλημάτων βελτιστοποίησης και των Prescriptive Analytics.

- Κατανόηση της έννοιας μίας ολοκληρωμένης λύσης ενός σαφώς ορισμένου προβλήματος και πως η ποιότητα της λύσης μπορεί να ποσοτικοποιηθεί.

- Διαχωρισμός μεταξύ των βασικών κατηγοριών προβλημάτων συνδυαστικής βελτιστοποίησης.

- Αντίληψη της ανεπάρκειας των μαθηματικών μεθόδων να επιλύσουν άριστα εφαρμογές βελτιστοποίησης μεγάλης κλίμακας εντός λογικών υπολογιστικών χρόνων.

- Εξοικείωση με τις δυνατότητες που παρέχει μία σύγχρονη γλώσσα προγραμματισμού προς την εφαρμοσμένη αντιμετώπιση προβλημάτων βελτιστοποίησης.

- Σχεδιασμός και υλοποίηση πλεονεκτικών μεθοδολογιών για την επίλυση βασικών προβλημάτων βελτιστοποίησης.

- Κατανόηση της λογικής των τοπικών τροποποιήσεων μίας λύσης και πως αυτές οδηγούν στους αλγορίθμους τοπικής έρευνας.

- Ενσωμάτωση της τοπικής έρευνας σε έξυπνα μεταευρετικά πλαίσια έρευνας του χώρου των λύσεων.

Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση:

• να κατανοούν πώς λειτουργεί η οπτικοποίηση δεδομένων, όσον αφορά την ανθρώπινη οπτική αντίληψη και γνώση

• να κατανοήσουν τις καλές και κακές πρακτικές κατά τη σχεδίαση οπτικοποιήσεων δεδομένων

• να μάθουν για την πρακτική οπτικοποίηση δεδομένων, συμπεριλαμβανομένων μεθόδων σχεδίασης διαφόρων τύπων δεδομένων, τεχνικές αλληλεπίδρασης, τη γραμματική των γραφικών κ.λπ.

• να δημιουργήσουν οπτικοποιήσεις δεδομένων χρησιμοποιώντας το R

• να δημιουργήσουν μια εφαρμογή Tableau 

Με την ολοκλήρωση του μαθήματος οι φοιτητές και οι φοιτήτριες θα είναι σε θέση:

• Να κατανοούν την αξία μίας υλοποίησης αποθήκης δεδομένων (data warehouse) στην επιχειρηματική λήψη αποφάσεων.
• Να κατανοούν τις βασικές αρχές ενοποίησης δεδομένων (data integration) και τις προκλήσεις αυτής.
• Να σχεδιάζουν το σχεσιακό σχήμα μίας αποθήκης δεδομένων χρησιμοποιώντας τη μεθοδολογία star ή snowflake.
• Να δημιουργήσουν κύβους δεδομένων πάνω από ένα star/snowflake σχήμα.
• Να χρησιμοποιούν ένα εμπορικό ή open source σύστημα σχεσιακής ΒΔ για όλα τα παραπάνω.
• Να κατανοούν σε βάθος κάθε φάση της διαδικασίας ETL(extract, transform, loading) και να γνωρίζουν τη χρήση εργαλείων, συστημάτων και γλωσσών προγραμματισμού για την υλοποίηση της κάθε φάσης. 

Αυτό το μάθημα εξοπλίζει τους φοιτητές με τις αρχές, τις μεθόδους και τα εργαλεία που απαιτούνται για τη μετάφραση των επιχειρηματικών αναγκών σε σαφείς και εφαρμόσιμες απαιτήσεις για έργα αναλυτικής. Επικεντρώνεται στη γεφύρωση του χάσματος μεταξύ των επιχειρηματικών ενδιαφερομένων, των επαγγελματιών δεδομένων και των τεχνικών ομάδων μέσω δομημένης εξαγωγής, τεκμηρίωσης και επικύρωσης απαιτήσεων ειδικά για λύσεις αναλυτικής, όπως πίνακες εργαλείων, μοντέλα πρόβλεψης, συστήματα μηχανικής μάθησης και εργαλεία υποστήριξης αποφάσεων.

Το μάθημα συνδυάζει κλασικές πρακτικές μηχανικής απαιτήσεων με σύγχρονες προσεγγίσεις ειδικά για επιχειρηματική αναλυτική και δίνει έμφαση στη διαλειτουργική επικοινωνία, την αξιοποίηση δεδομένων και την κλιμακωτή ανάπτυξη.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν να:

1.Αντιλαμβάνονται τον πολυδιάστατο χαρακτήρα της μηχανικής απαιτήσεων: (α)επιχειρησιακές/τεχνικές, (β) λειτουργικές/μη λειτουργικές (ποιότητα), (γ) δεδομένα/μοντέλα και αλγόριθμοι, (δ) άντληση/μοντελοποίηση/ 2. 2. Διαχειρίζονται το έργο καθορισμού των απαιτήσεων για εφαρμογές επιχειρηματικής αναλυτικής σε όρους ρόλων, δραστηριοτήτων, και παραδοτέων.                                                                              3.Εφαρμόζουν μεθόδους και τεχνικές για την συλλογή, μοντελοποίηση, τεκμηρίωση και επικοινωνία των απαιτήσεων στα πλαίσια ενός έργου επιχειρηματικής αναλυτικής.                                            4.Χρησιμοποιούν εργαλεία λογισμικού που υποστηρίζουν τις εργασίες του μηχανικού απαιτήσεων

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

• Να κατανοήσουν τη διαδικασία end-to-end που υπάρχει σε υλοποιήσεις αναλυτικής (analytics)
• Nα κατανοήσουν τη διαφοροποίηση σε απαιτήσεις και είδος αναλυτικής σε διαφορετικούς κάθετους τομείς (π.χ. υγεία, οικονομία, χρηματοοικονομικά, ενέργεια, κ.λ.π.)
• Να σχεδιάσουν συνολικές αρχιτεκτονικές για εφαρμογές αναλυτικής (analytics) 

To μάθημα αποβλέπει στην ενίσχυση των φοιτητών με τις κατάλληλες δεξιότητες καθώς και τις απαραίτητες γνώσεις και ικανότητες εφαρμογής τεχνικών, πρακτικών και εργαλείων Τεχνητής Νοημοσύνης σε ένα εύρος εφαρμογών. Συγκεκριμένα, με την επιτυχή ολοκλήρωση του μαθήματος η/ο φοιτήτρια/φοιτητής, θα:

• Έχει κατανοήσει τις δυνατότητες και τις προκλήσεις της Τεχνητής Νοημοσύνης και θα είναι προετοιμασμένη/μένος για να συμμετάσχει στην ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης αιχμής.
• Είναι σε θέση να σχεδιάζει, αναπτύσσει, βελτιώνει και προσαρμόζει εργαλεία Τεχνητής Νοημοσύνης σε διάφορα πεδία και εφαρμογές.
• Έχει αποκτήσει προγραμματιστική εμπειρία σε τεχνολογίες αιχμής όπως το TensorFlow/Pytorch.
• Έχει κατακτήσει καλές πρακτικές στην ολοκλήρωση μεγάλων δεδομένων σε εφαρμογές Τεχνητής Νοημοσύνης.
• Είναι σε θέση να σχεδιάζει και να συνθέτει λύσεις που ενσωματώνουν ροές εργασίας πρακτόρων Τεχνητής Νοημοσύνης.
• Είναι σε θέση να συνεργαστεί με τους συμφοιτητές του για να επιλύσουν ένα πρόβλημα πραγματικού κόσμου και να παρουσιάσουν μια ολοκληρωμένη λύση.

Με την επιτυχή ολοκλήρωση της διπλωματικής εργασίας, ο φοιτητής θα έχει μελετήσει σε βάθος ένα συγκεκριμένο θέμα από τις επιστημονικές περιοχές του ΠΜΣ, θα έχει αξιοποιήσει τις σχετικές γνώσεις που απέκτησε κατά τη φοίτησή του στο ΠΜΣ, θα έχει αναπτύξει τη συνθετική και αναλυτική ικανότητα, θα έχει μάθει να αναζητά την κατάλληλη επιστημονική πληροφορία από την σχετική επιστημονική βιβλιογραφία, θα έχει αποκτήσει δεξιότητα στη συγγραφή επιστημονικού κειμένου και στην παρουσίαση του θέματος της εργασίας.
Οι φοιτητές του προγράμματος μπορούν να επιλέξουν αντί βιβλιογραφικής διπλωματικής είτε α) την διενέργεια έρευνας πεδίου (Field Study Project), με ολιγόωρες εβδομαδιαίες συναντήσεις του φοιτητή στην εταιρεία, είτε β) Πρακτική Άσκηση, διάρκειας τουλάχιστον 3 μηνών και απασχόλησης έως 40 ωρών εβδομαδιαίως, σε μία εταιρεία-πάροχο με σκοπό την επίλυση πραγματικών προβλημάτων συναφών με το αντικείμενο/θέμα της Διπλωματικής Εργασίας. Οι ανωτέρω επιλογές θα έχουν ίδια βαρύτητα και ίδιες Πιστωτικές Μονάδες με την Διπλωματική εργασία.
Κατά την πρακτική άσκηση, οι φοιτητές:
- Συνδυάζουν τη θεωρητική κατάρτιση με την επαγγελματική εμπειρία.
- Αναπτύσσουν και αναδεικνύουν πρακτικές δεξιότητες.
- Αποκτούν μια μορφή εργασιακής προϋπηρεσίας που μπορούν μελλοντικά να την επικαλεστούν εργασιακής ηθικής και συμπεριφοράς.
- Διευκολύνονται στη λήψη αποφάσεων σχετικά με τον επαγγελματικό τους προσανατολισμό.
- Μπορούν να χρησιμοποιήσουν τις γνώσεις που απέκτησαν κατά την άσκησή τους στα πλαίσια της εκπόνησης της πτυχιακής τους εργασίας.
- Αποκτούν εξοικείωση με το εργασιακό περιβάλλον και τις απαιτήσεις του, και γνώση των κανόνων.