Τεχνητή Νοημοσύνη και Μηχανική Μάθηση: Θεωρία και Εφαρμογές – Γ’ Κύκλος

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.

Το πρόγραμμα εισάγει και εκπαιδεύει τους καταρτιζόμενους στις μεθοδολογίες και τεχνικές της τεχνητής νοημοσύνης και μηχανικής μάθησης με πρακτικές εφαρμογές.

Γίνεται παρουσίαση όλων των σημαντικών αλγορίθμων μηχανικής μάθησης και τεχνητής νοημοσύνης. Οι τεχνικές αυτές αντιπαραβάλλονται με κλασικές σχετικές μεθόδους για λόγους σύγκρισης και κατανόησης των ομοιοτήτων και διαφορών.

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.

Παρουσιάζονται και χρησιμοποιούνται όλοι οι σχετικοί αλγόριθμοι και μεθοδολογίες τόσο μη-επιβλεπόμενης μάθησης, όπως K-Means, Hierarchical Clustering για ομαδοποίηση, μείωση διαστάσεων, ανίχνευση ανωμαλιών κλπ, όπως και επιβλεπόμενης  μάθησης, νευρωνικά δίκτυα, Support Vector Machines-Regression, Decision Trees, Random Forests, γραμμική λογιστική παλινδρόμηση, K-Nearest Neighbors κλπ καθώς και  με τις σχετικές Boosting και Bagging τεχνικές.

Οι καταρτιζόμενοι εκπαιδεύονται στην βασική χρήση της γλώσσας Python χωρίς να απαιτείται καμία προηγούμενη σχετική γνώση. Παρέχεται σχετική εργαλειοθήκη (toolbox) με έτοιμο κώδικα Python που μπορεί να χρησιμοποιηθεί άμεσα σε οποιοδήποτε πρόβλημα πρόβλεψης ή ταξινόμησης τόσο κατά την διάρκεια του προγράμματος όσο και έπειτα ανεξάρτητα από αυτό στην εργασία τους ή σε τυχόν περαιτέρω σπουδές τους. 

Αναγκαιότητα του προγράμματος

Η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση αποτελούν σύγχρονα ισχυρά μεθοδολογικά εργαλεία με εφαρμογές σε όλες τις επιστήμες. Η εξειδικευμένη εκπαίδευση σε αυτές περιορίζεται σε περιορισμένα Μεταπτυχιακά Προγράμματα. Το πρόγραμμα έρχεται να καλύψει αυτό το κενό σε κάθε ενδιαφερόμενο.

Παρουσιάζονται οι μεθοδολογίες «απλά, κατανοητά και πρακτικά», με πολλά παραδείγματα, και άμεση εφαρμογή με την χρήση της Python. Είναι δομημένο σε σύντομες αλλά περιεκτικές ενότητες που παρουσιάζουν με απλό τρόπο, αλλά ταυτόχρονα, με επιστημονική ακρίβεια την ορολογία, τις μεθοδολογίες, τις εφαρμογές και τα αποτελέσματα με βάση την ΤΝ και ΜΜ.

Το πρόγραμμα είναι σχεδιασμένο έτσι ώστε:

• Να μπορεί να το παρακολουθήσει κάθε ενδιαφερόμενος.
• Ελάχιστο προσόν θεωρείται το απολυτήριο λυκείου
• Ο εκπαιδευόμενος θα μπορεί μετά από αυτό να:
  • συλλέγει κατάλληλα και αξιόπιστα δεδομένα
  • να τα επεξεργάζεται κατάλληλα για κάθε περίπτωση
  • να δημιουργεί μοντέλα προβλέψεων χρησιμοποιώντας τους κατάλληλους αλγόριθμους AI και ML.

Μαθησιακά αποτελέσματα:

Ολοκληρώνοντας το πρόγραμμα, ο κάθε εκπαιδευόμενος/η θα μπορεί:

• Να γνωρίσει βασικές μεθοδολογίες της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης και να μπορεί να εφαρμόσει τους σχετικούς αλγόριθμους σε διάφορα προβλήματα πρόβλεψης και ταξινόμησης.
• Να μελετήσει πραγματικά και πρακτικά προβλήματα με την χρήση μεθόδων Μηχανικής Μάθησης χρησιμοποιώντας την γλώσσα προγραμματισμού Python. Να συλλέξει δεδομένα από ηλεκτρονικές πηγές, να τα οργανώσει και να τα φέρει σε κατάλληλη μορφή προς επεξεργασία, να πραγματοποιήσει προγνώσεις και ταξινομήσεις.
• Να χρησιμοποιήσει τα αποτελέσματα της επεξεργασίας για να βγάλει συμπεράσματα.
• Να αποκτήσει ικανότητα αυτόνομης χρήσης του toolbox αλγορίθμων ΤΝ και ΜΜ που θα δοθούν στους εκπαιδευόμενους σε κάθε μελλοντικό πρόβλημα πρόβλεψης και ταξινόμησης.
• Να συλλέγει αποτελεσματικά έγκυρα δεδομένα και πληροφορίες
• Να επεξεργάζεται πρωτογενή δεδομένα.
• Να μπορεί να χρησιμοποιεί έτοιμο ή να προσαρμόζει έτοιμο κώδικα Python για να κάνει προβλέψεις.
• Να περιγράφει και να αξιολογεί τα αποτελέσματα των μεθόδων ΤΝ και ΜΜ.
• Να χρησιμοποιεί την γλώσσα Python και εκτός των πλαισίων της επιμόρφωσης.
• Να χρησιμοποιεί τις τεχνικές ταξινόμησης και πρόγνωσης σε προβλήματα εκτός του πλαισίου της επιμόρφωσης

Σε ποιους/ποιες απευθύνεται το πρόγραμμα:

Το πρόγραμμα απευθύνεται σε όλους θέλουν να επιμορφωθούν στα θέματα της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης με πρακτικές εφαρμογές, απόφοιτους Λυκείου, φοιτητές και απόφοιτους Ελληνικών και Ξένων Πανεπιστημίων.

Κατηγορίες υποψηφίων που γίνονται δεκτοί/ές – Προαπαιτούμενες γνώσεις

Αίτηση συμμετοχής μπορούν να υποβάλουν όσοι είναι κάτοχοι απολυτήριου Λυκείου.

Προαπαιτούμενα για την συμμετοχή στο πρόγραμμα είναι:

• Πρόσβαση στο διαδίκτυο έστω και περιστασιακά για την λήψη και προβολή του υλικού
• Κατοχή προσωπικού email για την ενημέρωση από το ΚΕΔΙΒΙΜ και τους εκπαιδευτές καθώς και για την εγγραφή στην μαθησιακή πλατφόρμα eclass.
• Βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών (άνοιγμα αρχείων pdf, MS excel, MS word, MS powerpoint.)

Μεθοδολογία υλοποίησης προγράμματος

• H εξ αποστάσεως ασύγχρονη διδασκαλία κρίνεται ως ενδεδειγμένη μεθοδολογία, καθώς οι εκπαιδευόμενοι αναμένεται να προέρχονται από διαφορετικές γεωγραφικές περιοχές, ενώ ταυτόχρονα δίνει τη δυνατότητα στους συμμετέχοντες να προσαρμόζουν τη μελέτη τους σύμφωνα με τις εξατομικευμένες τους ανάγκες.
• Οι θεματικές ενότητες θα περιέχουν φυσική διδασκαλία με ασύγχρονη τηλεκπαίδευση 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, βιβλιογραφία και ασκήσεις αυτοαξιολόγησης.

Όταν κρίνεται απαραίτητο θα υπάρχουν και εξ αποστάσεως σύγχρονα sessions στην πλατφόρμα Microsoft Teams (για την οποία δεν χρειάζεται η εγκατάσταση κάποιου προγράμματος) σε προκαθορισμένες ημερομηνίες. Στις περιπτώσεις αυτές, τα video θα αναρτώνται επίσης στην πλατφόρμα.

Εκπαιδευτικό υλικό/Άλλες παροχές

Το εκπαιδευτικό υλικό θα είναι προσαρμοσμένο στις ανάγκες της εξ αποστάσεως ασύγχρονης εκπαίδευσης. Θα καλύπτει το σύνολο των απαραίτητων γνώσεων που θα διδαχθούν στο πρόγραμμα. Το εκπαιδευτικό υλικό θα περιλαμβάνει:

• Παρουσιάσεις σε μορφή Power Point.
• Διδακτικά κείμενα, κεφάλαια βιβλίων, επιστημονικά άρθρα και ακαδημαϊκές σημειώσεις.
• Οπτικοακουστικό υλικό με τη μορφή εκπαιδευτικών βίντεο και ηχογραφημένων διαλέξεων.
• Toolbox με υλικό με τη μορφή κώδικα Python για χρήση και αξιοποίησή του από τους εκπαιδευόμενους, τόσο κατά τη διάρκεια του προγράμματός όσο και μετέπειτα για προσωπική χρήση.

Δομή του προγράμματος

Το πρόγραμμα είναι 4μήνης διάρκειας, 204 ωρών και απαρτίζεται από 8 θεματικές ενότητες:

1. Εισαγωγή στην Τεχνητή Νοημοσύνη και στην Μηχανική Μάθηση (20 ώρες συνολικού φόρτου, 0,67 ECTS)

• Βασικοί στόχοι του προγράμματος (τι μαθαίνουν και τι μπορούν να κάνουν πρακτικά οι σπουδαστές που το ολοκλήρωσαν με επιτυχία).
• Βασικές αρχές της ΤΝ και της ΜΜ.
• Τι καλείται «μάθηση» και πως διαφοροποιείται από την κλασσική προσέγγιση της Στατιστικής.
• Εισαγωγή στις έννοιες Unsupervised Learning, Supervised Learning, Reinforced Learning

2. Παρουσίαση – Εξοικείωση στην πλατφόρμα Anaconda – Python – Jupiter (25 ώρες συνολικού φόρτου, 0,83 ECTS)

• Σύντομη παρουσίαση της πλατφόρμας προγραμματισμού Anaconda που χρησιμοποιούν στα πλαίσια του προγράμματος οι σπουδαστές.
• Πρώτη επαφή με το Jupyter Notebook, στο οποίο εκτελούνται οι εντολές της γλώσσας Python.
• Πρώτη εισαγωγή στον προγραμματισμό με την γλώσσα Python (σε αυτό το σημείο ο στόχος δεν είναι να μάθουν οι ενδιαφερόμενοι προγραμματισμό, αλλά να μπορούν να εφαρμόσουν συγκεκριμένες συναρτήσεις (έτοιμα scripts) που αφορούν την Τεχνητή Νοημοσύνη και την Μηχανική Μάθηση)

3. Unsupervised Learning (25 ώρες συνολικού φόρτου, 0,83 ECTS)

• Παρουσίαση της Unsupervised Learning.
• Ποια προβλήματα μπορούν να αντιμετωπισθούν με Unsupervised Learning.
• Βασικές εφαρμογές και μεθοδολογίες με έμφαση στις μεθόδους PCA και K-means.
• Πρακτική εφαρμογή των μεθόδων σε πρόβλημα marketing

4. Supervised Learning – Support Vector Machines (Εισαγωγή) (35 ώρες συνολικού φόρτου, 1,17 ECTS)

• Παρουσίαση της Supervised Learning.
• Παρουσίαση της μεθοδολογίας των Support Vector Machines, για ταξινόμηση και παλινδρόμηση.
• Ιστορική εξέλιξη της μεθοδολογίας και οι βελτιώσεις που έφερε η κάθε μεταβολή: α) η ιδανική περίπτωση με hard margin, β) η περίπτωση των δεδομένων με θόρυβο και το soft margin μοντέλο, γ) η περίπτωση της μη-γραμμικότητας και το μοντέλο με kernels.
• Γεωμετρική παρουσίαση της κάθε περίπτωσης

5. Supervised Learning – Support Vector Machines (Εφαρμογή) (25 ώρες συνολικού φόρτου, 0,83 ECTS)

• Μεθοδολογία των Support Vector Machines.
• Διαδικασίες fine-tuning για να εντοπισθούν οι παράμετροι του βέλτιστου μοντέλου.
• Το πρόβλημα του overfitting κατά την διάρκεια της εκπαίδευσης του μοντέλου και η λύση του Cross-Validation
• Πρακτική εφαρμογή των μεθόδων σε πρόβλημα πρόγνωσης

6. Επιβλεπόμενη Μάθηση – Random Forests (Εισαγωγή) (30 ώρες συνολικού φόρτου, 1 ECTS)

• Παρουσίαση του Decision Tree και της λειτουργίας του.
• Πως συνδυάζονται πολλά Decision Trees δημιουργώντας το μοντέλο που ονομάζεται Random Forest.

7. Επιβλεπόμενη Μάθηση – Random Forests (Εφαρμογή) (25 ώρες συνολικού φόρτου, 0,83 ECTS)

• Μοντέλα Random Forests.
• Fine tuning ενός Random Forest και η διαδικασίας με την οποία εντοπίζουμε το βέλτιστο μοντέλο.
• Το πρόβλημα του overfitting και η διαδικασία αντιμετώπισης στην περίπτωση των Random Forests
• Πρακτική εφαρμογή των μεθόδων σε πρόβλημα ταξινόμησης

8. Bagging – Boosting (15 ώρες συνολικού φόρτου, 0,5 ECTS)

• Μεθοδολογίες Bagging και Boosting.
• Πως μπορούμε να συνδυάσουμε πολλούς απλούς γραμμικούς ταξινομητές χαμηλής αποτελεσματικότητας για να κατασκευάσουμε έναν ταξινομητή υψηλής αποτελεσματικότητας.

Ώρες διδασκαλίας: 16

Ώρες συνολικού φόρτου: 204

Μονάδες ECTS: 7

Υποχρεώσεις εκπαιδευόμενων/Απόκτηση Πιστοποιητικού

Για την επιτυχή ολοκλήρωση του προγράμματος οι συμμετέχοντες/συμμετέχουσες θα πρέπει:

Α) να έχουν παρακολουθήσει το σύνολο των διδακτικών ενοτήτων.

Β) να έχουν ολοκληρώσει με επιτυχία την αξιολόγηση.

• Οι εκπαιδευόμενοι θα αυτό-αξιολογούνται στο τέλος κάθε ενότητας μέσω ερωτήσεων πολλαπλής επιλογής ή/και εφαρμογών.
• Η βαθμολογία θα γίνεται στην κλίμακα 0-10.
• Στο τέλος θα υπάρχει τελική εξέταση μέσω ερωτήσεων πολλαπλής επιλογής στο σύνολο των ενοτήτων του προγράμματος, καθώς επίσης και με την υποβολή ενός σύντομου project, όπου θα χρησιμοποιήσουν τον κώδικα που τους παρέχεται για να κάνουν πρόβλεψη.
• Η τελική εξέταση των ερωτήσεων πολλαπλής επιλογής θα έχει διάρκεια 1 ώρα αλλά οι εκπαιδευόμενοι μπορούν να επιλέξουν την επιθυμητή ώρα και μέρα εξέτασης σε ένα σύνολο 3 ημερών. Για το project οι εκπαιδευόμενοι θα έχουν στη διάθεσή τους 20 ημέρες μέχρι την κατάθεσή του.
• Για όσους δεν λάβουν μέρος στην εξέταση για λόγους υγείας η εξέταση θα επαναληφθεί 5 ημέρες μετά την ημερομηνία λήξης της πρώτης εξέτασης.
• Για την απόκτηση του Πιστοποιητικού Εξειδικευμένης Επιμόρφωσης από το Δημοκρίτειο Πανεπιστήμιο Θράκης θα είναι απαραίτητη η εξασφάλιση βαθμολογίας στην τελική εξέταση ίσης ή άνω του 5 (κλίμακα 0-10).

Γ) να έχουν καταβάλει το σύνολο των διδάκτρων

Στους συμμετέχοντες/στις συμμετέχουσες που έχουν παρακολουθήσει το πρόγραμμα, έχουν αποπληρώσει το σύνολο των διδάκτρων, αλλά δεν έχουν επιτύχει στην αξιολογική διαδικασία που προβλέπεται από το πρόγραμμα, χορηγείται βεβαίωση παρακολούθησης.

Εκπαιδευτές/εκπαιδεύτριες

Στο πρόγραμμα διδάσκουν οι:

Θεόφιλος Παπαδημητρίου, Καθηγητής, τμήμα Οικονομικών Επιστημών, ΔΠΘ

Περικλής Γκόγκας, Καθηγητής, τμήμα Οικονομικών Επιστημών, ΔΠΘ

Εμμανουήλ Σοφιανός, PhD, ερευνητής στο πανεπιστήμιο του Στρασβούργου

Εμμανουήλ Ζαγανίδης, υποψήφιος διδάκτορας, τμήμα Οικονομικών Επιστημών, ΔΠΘ

Κόστος συμμετοχής

Το κόστος συμμετοχής ανέρχεται σε 500€ το οποίο καταβάλλεται εφάπαξ ή σε 2 ισόποσες δόσεις των 250€. Η πρώτη δόση καταβάλλεται έως την προθεσμία υποβολής των αιτήσεων (15/10/2023) και η δεύτερη έως 31/12/2023.

Η καταβολή της πρώτης δόσης αποτελεί προϋπόθεση για συμμετοχή στο πρόγραμμα.

Οδηγίες Πληρωμής

Η κατάθεση θα γίνει στον Τραπεζικό Λογαριασμό GR98 0172 3520 0053 5209 2260 595 της Τράπεζας Πειραιώς με την αιτιολογία: «ΚΕ 70026 (ΚΕΔΙΒΙΜ), το Ονοματεπώνυμό και το όνομα Πατρός»

Εάν η κατάθεση γίνει από άλλη Τράπεζα στο όνομα δικαιούχου που θα χρειαστεί θα αναγραφεί «Ειδ. Λογ. Κονδυλίων Έρευνας ΔΠΘ»

Το αποδεικτικό της κατάθεσης θα πρέπει να αποσταλεί στο e-mail: economicsduth+aiml@gmail.com και θα πρέπει να λάβετε email επιβεβαίωσης της λήψης του. Σε περίπτωση που δεν λάβετε email επιβεβαίωσης επικοινωνήστε τηλεφωνικά στο 6947001079 με τον κ. Περικλή Γκόγκα.

Σε περίπτωση απρόοπτου κωλύματος παρακολούθησης του προγράμματος, προβλέπεται η επιστροφή των χρημάτων, αρκεί αυτό να δηλωθεί ημερολογιακά πριν την έναρξη του προγράμματος.

Οι παρακάτω κατηγορίες υποψηφίων δικαιούνται έκπτωση 30%.

• Άτομα με ειδικές ανάγκες
• Υπάλληλοι Δ.Π.Θ.

Οι παραπάνω θα πρέπει να συνοδεύουν την αίτηση τους με τα απαραίτητα έγγραφα που να πιστοποιούν πως ανήκουν σε μία από τις παραπάνω κατηγορίες.

Οι εκπτώσεις σε καμία περίπτωση δεν λειτουργούν συνδυαστικά ή αθροιστικά.

Κριτήρια επιλογής – Αξιολόγηση αιτήσεων

Ο μέγιστος αριθμός εισακτέων του προγράμματος ορίζεται στους 45 και ο ελάχιστος στους 30

Για την αξιολόγηση των αιτήσεων και την επιλογή των υποψηφίων ακολουθούνται το εξής κριτήριο:

• Θα τηρηθεί σειρά προτεραιότητας με βάση τον χρόνο υποβολής της αίτησης.

Υποβολή αιτήσεων και δικαιολογητικά

Έναρξη υποβολής αιτήσεων: 15/9/2023

Καταληκτική ημερομηνία: 15/10/2023

Η υποβολή των αιτήσεων γίνεται μόνο ηλεκτρονικά μέσω της ιστοσελίδας https://kedivim.duth.gr/

H ηλεκτρονική αίτηση επέχει θέση Υπεύθυνης Δήλωσης σύμφωνα με την παρ. 4 του άρθρου 8 του ν. 1599/1986. Ο/η υποψήφιος/α με την αίτησή του αποδέχεται ανεπιφύλακτα όλους τους όρους του προγράμματος, όπως αυτοί αναφέρονται στη δημόσια πρόσκλησή του και στον κανονισμό λειτουργίας του ΚΕΔΙΒΙΜ-ΔΠΘ (https://kedivim.duth.gr/operfr/)

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:

1. απολυτήριο λυκείου
2. πτυχίο (εάν υπάρχει)
3. βεβαίωση της γραμματείας για φοίτηση σε σχολή Τριτοβάθμιας Εκπαίδευσης (εάν υπάρχει)
4. Ένα σύντομο Βιογραφικό Σημείωμα.

Ενστάσεις θα γίνονται δεκτές το αργότερο 5 ημέρες αφού αναρτηθεί ο πίνακας εισακτέων.

Σε περίπτωση που δεν συγκεντρωθεί ο ελάχιστος απαιτούμενος αριθμός εκπαιδευομένων, ο/η ΕΥ διατηρεί το δικαίωμα της αλλαγής της ημερομηνίας έναρξης του προγράμματος ή και ακύρωσής του, ενημερώνοντας εγκαίρως τους/τις εκπαιδευόμενους/ες.

Επικοινωνία

Για περισσότερες πληροφορίες οι ενδιαφερόμενοι/ες μπορούν να επικοινωνούν με τον Καθηγητή κ. Περικλή Γκόγκα Δευτέρα έως Παρασκευή από τις 18:00 έως τις 21:00 στο τηλέφωνο 6947001079, e-mail: economicsduth+AIML@gmail.com