το άρθρο ενημερώθηκε στις 02.10.2026
Σε ποιον ταιριάζει αυτό το ΠΜΣ;
Το ΠΜΣ «Μηχανική Μάθηση και Επιστήμη Δεδομένων (Machine Learning and Data Science)» ταιριάζει σε υποψήφιους που θέλουν να αποκτήσουν σε βάθος γνώση στις τεχνικές τεχνητής νοημοσύνης, στα στατιστικά και υπολογιστικά μοντέλα, στην ανάλυση μεγάλων δεδομένων και στην ανάπτυξη αλγορίθμων μάθησης. Απευθύνεται σε όσους επιδιώκουν να κατανοήσουν τόσο τη θεωρητική βάση της Μηχανικής Μάθησης όσο και τις πρακτικές εφαρμογές της σε πραγματικά προβλήματα τεχνολογίας, βιομηχανίας, οικονομίας και έρευνας.
Ταιριάζει ιδιαίτερα σε όσους:
διαθέτουν ενδιαφέρον για μαθηματικά, στατιστική, προγραμματισμό και αλγοριθμική σκέψη,
θέλουν να αναπτύξουν δεξιότητες σε Python, data analysis, machine learning pipelines και σύγχρονα υπολογιστικά εργαλεία,
τους ελκύει η κατανόηση και ο σχεδιασμός μοντέλων όπως νευρωνικά δίκτυα, deep learning, predictive analytics και big data architectures,
επιθυμούν να εργαστούν σε θέσεις όπως data scientist, machine learning engineer, AI specialist, research engineer ή αναλυτής δεδομένων,
θέλουν να αποκτήσουν ερευνητική εμπειρία και να συμμετάσχουν σε projects υψηλής δυσκολίας με πραγματικά datasets και σύγχρονες τεχνολογίες,
αναζητούν ένα απαιτητικό πρόγραμμα που συνδυάζει θεωρία, εργαστηριακή άσκηση, συστηματική εξάσκηση στον προγραμματισμό και εκπόνηση τελικής ερευνητικής εργασίας,
ενδιαφέρονται να επενδύσουν σε ένα ταχύτατα αναπτυσσόμενο επιστημονικό πεδίο με μεγάλη ζήτηση στην αγορά εργασίας, τόσο στην Ελλάδα όσο και διεθνώς.
Το ΠΜΣ είναι ιδανική επιλογή για όσους επιθυμούν να εξελιχθούν στο δυναμικό οικοσύστημα της Τεχνητής Νοημοσύνης και της Επιστήμης Δεδομένων, συνδυάζοντας ισχυρή θεωρητική κατάρτιση με πρακτικές δεξιότητες που απαιτούνται από κορυφαίες εταιρείες τεχνολογίας, ερευνητικά κέντρα και καινοτόμες επιχειρήσεις.
Πολυτεχνείο Κρήτης
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Χανιά)
ΠΜΣ: «Μηχανική Μάθηση και Επιστήμη Δεδομένων – Machine Learning and Data Science»
Έδρα:
Διεύθυνση – Πόλη διεξαγωγής: Πολυτεχνείο Κρήτης Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Πολυτεχνειούπολη 73100 Χανιά
Τηλέφωνα: 28210 37358, 28210 37218 Email: grammateia-ece@tuc.gr
Γνωστικό Αντικείμενο – Σκοπός :
Το Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Η.Μ.Μ.Υ.) της μονοτμηματικής Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Η.Μ.Μ.Υ.) του Πολυτεχνείου οργανώνει και λειτουργεί από το ακαδημαϊκό έτος 2022-2023 Ξενόγλωσσο Πρόγραμμα Μεταπτυχιακών Σπουδών (Π.Μ.Σ.) με τίτλο «Master of Science in Machine Learning and Data Science», σύμφωνα με τις διατάξεις της απόφασης αυτής και τις διατάξεις του ν. 4485/2017.
Το Τμήμα Η.Μ.Μ.Υ. της μονοτμηματικής Σχολής Η.Μ.Μ.Υ. του Πολυτεχνείου Κρήτης, ανταποκρινόμενο στις επιτακτικές ανάγκες που επιβάλλουν τα σύγχρονα ερευνητικά ρεύματα και οι ανάγκες της ελληνικής βιομηχανίας, δημιουργεί και οργανώνει Πρόγραμμα Μεταπτυχιακών Σπουδών (Π.Μ.Σ.), το οποίο στοχεύει στη δημιουργία στελεχών που θα ανταποκρίνονται στις απαιτήσεις της αγοράς εργασίας, των σύγχρονων ερευνητικών εξελίξεων, και των αναπτυξιακών αναγκών της χώρας.
Σκοποί του Π.Μ.Σ. είναι (α) η προαγωγή της γνώσης, η ανάπτυξη της έρευνας, και η ικανοποίηση των ερευνητικών, πολιτιστικών, και αναπτυξιακών αναγκών της χώρας και (β) η διεθνής προβολή της Σχολής Η.Μ.Μ.Υ., του Πολυτεχνείου Κρήτης, αλλά και γενικότερα του Ελληνικού εκπαιδευτικού περιβάλλοντος. Οι στόχοι αυτοί θα επιτευχθούν διά της εκπαίδευσης και παροχής εξειδικευμένων γνώσεων σε τεχνολογικά θέματα αιχμής, όπως η μηχανική μάθηση και η επιστήμη δεδομένων. Στα θέματα αυτά υπάρχει ισχυρό ερευνητικό όσο και επιχειρηματικό ενδιαφέρον παγκοσμίως, αλλά και στην ελληνική αγορά.
Συνεπώς εκτιμάται πως η εκπαίδευση και η εξειδίκευση ηγετικών στελεχών στους τομείς αυτούς θα συμβάλλει στη δημιουργία και ανάπτυξη Ελληνικών εταιρειών υψηλής τεχνολογίας με σημαντικές επιπτώσεις στην ανάπτυξη της χώρας. Παράλληλα η δυνατότητα αποδοχής αλλοδαπών Μεταπτυχιακών Φοιτητών θα αυξήσει την εξωστρέφεια του Πολυτεχνείου Κρήτης και θα συμβάλει στην ευρύτερη διεθνή αναγνώριση του ερευνητικού και διδακτικού έργου που συντελείται στην Σχολή ΗΜΜΥ, αλλά και στο Πολυτεχνείο Κρήτης γενικότερα, οδηγώντας σε μελλοντικές γόνιμες ερευνητικές και εκπαιδευτικές διεθνείς συνεργασίες.
Τίτλος Σπουδών:
Το Π.Μ.Σ. του Τμήματος Η.Μ.Μ.Υ. της μονοτμηματικής Σχολής Η.Μ.Μ.Υ. του Πολυτεχνείου Κρήτης απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (Δ.Μ.Σ.) στην ειδίκευση «Μηχανική Μάθηση και Επιστήμη Δεδομένων» ή αγγλιστί «Machine Learning and Data Science». Ο απονεμόμενος Μεταπτυχιακός Τίτλος ελληνιστί και αγγλιστί αντίστοιχα περιγράφεται ως:
Δίπλωμα Μεταπτυχιακών Σπουδών σε Μηχανική Μάθηση και Επιστήμη Δεδομένων.
Master of Science in Machine Learning and Data Science.
Ο τίτλος απονέμεται με την επιτυχή συγκέντρωση εξήντα (60) Πιστωτικών Μονάδων (ECTS).
Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών
Το Π.Μ.Σ. «Μηχανική Μάθηση και Επιστήμη Δεδομένων – Machine Learning and Data Science» της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Πολυτεχνείου Κρήτης παρέχει εξειδικευμένη εκπαίδευση σε τεχνολογίες αιχμής της μηχανικής μάθησης και της επιστήμης δεδομένων, συνδυάζοντας ισχυρό μαθηματικό και πιθανοτικό υπόβαθρο με προγραμματισμό, βάσεις δεδομένων, βελτιστοποίηση και πρακτική ανάλυση δεδομένων. Το πρόγραμμα εμβαθύνει σε σύγχρονες μεθόδους μηχανικής μάθησης και, μέσω των μαθημάτων επιλογής, επεκτείνεται σε επεξεργασία και ανάλυση μεγάλων δεδομένων, μοντελοποίηση χρονοσειρών, πιθανοτικά γραφικά μοντέλα, θεωρία ανίχνευσης και εκτίμησης, προηγμένη αναγνώριση προτύπων, κβαντική μηχανική μάθηση και κβαντική πληροφορία, ασφάλεια συστημάτων, μη γραμμικά συστήματα, online learning, δυναμική βελτιστοποίηση και λήψη αποφάσεων σε πολυπρακτορικά περιβάλλοντα. Τα ερευνητικά σεμινάρια, η ανεξάρτητη μελέτη και η συνθετική μεταπτυχιακή εργασία συνδέουν τη θεωρητική κατάρτιση με την αυτοδύναμη διερεύνηση πραγματικών προβλημάτων, την ανάπτυξη και αξιολόγηση υπολογιστικών λύσεων και την τεκμηριωμένη παρουσίαση των αποτελεσμάτων.
Με την επιτυχή ολοκλήρωση του Προγράμματος Σπουδών, ο απόφοιτος ή η απόφοιτη είναι σε θέση:
Επιστημονικό πεδίο UNESCO ISCED-F: Τεχνολογίες Πληροφορικής και Επικοινωνιών
Γνώσεις
- να αναλύει τις μαθηματικές, πιθανοτικές και στατιστικές αρχές που θεμελιώνουν τη μηχανική μάθηση και την επιστήμη δεδομένων.
- να ερμηνεύει τυχαίες μεταβλητές, κατανομές πιθανότητας, στατιστική εξάρτηση και βασικές πιθανοτικές έννοιες στο πλαίσιο της μοντελοποίησης δεδομένων.
- να συσχετίζει τις αρχές της γραμμικής άλγεβρας, του λογισμού, της θεωρίας πιθανοτήτων και της βελτιστοποίησης με τη διαμόρφωση και επίλυση προβλημάτων μηχανικής μάθησης.
- να διακρίνει τις βασικές κατηγορίες επιβλεπόμενης και μη επιβλεπόμενης μάθησης και να ερμηνεύει τις θεωρητικές παραδοχές και τους περιορισμούς τους.
- να αναλύει μοντέλα ταξινόμησης, παλινδρόμησης, ομαδοποίησης, μείωσης διαστατικότητας και αναγνώρισης προτύπων.
- να αξιολογεί τις αρχές γενίκευσης, υπερπροσαρμογής, κανονικοποίησης και επιλογής μοντέλου και τη σημασία τους για την αξιοπιστία των προβλέψεων.
- να ερμηνεύει τη λειτουργία σύγχρονων αλγορίθμων μηχανικής μάθησης και προηγμένων μοντέλων αναγνώρισης προτύπων.
- να αναλύει τις αρχές προγραμματισμού, των δομών δεδομένων και των βάσεων δεδομένων που απαιτούνται για την ανάπτυξη υπολογιστικών ροών εργασίας επιστήμης δεδομένων.
- να συσχετίζει μεθόδους συλλογής, καθαρισμού, μετασχηματισμού, διερευνητικής ανάλυσης και οπτικοποίησης δεδομένων με τα διαφορετικά στάδια ενός έργου επιστήμης δεδομένων.
- να ερμηνεύει τις αρχιτεκτονικές και μεθόδους επεξεργασίας δεδομένων μεγάλης κλίμακας και τις υπολογιστικές απαιτήσεις τους.
- να αναλύει στοχαστικά και χρονικά εξαρτώμενα δεδομένα μέσω μοντέλων χρονοσειρών και να συσχετίζει τις αντίστοιχες μεθόδους με προβλήματα πρόβλεψης.
- να ερμηνεύει πιθανοτικά γραφικά μοντέλα και αλγορίθμους συμπερασμού ως εργαλεία αναπαράστασης και αξιοποίησης αβεβαιότητας και εξαρτήσεων.
- να αναλύει τις αρχές θεωρίας ανίχνευσης και εκτίμησης και τη χρήση τους στη στατιστική λήψη αποφάσεων από δεδομένα.
- να αξιολογεί τη συμβολή προηγμένων πεδίων, όπως η κβαντική μηχανική μάθηση, η online μάθηση, η δυναμική βελτιστοποίηση και η πολυπρακτορική λήψη αποφάσεων, στην εξέλιξη των υπολογιστικών μεθόδων μάθησης.
- να συσχετίζει ζητήματα ασφάλειας συστημάτων και αξιοπιστίας υπολογιστικών υποδομών με την υπεύθυνη ανάπτυξη και λειτουργία εφαρμογών που βασίζονται σε δεδομένα.
- να συνθέτει γνώσεις μαθηματικών, στατιστικής, πληροφορικής και υπολογιστικής βελτιστοποίησης για την επιστημονική διερεύνηση σύνθετων προβλημάτων δεδομένων.
- να τεκμηριώνει τη λογική του ερευνητικού σχεδιασμού, από τη διατύπωση προβλήματος και την επιλογή δεδομένων και μεθοδολογίας έως την αξιολόγηση και ερμηνεία των αποτελεσμάτων.
Δεξιότητες
- να μετασχηματίζει ένα πραγματικό πρόβλημα σε σαφώς ορισμένο πρόβλημα επιστήμης δεδομένων ή μηχανικής μάθησης και να προσδιορίζει κατάλληλους στόχους και κριτήρια αξιολόγησης.
- να συλλέγει, καθαρίζει, οργανώνει, μετασχηματίζει και διερευνά δεδομένα χρησιμοποιώντας κατάλληλες γλώσσες προγραμματισμού, βιβλιοθήκες και υπολογιστικά εργαλεία.
- να σχεδιάζει και να υλοποιεί αναπαραγώγιμες ροές επεξεργασίας και ανάλυσης δεδομένων.
- να χρησιμοποιεί βάσεις δεδομένων και κατάλληλες δομές αποθήκευσης για αποτελεσματική διαχείριση και ανάκτηση δεδομένων.
- να εφαρμόζει αλγορίθμους ταξινόμησης, παλινδρόμησης, ομαδοποίησης και άλλες μεθόδους μηχανικής μάθησης σε πραγματικά σύνολα δεδομένων.
- να επιλέγει κατάλληλα χαρακτηριστικά, μοντέλα, υπερπαραμέτρους και διαδικασίες εκπαίδευσης ανάλογα με τη φύση του προβλήματος και των διαθέσιμων δεδομένων.
- να εφαρμόζει μεθόδους βελτιστοποίησης για την εκπαίδευση μοντέλων και την επίλυση σύνθετων υπολογιστικών προβλημάτων.
- να αξιολογεί μοντέλα με κατάλληλες μετρικές, διαδικασίες επικύρωσης και συγκριτικά πειράματα και να εντοπίζει φαινόμενα υπερπροσαρμογής ή ανεπαρκούς γενίκευσης.
- να επεξεργάζεται και να αναλύει δεδομένα μεγάλης κλίμακας χρησιμοποιώντας κατάλληλες υπολογιστικές μεθόδους και αρχιτεκτονικές.
- να εφαρμόζει μοντέλα χρονοσειρών για ανάλυση δυναμικής συμπεριφοράς και πρόβλεψη χρονικά εξαρτώμενων δεδομένων.
- να χρησιμοποιεί πιθανοτικά γραφικά μοντέλα και αλγορίθμους συμπερασμού για προβλήματα στα οποία η αβεβαιότητα αποτελεί ουσιώδες στοιχείο.
- να εφαρμόζει τεχνικές ανίχνευσης και εκτίμησης για την εξαγωγή πληροφορίας και τη λήψη αποφάσεων από θορυβώδη ή αβέβαια δεδομένα.
- να αξιοποιεί, ανάλογα με την επιλεγμένη θεματική εμβάθυνση, προηγμένες μεθόδους μηχανικής μάθησης, online learning, δυναμικής βελτιστοποίησης, πολυπρακτορικών συστημάτων ή κβαντικών υπολογιστικών προσεγγίσεων.
- να συγκρίνει εναλλακτικές μεθοδολογίες με βάση την ακρίβεια, την υπολογιστική πολυπλοκότητα, την κλιμάκωση, την ευρωστία και τις απαιτήσεις της εφαρμογής.
- να οπτικοποιεί και να επικοινωνεί αποτελέσματα ανάλυσης δεδομένων με τρόπο που υποστηρίζει την επιστημονική ερμηνεία και τη λήψη αποφάσεων.
- να αναζητά, αξιολογεί και συνθέτει διεθνή επιστημονική βιβλιογραφία και να ενσωματώνει σύγχρονες ερευνητικές μεθόδους σε μια υπολογιστική μελέτη.
- να σχεδιάζει και να ολοκληρώνει ανεξάρτητη μελέτη και συνθετική μεταπτυχιακή εργασία σε θέμα μηχανικής μάθησης ή επιστήμης δεδομένων.
Ικανότητες
- να αντιμετωπίζει σύνθετα και μη πλήρως δομημένα προβλήματα μηχανικής μάθησης και επιστήμης δεδομένων συνδυάζοντας μαθηματική θεμελίωση, υπολογιστικές μεθόδους και εμπειρική αξιολόγηση.
- να επιλέγει αυτόνομα κατάλληλες μεθόδους, μοντέλα και υπολογιστικά εργαλεία με βάση τη φύση των δεδομένων, τους περιορισμούς και τον επιδιωκόμενο στόχο.
- να αξιολογεί κριτικά την ποιότητα των δεδομένων, τις παραδοχές των μοντέλων, την αξιοπιστία των αποτελεσμάτων και τους περιορισμούς μιας υπολογιστικής ανάλυσης.
- να λαμβάνει τεκμηριωμένες αποφάσεις υπό συνθήκες αβεβαιότητας και να διακρίνει μεταξύ στατιστικής συσχέτισης, προβλεπτικής επίδοσης και επιστημονικής ερμηνείας.
- να συνθέτει θεωρητικές και πρακτικές γνώσεις για την ανάπτυξη ολοκληρωμένων λύσεων που μετατρέπουν ακατέργαστα δεδομένα σε αξιοποιήσιμη πληροφορία και γνώση.
- να προσαρμόζει υπάρχοντες αλγορίθμους ή να διαμορφώνει νέες υπολογιστικές προσεγγίσεις όταν οι απαιτήσεις ενός προβλήματος υπερβαίνουν τις τυποποιημένες λύσεις.
- να ενσωματώνει ζητήματα ασφάλειας, αξιοπιστίας, διαφάνειας και υπεύθυνης χρήσης δεδομένων και αλγοριθμικών συστημάτων στην ανάπτυξη εφαρμογών.
- να συνεργάζεται αποτελεσματικά σε διεπιστημονικές ομάδες και να γεφυρώνει μαθηματικές, στατιστικές και υπολογιστικές προσεγγίσεις με ανάγκες πραγματικών εφαρμογών.
- να επικοινωνεί σύνθετες μεθόδους και αποτελέσματα μηχανικής μάθησης και ανάλυσης δεδομένων με ακρίβεια τόσο σε ειδικούς όσο και σε διεπιστημονικό κοινό.
- να διεξάγει ανεξάρτητη ερευνητική ή αναπτυξιακή εργασία με μεθοδολογική συνέπεια, κριτική σκέψη και επιστημονική ακεραιότητα.
- να αξιοποιεί νέες ερευνητικές εξελίξεις για τη βελτίωση μοντέλων, αλγορίθμων και εφαρμογών και να μεταφέρει τη νέα γνώση σε πραγματικά προβλήματα τεχνολογίας, βιομηχανίας και έρευνας.
- να παρακολουθεί συστηματικά τις ταχείες εξελίξεις στη μηχανική μάθηση και την επιστήμη δεδομένων και να ανανεώνει αυτόνομα το θεωρητικό, προγραμματιστικό και μεθοδολογικό του υπόβαθρο.
Σημείωση τεκμηρίωσης:
Η παρουσίαση βασίζεται στον ισχύοντα Κανονισμό Σπουδών. Η επιλογή, η ομαδοποίηση και η διατύπωση των μαθησιακών αποτελεσμάτων αποτελούν συνθετική επεξεργασία του mysep, σύμφωνα με το Ελληνικό Πλαίσιο Προσόντων και τους περιγραφικούς δείκτες του Δουβλίνου.
Διάρκεια σπουδών :
Η ελάχιστη χρονική διάρκεια φοίτησης για την απονομή του Π.Μ.Σ. είναι ένα ακαδημαϊκό έτος. Η μέγιστη διάρκεια φοίτησης είναι τρία ακαδημαϊκά εξάμηνα.
Γλώσσα Διδασκαλίας:
Ως γλώσσα διδασκαλίας, παρουσιάσεων, εξετάσεων και εκπόνησης της συνθετικής μεταπτυχιακής εργασίας ορίζεται η αγγλική.
Δίδακτρα:
Τα τέλη φοίτησης για το σύνολο του Π.Μ.Σ. είναι α) 500€ για τους προερχόμενους από χώρες του ΕΟΧ φοιτητές και β) 1000€ για τους προερχόμενους από χώρες εκτός ΕΟΧ φοιτητές.
Κατηγορίες και αριθμός εισακτέων:
Στο Π.Μ.Σ. γίνονται δεκτοί πτυχιούχοι των Τμημάτων/Σχολών Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής, Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών, Επιστήμης Υπολογιστών, Πληροφορικής, Φυσικής, Μαθηματικών και άλλων συναφών Τμημάτων Πανεπιστημίων της ημεδαπής και αναγνωρισμένων ομοταγών ιδρυμάτων της αλλοδαπής οι οποίοι έχουν αποδεδειγμένη επαρκή γνώση της αγγλικής γλώσσας.
Μέλη των κατηγοριών Ε.Ε.Π., Ε.ΔΙ.Π. και Ε.Τ.Ε.Π. της Σχολής ΗΜΜΥ, εφόσον πληρούν τις προϋποθέσεις του εδαφ. α’ της παρ. 1 του άρθρου 34 του ν. 4485/2017, μπορούν να εγγραφούν ως υπεράριθμοι και μόνο ένας/μία κατ’ έτος.
Δίπλωμα Μεταπτυχιακών Σπουδών δεν μπορεί να απονεμηθεί σε φοιτητή του οποίου ο τίτλος σπουδών πρώτου κύκλου από ίδρυμα της αλλοδαπής δεν έχει αναγνωριστεί από το Διεπιστημονικό Οργανισμό Αναγνώρισης Τίτλων Ακαδημαϊκών και Πληροφόρησης (Δ.Ο.Α.Τ.Α.Π.), σύμφωνα με τον ν. 3328/2005.
Ο αριθμός εισακτέων στο Π.Μ.Σ. ορίζεται κατ’ ανώτατο όριο σε είκοσι (20) φοιτητές ετησίως. Στο πρόγραμμα θα μπορούν να εισάγονται φοιτητές προερχόμενοι από χώρες του Ευρωπαϊκού Οικονομικού Χώρου (ΕΟΧ) και από χώρες εκτός ΕΟΧ.
Διαδικασία επιλογής:
Οι αιτήσεις για εισαγωγή στο Πρόγραμμα Μεταπτυχιακών Σπουδών εξετάζονται από την Συντονιστική Επιτροπή (Σ.Ε.), η οποία εισηγείται σχετικά στη Συνέλευση της Σχολής ΗΜΜΥ, η οποία έχει και την ευθύνη της απόφασης. Η αξιολόγηση των υποψηφίων διεξάγεται στις ακόλουθες διαδοχικές φάσεις, οι οποίες πραγματοποιούνται σε ημερομηνίες που καθορίζονται από την Σ.Ε. και αναφέρονται με σαφήνεια σε σχετική ανακοίνωση του Π.Μ.Σ. που αναρτάται στις ιστοσελίδες του προγράμματος:
Η διαδικασία που ακολουθείται είναι η ακόλουθη: Η Σ.Ε. εξετάζει τον πλήρη φάκελο κάθε υποψηφίου και δύναται να ζητήσει τυχόν απαιτούμενα δικαιολογητικά που δεν έχουν υποβληθεί, συμπληρωματικά στοιχεία, καθώς και να καλέσει τον υποψήφιο σε συνέντευξη. Στην φάση αυτή γίνεται εξακρίβωση της γνησιότητας και ακρίβειας των βεβαιώσεων και των πιστοποιητικών και έλεγχος τυπικών προσόντων. Η Σ.Ε. εισηγείται στην Συνέλευση της Σχολής Η.Μ.Μ.Υ. για την αποδοχή ή μη των υποψηφίων.
Τα κριτήρια αξιολόγησης περιλαμβάνουν τα εξής:
– Βαθμός Πτυχίου
– Χρόνος ολοκλήρωσης σπουδών
– Συνέντευξη
– Σχετική με το μεταπτυχιακό Διπλωματική εργασία
– Ερευνητική Δραστηριότητα (π.χ. δημοσιεύσεις ή συμμετοχή σε προγράμματα)
– Αρτιότερη (από την ελάχιστη απαίτηση) γνώση της
αγγλικής γλώσσας
– Συστατικές επιστολές
– Αναγνωρισμένη σχετική επαγγελματική εμπειρία.
Η Σ.Ε. καταρτίζει πλήρη κατάλογο με όλους τους υποψηφίους και ύστερα από τον σχετικό έλεγχο, απορρίπτει όσους δεν πληρούν τις προϋποθέσεις. Η Σ.Ε. καλεί σε συνέντευξη τους προκρινόμενους υποψηφίους που έχουν συγκεντρώσει τα απαιτούμενα δικαιολογητικά. Στην προφορική συνέντευξη αξιολογούνται η επιστημονική κατάρτιση, η ερευνητική εμπειρία, η συναφής εξωπανεπιστημιακή δραστηριότητα, η προσωπικότητα του υποψηφίου, και τυχόν ειδικά προσόντα.
Μετά την ολοκλήρωση της διαδικασίας (αξιολόγηση με βάση το φάκελο δικαιολογητικών και συνέντευξη), καταρτίζεται ο τελικός πίνακας των επιτυχόντων βάσει σειράς αξιολόγησης. Οι υποψήφιοι ενημερώνονται προσωπικά για το αποτέλεσμα της αξιολόγησης. Τα κριτήρια επιλογής υποψηφίων είναι εφικτό να αναμορφώνονται μετά από πρόταση της Σ.Ε. του Π.Μ.Σ. και έγκριση από τη Συνέλευση του Τμήματος Η.Μ.Μ.Υ.
Πρόγραμμα Σπουδών (Μαθήματα – ECΤS)
Τα μαθήματα του Π.Μ.Σ. «Machine Learning and Data Science» διδάσκονται στα Αγγλικά και το πλαίσιο διδασκαλίας περιλαμβάνει υποχρεωτικά δύο ίσης διάρκειας διαλέξεις ανά εβδομάδα (σε διαφορετικές μέρες) σε σύνολο 13 εβδομάδων. Η διδασκαλία των μαθημάτων γίνεται διά ζώσης αλλά δύναται να πραγματοποιηθεί και με μέσα εξ αποστάσεως. Το ποσοστό διδασκαλίας με μέσα εξ αποστάσεως εκπαίδευσης θα συμμορφώνεται με τις κείμενες διατάξεις και τις σχετικές αποφάσεις της Συνέλευσης του Τμήματος ΗΜΜΥ.
Οι φοιτητές συμμετέχουν στο σύνολό τους είτε στη διδασκαλία των μαθημάτων που πραγματοποιείται διά ζώσης είτε στη διδασκαλία με μέσα εξ αποστάσεως εκπαίδευσης. Η αξιολόγηση της επίδοσης των φοιτητών στα μαθήματα θα περιλαμβάνει κατ’ ελάχιστον γραπτή πρόοδο και γραπτή τελική εξέταση. Η αξιολόγηση της μαθησιακής ενότητας «Ερευνητικά Σεμινάρια/Ανεξάρτητη Μελέτη/Συνθετική Μεταπτυχιακή Εργασία (capstone project)» θα γίνεται στην κλίμακα επιτυχώς/ανεπιτυχώς και θα βασίζεται στην συμμετοχή των φοιτητών και στην αξιολόγηση της παρουσίασης της συνθετικής μεταπτυχιακής εργασίας.
Πρόγραμμα Χειμερινού Εξαμήνου
Probability Theory & Introduction to Machine Learning 7 ECTS
Practical Data Science and Applications 7 ECTS
Programming and Database Fundamentals 7 ECTS
Optimization 7 ECTS
Research seminar/Independent Study/Capstone project 2 ECTS
Πρόγραμμα Εαρινού Εξαμήνου
Machine Learning 7 ECTS
Research seminar/Independent Study/Capstone project 2 ECTS
Τουλάχιστον ένα μάθημα από την Ομάδα Α
Big Data Processing and Analysis (Α) 7 ECTS
Time Series Modeling and Analysis (Α) 7 ECTS
Probabilistic Graphical Models and Inference Algorithms (Α) 7 ECTS
Detection and Estimation Theory (Α) 7 ECTS
Έως και δύο μαθήματα από την Ομάδα B
Advanced Concepts in Machine Learning and Pattern Recognition (Β) 7 ECTS
Quantum Machine Learning, Optimization and Applications (Β) 7 ECTS
Quantum Information and Quantum Estimation (Β) 7 ECTS
Secure Systems (Β) 7 ECTS
Nonlinear Systems (Β) 7 ECTS
Online learning and Dynamic Optimization (Β) 7 ECTS
Decision Making and Learning in Multiagent Worlds (Β) 7 ECTS
Καθένα από τα παραπάνω μαθήματα αντιστοιχεί σε επτά (7) Πιστωτικές Μονάδες (ECTS) εκτός από την μαθησιακή ενότητα Ερευνητικά Σεμινάρια/Ανεξάρτητη Μελέτη/Συνθετική Μεταπτυχιακή Εργασία (capstone project) που αντιστοιχεί σε 2 ECTS ανά εξάμηνο. Ο προβλεπόμενος φόρτος περιλαμβάνει 4 μαθήματα και την υποχρεωτική μαθησιακή ενότητα Ερευνητικά Σεμινάρια/Ανεξάρτητη Μελέτη/Συνθετική Μεταπτυχιακή Εργασία ανά εξάμηνο.
Εκτός από την επιτυχή παρακολούθηση και ολοκλήρωση των μαθημάτων, οι φοιτητές υποχρεούνται να παρακολουθήσουν ερευνητικά σεμινάρια και να διεξάγουν ανεξάρτητη μελέτη για να εκπονήσουν Συνθετική Μεταπτυχιακή Εργασία σε θέμα σχετικό με Μηχανική Μάθηση και Επιστήμη Δεδομένων, το οποίο θα σχετίζεται με το θέμα της ανεξάρτητης μελέτης που θα επιλέξουν.
Τα προσφερόμενα μαθήματα του χειμερινού εξαμήνου είναι όλα υποχρεωτικά. Τα μαθήματα του εαρινού εξαμήνου περιλαμβάνουν ένα υποχρεωτικό για όλους μάθημα, ένα τουλάχιστον μάθημα από την ομάδα (Α), και το πολύ 2 μαθήματα από την ομάδα (Β). Επομένως, το εαρινό εξάμηνο ένας φοιτητής μπορεί να επιλέξει 3 Μαθήματα από την Ομάδα Α, ή 2 Μαθήματα από την Ομάδα Α και 1 Μάθημα από την Ομάδα Β, ή 1 Μάθημα από την Ομάδα Α και 2 μαθήματα από την Ομάδα Β. Τα μαθήματα που προσφέρονται στο Π.Μ.Σ. «Machine Learning and Data Science» είναι διαθέσιμα και σε όλους τους Μεταπτυχιακούς Φοιτητές του υφιστάμενου, ερευνητικού Π.Μ.Σ. της Σχολής Η.Μ.Μ.Υ. με τίτλο «Ερευνητικό Π.Μ.Σ. στα Αντικείμενα Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών», σε προηγμένους προπτυχιακούς της Σχολής Η.Μ.Μ.Υ., καθώς και σε Μεταπτυχιακούς Φοιτητές Erasmus+, χωρίς τέλη φοίτησης, με την προϋπόθεση πως τα επιλεγόμενα μαθήματα είναι συναφή με την ερευνητική στόχευση της Μεταπτυχιακής Διατριβής του ενδιαφερομένου φοιτητή και υπάρχει η σύμφωνη γνώμη του επιβλέποντα.
O κατάλογος των μαθημάτων και η διάρθρωση του Προγράμματος δύνανται να τροποποιηθούν μετά από απόφαση της Συνέλευσης του Τμήματος.
Τι άλλο πρέπει να ξέρω :
Χρήσιμα Έντυπα:
- Προκήρυξη – Πρόσκληση εκδήλωσης ενδιαφέροντος (ακαδ. έτος 2026-2027)
- ΦΕΚ ίδρυσης : ΦΕΚ 3150 τ.Β’/22.06.2022
- Κανονισμός Σπουδών : ΦΕΚ 3150 τ.Β’/22.06.2022
Περισσότερα στοιχεία :
-
- Ηλεκτρονική διεύθυνση του τμήματος: https://www.ece.tuc.gr/
Διάρκεια Λειτουργίας
Το Π.Μ.Σ. θα λειτουργήσει μέχρι και την αποφοίτηση των φοιτητών που θα εγγραφούν κατά το ακαδημαϊκό έτος 2026-2027.
