το άρθρο ενημερώθηκε στις 01.10.2026
Σε ποιον ταιριάζει το ΠΜΣ Εφαρμοσμένη Επιστήμη Δεδομένων;
Το ΠΜΣ «Εφαρμοσμένη Επιστήμη Δεδομένων» απευθύνεται σε πτυχιούχους στατιστικής, μαθηματικών, πληροφορικής, οικονομικών επιστημών, μηχανικών και συναφών γνωστικών αντικειμένων, καθώς και σε επαγγελματίες που επιθυμούν να αποκτήσουν σύγχρονες, εφαρμοσμένες δεξιότητες στην ανάλυση δεδομένων, τη μηχανική μάθηση και την τεχνητή νοημοσύνη. Εστιάζει στη σύνδεση θεωρητικής γνώσης και πρακτικής εφαρμογής, προετοιμάζοντας στελέχη ικανά να αντιμετωπίζουν πραγματικά προβλήματα της αγοράς, της έρευνας και της ψηφιακής οικονομίας μέσω δεδομένων.
Ταιριάζει ιδιαίτερα σε όσους:
ενδιαφέρονται για την ανάλυση δεδομένων, τη στατιστική και τη μηχανική μάθηση,
επιδιώκουν να κατανοήσουν πώς τα δεδομένα μετατρέπονται σε γνώση και υποστήριξη αποφάσεων,
διαθέτουν βασικό υπόβαθρο σε μαθηματικά, στατιστική, πληροφορική ή συναφείς επιστήμες,
θέλουν να αναπτύξουν δεξιότητες σε προγραμματισμό, ανάλυση μεγάλων δεδομένων και τεχνητή νοημοσύνη,
έχουν διάθεση να εργαστούν σε περιβάλλοντα που βασίζονται στη λήψη αποφάσεων μέσω δεδομένων,
στοχεύουν σε επαγγελματικούς ρόλους όπως data scientist, data analyst, machine learning engineer, business analyst ή ερευνητής δεδομένων,
διαθέτουν ενδιαφέρον για τη σύνδεση επιστημονικής έρευνας, καινοτομίας και εφαρμοσμένης ανάλυσης δεδομένων.
Το ΠΜΣ είναι ιδανική επιλογή για όσους επιθυμούν να αποκτήσουν ισχυρό και σύγχρονο υπόβαθρο στην Επιστήμη Δεδομένων, συνδυάζοντας στατιστική, υπολογιστικές μεθόδους και τεχνητή νοημοσύνη, ώστε να ανταποκριθούν στις αυξημένες απαιτήσεις της ψηφιακής εποχής και της σύγχρονης αγοράς εργασίας.
Πανεπιστήμιο Δυτικής Μακεδονίας
Σχολή Οικονομικών Επιστημών
Τμήμα Στατιστικής
ΠΜΣ: «Εφαρμοσμένη Επιστήμη Δεδομένων»
(MSc in Applied Data Science)
Έδρα:
Διεύθυνση – Πόλη διεξαγωγής: Τμήμα Στατιστικής 6ο χλμ Παλαιάς Εθνικής Οδού Γρεβενών – Κοζάνης, Τ.Κ. 51100 Γρεβενά
Τηλέφωνα: 24620 61601-61608 Email: stat@uowm.gr
Γνωστικό Αντικείμενο – Σκοπός :
Αντικείμενο του Προγράμματος Μεταπτυχιακών Σπουδών είναι η Εφαρμοσμένη Επιστήμη Δεδομένων ακολουθώντας τις προκλήσεις της παγκόσμιας οικονομίας και αγοράς εργασίας. Στην ουσία της, η Επιστήμη Δεδομένων είναι σχετική με την κατανόηση του κόσμου γύρω μας. Με την ανάλυση τάσεων, προτύπων και σχέσεων, οι μεταπτυχιακοί φοιτητές μαθαίνουν να οδηγούν την έρευνα στην καινοτομία. Εξοπλίζονται για να αντιμετωπίζουν τα προβλήματα του πραγματικού κόσμου.
Στόχος του Προγράμματος Μεταπτυχιακών Σπουδών (Π.Μ.Σ.) είναι η προώθηση της έρευνας στην ανάπτυξη καινοτόμων λύσεων μέσα από σύγχρονες τεχνικές μηχανικής μάθησης, διαχείρισης και ανάλυσης δεδομένων με την τεχνητή νοημοσύνη να λειτουργεί ως καταλύτης για την πορεία από την έρευνα στην καινοτομία, ενώνοντας την επιστημονική πρωτοπορία με την επιχειρηματική πράξη.
Το Π.Μ.Σ. «Εφαρμοσμένη Επιστήμη Δεδομένων» απευθύνεται σε απόφοιτους και γενικότερα σε στελέχη επιχειρήσεων που επιθυμούν να εξειδικευτούν στην Επιστήμη των Δεδομένων και θα μπορούν να εργαστούν στον ακαδημαϊκό χώρο, στη βιομηχανία, σε επιστημονικούς οργανισμούς καθώς και σε δημόσιους ή ιδιωτικούς φορείς, παρέχοντας λύσεις βασισμένες σε πραγματικά δεδομένα. Σ’ αυτό το πλαίσιο το Π.Μ.Σ καθίσταται αναγκαίο για να προετοιμάσει εξειδικευμένα στελέχη ικανά να ανταποκριθούν στις απαιτήσεις της ψηφιακής εποχής, ώστε να ενισχυθεί η ανταγωνιστικότητα της χώρας στην παγκόσμια οικονομία.
Οι διπλωματούχοι του Π.Μ.Σ. εξειδικεύονται και αποκτούν το θεωρητικό και εμπειρικό υπόβαθρο καθώς και τις δεξιότητες που τους καθιστούν ικανούς να απασχοληθούν σε διάφορα επαγγελματικά και ερευνητικά πεδία που συνδέονται με την Επιστήμη των Δεδομένων. Το γνωστικό αντικείμενο της Επιστήμης των Δεδομένων είναι ένα ευρύτατο διεπιστημονικό πεδίο. Περιλαμβάνει ένα σημαντικό αριθμό τεχνολογιών αιχμής. Στους φοιτητές παρέχεται υψηλής ποιότητας εξειδικευμένη γνώση και δεξιότητες, όπως:
Γνώση μεθόδων αποθήκευσης και διαχείρισης δεδομένων με σύγχρονες αλγοριθμικές και υπολογιστικές τεχνικές.
Προχωρημένες γνώσεις και δεξιότητες σχετικές με τον κλάδο της Στατιστικής.
Γνώσεις για την χρήση των κατάλληλων για την κάθε περίσταση εργαλείων για στατιστική ανάλυση δεδομένων.
Εμβάθυνση στις πλέον σύγχρονες τεχνικές και μεθοδολογίες της Επιστήμης των Δεδομένων.
Διαχείριση και ανάλυση μεγάλου όγκου δεδομένων για την κατασκευή μοντέλων πρόβλεψης και λήψης αποφάσεων.
Γνώσεις σε εξειδικευμένα πεδία εφαρμογής (αναλυτική επιχειρήσεων, αναλυτική υγείας, αναλυτική αθλημάτων, χρηματοοικονομικά, κ.λπ.)
Τίτλος Σπουδών:
Το Π.Μ.Σ. απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (Δ.Μ.Σ.) με τίτλο «Εφαρμοσμένη Επιστήμη Δεδομένων» (MSc in Applied Data Science).
Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών
Το Πρόγραμμα Μεταπτυχιακών Σπουδών «Εφαρμοσμένη Επιστήμη Δεδομένων» (MSc in Applied Data Science) του Τμήματος Στατιστικής του Πανεπιστημίου Δυτικής Μακεδονίας εστιάζει στην αξιοποίηση της στατιστικής, των μαθηματικών, του προγραμματισμού, της μηχανικής μάθησης και της Τεχνητής Νοημοσύνης για την κατανόηση δεδομένων και την ανάπτυξη λύσεων σε πραγματικά προβλήματα. Το πρόγραμμα καλύπτει μαθηματικά και στατιστική για την Επιστήμη Δεδομένων, προγραμματισμό, μηχανική μάθηση, βάσεις δεδομένων, ανάλυση και οπτικοποίηση δεδομένων, στατιστικές μεθόδους, Τεχνητή Νοημοσύνη και σύγχρονες μεθοδολογίες έρευνας, καθώς και βαθιά μάθηση, ανάλυση μεγάλων δεδομένων, υπολογιστική στατιστική και στοχαστική βελτιστοποίηση, Γενετική Τεχνητή Νοημοσύνη και Μεγάλα Γλωσσικά Μοντέλα. Μέσα από τον συνδυασμό θεωρητικού και εμπειρικού υπόβαθρου επιδιώκει την ανάπτυξη επιστημόνων δεδομένων ικανών να μετατρέπουν πραγματικά δεδομένα σε τεκμηριωμένη γνώση και καινοτόμες εφαρμογές.
Με την επιτυχή ολοκλήρωση του Προγράμματος Σπουδών, ο απόφοιτος ή η απόφοιτη είναι σε θέση:
Επιστημονικό πεδίο UNESCO ISCED-F: Στατιστική
Γνώσεις
- να αναλύει τις μαθηματικές και στατιστικές αρχές που θεμελιώνουν τη σύγχρονη Επιστήμη Δεδομένων και να ερμηνεύει τη σημασία τους για τη μοντελοποίηση και την ανάλυση πραγματικών δεδομένων
- να εξετάζει τις αρχές της πιθανότητας, της στατιστικής συμπερασματολογίας και της στατιστικής μοντελοποίησης και να αξιολογεί τις προϋποθέσεις εφαρμογής τους σε προβλήματα δεδομένων
- να αναλύει τις βασικές αρχές και τα υπολογιστικά εργαλεία προγραμματισμού που χρησιμοποιούνται για τη συλλογή, επεξεργασία, ανάλυση και αξιοποίηση δεδομένων
- να ερμηνεύει τις δομές, τους αλγορίθμους και τις υπολογιστικές διαδικασίες που αποτελούν θεμέλιο της έρευνας και της επίλυσης προβλημάτων βασισμένων σε δεδομένα
- να αναλύει τις θεωρητικές αρχές της μηχανικής μάθησης και να διακρίνει τις βασικές κατηγορίες, μεθόδους και αλγορίθμους μάθησης από δεδομένα
- να εξετάζει τις αρχές σχεδιασμού, οργάνωσης, αποθήκευσης και ανάκτησης δεδομένων σε συστήματα βάσεων δεδομένων
- να αναλύει τις αρχές διαχείρισης, διερεύνησης και οπτικοποίησης δεδομένων και να ερμηνεύει τον ρόλο της οπτικής αναπαράστασης στην ανακάλυψη και επικοινωνία προτύπων και σχέσεων
- να εμβαθύνει σε προηγμένες στατιστικές μεθόδους και να αξιολογεί τη χρησιμότητά τους στην ανάλυση σύνθετων και πραγματικών συνόλων δεδομένων
- να αναλύει τις βασικές έννοιες, προσεγγίσεις και αλγοριθμικές μεθόδους της Τεχνητής Νοημοσύνης και να ερμηνεύει τη σχέση τους με την Επιστήμη Δεδομένων
- να εξετάζει τις αρχιτεκτονικές και τις αρχές της βαθιάς μάθησης και να ερμηνεύει τον τρόπο με τον οποίο βαθιά νευρωνικά μοντέλα μαθαίνουν σύνθετες αναπαραστάσεις από δεδομένα
- να αναλύει τις αρχές, τις τεχνολογίες και τις υπολογιστικές προκλήσεις της επεξεργασίας και ανάλυσης μεγάλων δεδομένων
- να ερμηνεύει τις αρχές της υπολογιστικής στατιστικής και να εξετάζει στοχαστικές μεθόδους βελτιστοποίησης για την επίλυση σύνθετων προβλημάτων ανάλυσης και μοντελοποίησης
- να αναλύει τις αρχές της Γενετικής Τεχνητής Νοημοσύνης και τη λειτουργία των Μεγάλων Γλωσσικών Μοντέλων και να ερμηνεύει τις δυνατότητες και τους περιορισμούς τους
- να συσχετίζει τη στατιστική ανάλυση, τη μηχανική μάθηση, την Τεχνητή Νοημοσύνη και τις υπολογιστικές τεχνολογίες ως συμπληρωματικές συνιστώσες μιας ολοκληρωμένης διαδικασίας Επιστήμης Δεδομένων
- να αναλύει τη διαδικασία μετατροπής ακατέργαστων δεδομένων σε πληροφορία, γνώση και τεκμηριωμένη υποστήριξη αποφάσεων
- να εξετάζει ζητήματα αξιοπιστίας, αβεβαιότητας, γενίκευσης και αξιολόγησης μοντέλων κατά την εξαγωγή συμπερασμάτων από πραγματικά δεδομένα
- να ερμηνεύει τις αρχές των σύγχρονων ερευνητικών μεθοδολογιών και να αξιολογεί κριτικά ερευνητικό σχεδιασμό, επιστημονική βιβλιογραφία, δεδομένα και εμπειρικά αποτελέσματα
- να συνθέτει στατιστική, μαθηματική, υπολογιστική και αλγοριθμική γνώση για τη διεπιστημονική κατανόηση και επίλυση σύνθετων προβλημάτων Επιστήμης Δεδομένων
Δεξιότητες
- να προεπεξεργάζεται, καθαρίζει, μετασχηματίζει και οργανώνει πραγματικά σύνολα δεδομένων ώστε να είναι κατάλληλα για στατιστική και υπολογιστική ανάλυση
- να προγραμματίζει ολοκληρωμένες διαδικασίες ανάλυσης δεδομένων και να υλοποιεί αλγορίθμους και υπολογιστικές μεθόδους με κατάλληλα εργαλεία και γλώσσες προγραμματισμού
- να επιλέγει και να εφαρμόζει κατάλληλες στατιστικές μεθόδους για την περιγραφή, διερεύνηση, μοντελοποίηση και εξαγωγή συμπερασμάτων από δεδομένα
- να σχεδιάζει, να εκπαιδεύει και να αξιολογεί μοντέλα μηχανικής μάθησης ανάλογα με τη φύση του προβλήματος, τη δομή των δεδομένων και τον επιδιωκόμενο στόχο
- να αξιολογεί την απόδοση μοντέλων μηχανικής μάθησης με κατάλληλες μετρικές και διαδικασίες επικύρωσης και να εντοπίζει προβλήματα υπερπροσαρμογής, μεροληψίας ή ανεπαρκούς γενίκευσης
- να σχεδιάζει και να αξιοποιεί βάσεις δεδομένων για την αποτελεσματική αποθήκευση, οργάνωση, ανάκτηση και διαχείριση δεδομένων
- να δημιουργεί κατάλληλες οπτικοποιήσεις και αναλυτικές αναπαραστάσεις για τη διερεύνηση δεδομένων, την αναγνώριση προτύπων και την επικοινωνία σύνθετων ευρημάτων
- να εφαρμόζει μεθόδους Τεχνητής Νοημοσύνης για την επίλυση πραγματικών προβλημάτων και να αξιολογεί κριτικά την καταλληλότητά τους σε σχέση με εναλλακτικές αναλυτικές προσεγγίσεις
- να αναπτύσσει και να αξιολογεί μοντέλα βαθιάς μάθησης για προβλήματα στα οποία απαιτείται εκμάθηση σύνθετων αναπαραστάσεων από δεδομένα
- να επεξεργάζεται και να αναλύει δεδομένα μεγάλης κλίμακας, επιλέγοντας κατάλληλες μεθοδολογίες και υπολογιστικές προσεγγίσεις ανάλογα με τον όγκο και τη δομή τους
- να εφαρμόζει υπολογιστικές στατιστικές μεθόδους και τεχνικές στοχαστικής βελτιστοποίησης για την εκτίμηση, προσαρμογή και βελτίωση σύνθετων μοντέλων
- να αξιοποιεί τεχνικές Γενετικής Τεχνητής Νοημοσύνης και Μεγάλα Γλωσσικά Μοντέλα σε εφαρμογές Επιστήμης Δεδομένων, αξιολογώντας την ποιότητα, αξιοπιστία και καταλληλότητα των παραγόμενων αποτελεσμάτων
- να συγκρίνει εναλλακτικά στατιστικά, μηχανικής μάθησης και Τεχνητής Νοημοσύνης μοντέλα και να τεκμηριώνει την επιλογή της καταλληλότερης προσέγγισης για συγκεκριμένο πρόβλημα
- να συνδυάζει δεδομένα, στατιστική ανάλυση, προγραμματισμό και αλγοριθμικά μοντέλα σε ολοκληρωμένες ροές εργασίας Επιστήμης Δεδομένων
- να εντοπίζει τάσεις, πρότυπα, σχέσεις και ανωμαλίες σε σύνθετα δεδομένα και να μετατρέπει τα αναλυτικά αποτελέσματα σε τεκμηριωμένες πληροφορίες για έρευνα ή λήψη αποφάσεων
- να διατυπώνει ερευνητικά ερωτήματα, να σχεδιάζει κατάλληλη ερευνητική μεθοδολογία και να επιλέγει δεδομένα, στατιστικές και υπολογιστικές τεχνικές που ανταποκρίνονται στους στόχους της έρευνας
- να αναζητά, να αξιολογεί και να συνθέτει διεθνή επιστημονική βιβλιογραφία και να αναπαράγει ή να επεκτείνει υπολογιστικές και εμπειρικές αναλύσεις με επιστημονική συνέπεια
- να εκπονεί αυτοτελή μεταπτυχιακή έρευνα στην Επιστήμη Δεδομένων με μεθοδολογική αυστηρότητα, τεκμηριωμένη ανάλυση, κριτική ερμηνεία και σαφή παρουσίαση αποτελεσμάτων
Ικανότητες
- να αντιμετωπίζει σύνθετα και ανοικτού τύπου προβλήματα πραγματικού κόσμου μετατρέποντάς τα σε κατάλληλα ερευνητικά ή αναλυτικά προβλήματα που μπορούν να διερευνηθούν με δεδομένα
- να λαμβάνει τεκμηριωμένες αποφάσεις για την επιλογή δεδομένων, μεθόδων και μοντέλων σε συνθήκες αβεβαιότητας, συνεκτιμώντας τις παραδοχές και τους περιορισμούς κάθε προσέγγισης
- να συνθέτει στατιστικές, μαθηματικές, προγραμματιστικές και αλγοριθμικές προσεγγίσεις για την ανάπτυξη καινοτόμων λύσεων βασισμένων σε πραγματικά δεδομένα
- να αξιολογεί κριτικά την εγκυρότητα, την αξιοπιστία και τη γενικευσιμότητα αποτελεσμάτων και να αποφεύγει την εξαγωγή συμπερασμάτων που δεν υποστηρίζονται επαρκώς από τα δεδομένα
- να ασκεί υπεύθυνη επιστημονική κρίση κατά την ανάπτυξη και χρήση μοντέλων μηχανικής μάθησης, Τεχνητής Νοημοσύνης και Γενετικής Τεχνητής Νοημοσύνης, αναγνωρίζοντας αβεβαιότητες, σφάλματα και περιορισμούς
- να μετατρέπει σύνθετα αναλυτικά αποτελέσματα σε κατανοητή και αξιοποιήσιμη γνώση για επιστημονικά, επιχειρηματικά, δημόσια ή άλλα επαγγελματικά περιβάλλοντα
- να επικοινωνεί με σαφήνεια δεδομένα, μεθοδολογία, μοντέλα, οπτικοποιήσεις, αβεβαιότητες και συμπεράσματα τόσο σε εξειδικευμένο όσο και σε μη εξειδικευμένο κοινό
- να συνεργάζεται αποτελεσματικά σε διεπιστημονικές ομάδες, συνδέοντας την τεχνογνωσία της Επιστήμης Δεδομένων με τη γνώση του εκάστοτε πεδίου εφαρμογής
- να προσαρμόζεται στην ταχεία εξέλιξη αλγορίθμων, υπολογιστικών τεχνολογιών, τεχνικών μηχανικής μάθησης και συστημάτων Τεχνητής Νοημοσύνης και να αξιολογεί κριτικά νέες μεθόδους πριν από την υιοθέτησή τους
- να αναλαμβάνει ευθύνη για τον σχεδιασμό και την ολοκλήρωση σύνθετων έργων ανάλυσης δεδομένων από τη διατύπωση του προβλήματος έως την αξιολόγηση και επικοινωνία της λύσης
- να αναπτύσσει ερευνητική αυτονομία, να σχεδιάζει πρωτότυπες διερευνήσεις και να παράγει τεκμηριωμένη γνώση με βάση δεδομένα, σύγχρονες μεθοδολογίες και κριτική επιστημονική σκέψη
- να συνεχίζει αυτοδύναμα την επιστημονική και επαγγελματική του ανάπτυξη και να διαθέτει το αναγκαίο θεωρητικό, υπολογιστικό και ερευνητικό υπόβαθρο για περαιτέρω σπουδές και έρευνα
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 :
Το Π.Μ.Σ. «Εφαρμοσμένη Επιστήμη Δεδομένων» διαρθρώνεται σε τρία (3) ακαδημαϊκά εξάμηνα, στα οποία περιλαμβάνεται και η εκπόνηση και κρίση της μεταπτυχιακής διπλωματικής εργασίας. Ο ανώτατος επιτρεπόμενος χρόνος περάτωσης των σπουδών ορίζεται σε έξι (6) εξάμηνα. Το Π.Μ.Σ. παρέχει δυνατότητα μερικής φοίτησης, η διάρκεια της οποίας δεν υπερβαίνει το διπλάσιο του χρόνου της κανονικής φοίτησης.
Γλώσσα Διδασκαλίας:
Ως γλώσσα διδασκαλίας του Π.Μ.Σ. ορίζεται η ελληνική. Ως γλώσσες εκπόνησης της διπλωματικής εργασίας ορίζονται η ελληνική ή η αγγλική. Πέραν των παραπάνω μαθημάτων, μπορούν να προγραμματιστούν επιπρόσθετα επιμορφωτικά σεμινάρια εφόσον αυτό κριθεί απαραίτητο.
Δίδακτρα:
Τέλη φοίτησης, το ύψος των οποίων ανέρχεται στο ποσό των δύο χιλιάδων εννιακοσίων ευρώ (2.900,00 €).
Κατηγορίες και αριθμός εισακτέων:
Στο Π.Μ.Σ. γίνονται δεκτοί κάτοχοι πτυχίου/διπλώμα τος του πρώτου κύκλου σπουδών Α.Ε.Ι. της ημεδαπής ή ομοταγών ιδρυμάτων της αλλοδαπής, καθώς και πτυχιούχοι τμημάτων Τ.Ε.Ι. που αποφοίτησαν πριν από τη συνέργεια με τα Α.Ε.Ι, συναφούς γνωστικού αντικειμένου.
Ο αριθμός των εισακτέων στο Π.Μ.Σ. ορίζεται σε πενήντα (50) μεταπτυχιακούς/ές φοιτητές/τριες κατ’ έτος.
Διαδικασία επιλογής:-
Πρόγραμμα Σπουδών
Για την απόκτηση του Δ.Μ.Σ. απαιτείται η παρακολούθηση και επιτυχής εξέταση σε τέσσερα (4) υποχρεωτικά μαθήματα και σε τέσσερα (4) μαθήματα επιλογής, δύο (2) ανά εξάμηνο, καθώς και η εκπόνηση Μεταπτυχιακής Διπλωματικής Εργασίας στο Γ’ εξάμηνο.
Το Δίπλωμα Μεταπτυχιακών Σπουδών απονέμεται μετά τη συμπλήρωση ενενήντα (90) πιστωτικών μονάδων (ECTS). Αναλυτικά, η διάρθρωση του προγράμματος είναι η ακόλουθη:
Α’ εξάμηνο:
Υποχρεωτικά μαθήματα
Μαθηματικά και Στατιστική για Επιστήμη Δεδομένων (Mathematics and Statistics for Data Science)
Προγραμματισμός για Επιστήμη Δεδομένων (Programming for Data Science)
Μαθήματα Επιλογής
Μηχανική Μάθηση (Machine Learning)
Βάσεις Δεδομένων (Databases)
Ανάλυση και Οπτικοποίηση Δεδομένων (Data Management and Visualization)
Στατιστικές Μέθοδοι (Statistical Methods)
Β’ εξάμηνο:
Υποχρεωτικά μαθήματα
Τεχνητή Νοημοσύνη (Artificial Intelligence)
Σύγχρονες Μεθοδολογίες Έρευνας (Modern Research Methodologies)
Μαθήματα Επιλογής
Βαθιά Μάθηση (Deep Learning)
Ανάλυση Μεγάλων Δεδομένων (Big Data Analytics)
Υπολογιστική Στατιστική και Στοχαστική Βελτιστοποίηση (Computational Statistics and Stochastic Optimization)
Γενετική Τεχνητή Νοημοσύνη (GenAI) και Μεγάλα Γλωσσικά Μοντέλα LLMs) (Generative Artificial Intelligence and Large Language Models
Γ’ εξάμηνο:
Μεταπτυχιακή Διπλωματική Εργασία (Master Thesis
Τα μαθήματα διεξάγονται με μεθόδους εξ αποστάσεως διδασκαλίας με τη χρήση του ολοκληρωμένου συστήματος τόσο σύγχρονης, όσο και ασύγχρονης τηλεκπαίδευσης του Πανεπιστημίου Δυτικής Μακεδονίας, σύμφωνα με το άρθρο 88 του ν. 4957/2022 (Α’ 141). Η παρακολούθηση των μαθημάτων είναι υποχρεωτική.
Τι άλλο πρέπει να ξέρω :
Χρήσιμα Έντυπα:
- Προκήρυξη – Πρόσκληση εκδήλωσης ενδιαφέροντος (ακαδ. έτος 2026 – 2027)
- ΦΕΚ ίδρυσης : ΦΕΚ 4966 τ.Β’/18.09.2025
Περισσότερα στοιχεία :
-
- Ηλεκτρονική διεύθυνση του ΠΜΣ : MSc Datascience
Διάρκεια Λειτουργίας:
Το Π.Μ.Σ. θα λειτουργήσει από το ακαδημαϊκό έτος 2025-2026 για πέντε (5) έτη, οπότε και θα αξιολογηθεί η δυνατότητα συνέχισης της λειτουργίας του, σύμφωνα με τις διατάξεις της παρ. 1 του άρθρου 87 του ν. 4957/2022.