το άρθρο ενημερώθηκε στις 03.10.2026
Σε ποιον ταιριάζει το ΠΜΣ Επιστήμη Δεδομένων και Μηχανική Μάθηση;
Το Διιδρυματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Επιστήμη Δεδομένων και Μηχανική Μάθηση» απευθύνεται σε αποφοίτους που επιδιώκουν υψηλού επιπέδου επιστημονική κατάρτιση στον ταχέως εξελισσόμενο χώρο της ανάλυσης δεδομένων, της τεχνητής νοημοσύνης και των αλγορίθμων μάθησης. Το πρόγραμμα εστιάζει στη θεωρητική θεμελίωση και την εφαρμοσμένη αξιοποίηση μεθόδων στατιστικής ανάλυσης, υπολογιστικής μάθησης, εξόρυξης γνώσης και μοντελοποίησης δεδομένων μεγάλης κλίμακας. Ιδιαίτερη έμφαση δίνεται στη σύνδεση μαθηματικών και αλγοριθμικών βάσεων με σύγχρονες τεχνολογικές εφαρμογές σε επιστήμη, βιομηχανία, οικονομία και κοινωνία, διασφαλίζοντας ισχυρό ακαδημαϊκό και επαγγελματικό αποτύπωμα.
Ταιριάζει ιδιαίτερα σε υποψηφίους που:
ενδιαφέρονται ουσιαστικά για τη στατιστική ανάλυση, τη μηχανική μάθηση και τη μετατροπή δεδομένων σε αξιοποιήσιμη γνώση,
επιδιώκουν να κατανοήσουν σε βάθος τις θεωρητικές αρχές που διέπουν τους αλγορίθμους μάθησης, την πιθανότητα και τη βελτιστοποίηση,
διαθέτουν ισχυρό υπόβαθρο σε μαθηματικά, πληροφορική, ηλεκτρολόγους μηχανικούς ή συναφείς επιστήμες και επιθυμούν να το εξελίξουν σε εξειδικευμένη επιστημονική επάρκεια,
θέλουν να αναπτύξουν δεξιότητες σχεδιασμού, υλοποίησης και αξιολόγησης μοντέλων πρόβλεψης και ανάλυσης δεδομένων,
ενδιαφέρονται για εφαρμογές της επιστήμης δεδομένων σε τομείς όπως η τεχνητή νοημοσύνη, η βιοϊατρική, τα δίκτυα, η οικονομική ανάλυση και τα κυβερνοφυσικά συστήματα,
έχουν διάθεση να εργαστούν σε περιβάλλοντα υψηλών απαιτήσεων που συνδυάζουν θεωρητική αυστηρότητα, προγραμματισμό και υπολογιστική σκέψη,
στοχεύουν είτε σε ερευνητική και ακαδημαϊκή συνέχεια είτε σε εξειδικευμένες επαγγελματικές θέσεις σε τομείς αιχμής της ψηφιακής οικονομίας.
Συνολικά, το ΠΜΣ «Επιστήμη Δεδομένων και Μηχανική Μάθηση» ταιριάζει σε υποψηφίους με ισχυρό αναλυτικό και μαθηματικό προσανατολισμό, υψηλή ακαδημαϊκή φιλοδοξία και ενδιαφέρον για τεχνολογίες που διαμορφώνουν το μέλλον της επιστήμης και της βιομηχανίας. Αν επιδιώκεις μεταπτυχιακές σπουδές κύρους με έντονη θεωρητική βάση και ουσιαστική εφαρμοσμένη αξία, το συγκεκριμένο ΔΠΜΣ αποτελεί ιδιαίτερα απαιτητική και δυναμική επιλογή.
Συνεργαζόμενες Σχολές:
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Ε.Μ.Π.
Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών του Ε.Μ.Π.
Σχολή Πολιτικών Μηχανικών του Ε.Μ.Π.
Σχολή Αγρονόμων και Τοπογράφων Μηχανικών του Ε.Μ.Π.
.
ΔΠΜΣ: «Επιστήμη Δεδομένων και Μηχανική Μάθηση»
(Data Science and Machine Learning)
Έδρα:
Διεύθυνση – Πόλη διεξαγωγής: Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Ηρώων Πολυτεχνείου 9 Αθήνα, T.K. 15780
Τηλέφωνο: 210 772 2873 Fax : E-mail: dsml-info@ece.ntua.gr
Γνωστικό Αντικείμενο – Σκοπός :
Σκοπός του ΔΠΜΣ είναι η εμβάθυνση μηχανικών και επιστημόνων θετικής κατεύθυνσης, στις μεθόδους και τις τεχνικές της ολοκληρωμένης διεπιστημονικής προσέγγισης, έρευνας και αντιμετώπισης των επιμέρους θεμάτων του πιο πάνω αντικειμένου, έτσι ώστε να διαμορφωθούν στελέχη με εξειδικευμένη γνώση στις επιστημονικές περιοχές του ΔΠΜΣ, ικανά να καλύψουν με επάρκεια τις αυξανόμενες ανάγκες των ιδιωτικών και δημοσίων επιχειρήσεων, οργανισμών και υπηρεσιών της χώρας ή και άλλων χωρών, στα πολυδιάστατα θέματα της επιστήμης δεδομένων και μηχανικής μάθησης.
Αντικείμενο του ΔΠΜΣ είναι η ενίσχυση της επιστημονικής και τεχνολογικής έρευνας και η παραγωγή νέας διεπιστημονικής γνώσης στο πεδίο «Επιστήμη Δεδομένων και Μηχανική Μάθηση (Data Science and Machine Learning)».
Στόχοι του ΔΠΜΣ είναι:
α) Η εμβάθυνση μηχανικών και επιστημόνων θετικής κατεύθυνσης, στις μεθόδους και τις τεχνικές της ολοκληρωμένης διεπιστημονικής προσέγγισης, έρευνας και αντιμετώπισης των επί μέρους θεμάτων του πιο πάνω αντικειμένου, έτσι ώστε να διαμορφωθούν στελέχη με εξειδικευμένη γνώση στις επιστημονικές περιοχές του ΔΠΜΣ, ικανά να καλύψουν με επάρκεια τις αυξανόμενες ανάγκες των ιδιωτικών και δημοσίων επιχειρήσεων, οργανισμών και υπηρεσιών της χώρας ή και άλλων χωρών, στα πολυδιάστατα θέματα της επιστήμης δεδομένων και μηχανικής μάθησης και
β) Η σε βάθος κατάρτιση μηχανικών και άλλων επιστημόνων και η ανάπτυξη των ερευνητικών ικανοτήτων τους, ώστε να καθίστανται ικανοί για παραγωγή νέας γνώσης.
Τίτλος Σπουδών: Το ΔΠΜΣ απονέμει μετά από την επιτυχή περάτωση του σχετικού κύκλου σπουδών Δίπλωμα Μεταπτυχιακών Σπουδών (ΔΜΣ) στην «Επιστήμη Δεδομένων και Μηχανική Μάθηση (Data Science and Machine Learning)»
Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών
Το Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Επιστήμη Δεδομένων και Μηχανική Μάθηση (Data Science and Machine Learning)» παρέχει προηγμένη διεπιστημονική εκπαίδευση και ερευνητική κατάρτιση στη διαχείριση, ανάλυση, επεξεργασία και εξαγωγή γνώσης από δομημένα και αδόμητα δεδομένα, καθώς και στην ανάπτυξη μοντέλων μηχανικής μάθησης για πρόβλεψη, αναγνώριση προτύπων και υποστήριξη αποφάσεων. Το πρόγραμμα συνδυάζει στατιστική, πιθανότητες, υπολογιστική γραμμική άλγεβρα, στοχαστικές διεργασίες και βελτιστοποίηση με αλγοριθμική επιστήμη δεδομένων, εξόρυξη γνώσης, διαχείριση δεδομένων μεγάλης κλίμακας, κατανεμημένα συστήματα και παράλληλες υπολογιστικές αρχιτεκτονικές. Παράλληλα, εμβαθύνει στη μηχανική και βαθιά μάθηση, στην αναγνώριση προτύπων, στην επεξεργασία φυσικής γλώσσας, στην όραση υπολογιστών, στην ασφάλεια και ιδιωτικότητα δεδομένων και σε εξειδικευμένες εφαρμογές όπως η ανάλυση κοινωνικών δικτύων, βιοδεδομένων και γεωχωρικών δεδομένων, καθώς και τα μοντέλα που οδηγούνται από δεδομένα σε προβλήματα μηχανικού. Η εργαστηριακή και προγραμματιστική διάσταση του ΔΠΜΣ συνδέει τη θεωρητική θεμελίωση με την υλοποίηση, αξιολόγηση και κλιμάκωση πραγματικών συστημάτων ανάλυσης δεδομένων και μάθησης. Η Μεταπτυχιακή Διπλωματική Εργασία ολοκληρώνει τον ερευνητικό χαρακτήρα του προγράμματος, με στόχο τη μελέτη, ανάπτυξη και εφαρμογή νέων μεθόδων, τεχνολογιών και συστημάτων Επιστήμης Δεδομένων και Μηχανικής Μάθησης σε πραγματικές εφαρμογές.
Με την επιτυχή ολοκλήρωση του Προγράμματος Σπουδών, ο απόφοιτος ή η απόφοιτη είναι σε θέση:
Επιστημονικό πεδίο UNESCO ISCED-F: Ανάπτυξη και ανάλυση λογισμικού και εφαρμογών
Γνώσεις
- να ερμηνεύει σε προχωρημένο επίπεδο τις μαθηματικές, πιθανοτικές και στατιστικές αρχές που θεμελιώνουν την Επιστήμη Δεδομένων και τη Μηχανική Μάθηση.
- να αναλύει τις βασικές κατηγορίες επιβλεπόμενης, μη επιβλεπόμενης, ημι-επιβλεπόμενης, επιγραμμικής και ενισχυτικής μάθησης και να διακρίνει τις προϋποθέσεις και τα όρια εφαρμογής τους.
- να διερευνά τη θεωρία στατιστικής αναγνώρισης προτύπων και να συσχετίζει πιθανοτικά μοντέλα, ταξινόμηση, ομαδοποίηση, επιλογή χαρακτηριστικών και μείωση διαστατικότητας με διαφορετικές μορφές δεδομένων.
- να ερμηνεύει έννοιες γενίκευσης, υπερπροσαρμογής, πόλωσης–διακύμανσης, πολυπλοκότητας μοντέλων και διασταυρούμενης επικύρωσης και να αναγνωρίζει τη σημασία τους στην αξιόπιστη μάθηση από δεδομένα.
- να εξετάζει τις αρχές νευρωνικών δικτύων και βαθιάς μάθησης και να συσχετίζει αρχιτεκτονικές, συναρτήσεις απώλειας, οπισθοδιάδοση και διαδικασίες εκπαίδευσης με σύνθετα προβλήματα πρόβλεψης και αναγνώρισης.
- να αναλύει τις θεωρητικές βάσεις της υπολογιστικής θεωρίας μάθησης και να συνδέει έννοιες όπως PAC μάθηση, διάσταση VC και πολυπλοκότητα Rademacher με εγγυήσεις γενίκευσης.
- να ερμηνεύει τις αρχές στατιστικής μοντελοποίησης και να διακρίνει γραμμικά, γενικευμένα γραμμικά, μη γραμμικά και άλλα μοντέλα ανάλογα με τη δομή και τη φύση των δεδομένων.
- να εξετάζει την υπολογιστική στατιστική, τις στοχαστικές διεργασίες και τις μεθόδους δειγματοληψίας και να αναγνωρίζει τον ρόλο τους στην εκτίμηση, στην πρόβλεψη και στη μοντελοποίηση αβεβαιότητας.
- να διερευνά τις αρχές κυρτής και στοχαστικής βελτιστοποίησης και να συσχετίζει αλγορίθμους βελτιστοποίησης με την εκπαίδευση μοντέλων μηχανικής μάθησης και την επίλυση προβλημάτων μηχανικού.
- να ερμηνεύει τις αρχές της υπολογιστικής γραμμικής άλγεβρας και να αναγνωρίζει τη σημασία αριθμητικής ευστάθειας, κατάστασης προβλήματος, παραγοντοποιήσεων και επαναληπτικών μεθόδων σε εφαρμογές μεγάλης κλίμακας.
- να αναλύει αλγοριθμικές τεχνικές Επιστήμης Δεδομένων και να συσχετίζει υπολογιστική πολυπλοκότητα, δομές δεδομένων και σχεδιασμό αλγορίθμων με την αποδοτική επεξεργασία δεδομένων.
- να εξετάζει τις αρχές ανάκτησης, αποθήκευσης, ολοκλήρωσης, καθαρισμού, μετασχηματισμού και εξόρυξης γνώσης από δομημένα και αδόμητα δεδομένα.
- να ερμηνεύει τις αρχιτεκτονικές και τα προγραμματιστικά μοντέλα διαχείρισης δεδομένων μεγάλης κλίμακας και να αναγνωρίζει τον ρόλο κατανεμημένων συστημάτων και παράλληλου υπολογισμού.
- να διερευνά τις αρχές σύγχρονων και ασύγχρονων κατανεμημένων συστημάτων και να συνδέει συνέπεια, ανοχή σφαλμάτων, ομοφωνία, κατανεμημένη αποθήκευση και επεξεργασία με εφαρμογές δεδομένων μεγάλης κλίμακας.
- να αναλύει τις αρχές παράλληλων αρχιτεκτονικών υπολογισμού και να αναγνωρίζει τη σημασία επεξεργαστών και επιταχυντών για την αποδοτική εκπαίδευση και εκτέλεση μοντέλων μηχανικής μάθησης.
- να εξετάζει τις έννοιες ασφάλειας δεδομένων και ιδιωτικότητας και να διακρίνει τεχνικές κρυπτογράφησης, αυθεντικοποίησης, ελέγχου πρόσβασης, ανωνυμοποίησης και εξόρυξης με διαφύλαξη ιδιωτικότητας.
- να ερμηνεύει τις μεθοδολογικές αρχές επεξεργασίας φυσικής γλώσσας και όρασης υπολογιστών και να αναγνωρίζει τις ιδιαιτερότητες κειμενικών, οπτικών και πολυτροπικών δεδομένων.
- να διερευνά μοντέλα και μεθόδους ανάλυσης κοινωνικών δικτύων, βιοδεδομένων και γεωχωρικών δεδομένων και να συσχετίζει τη δομή κάθε πεδίου εφαρμογής με κατάλληλες τεχνικές ανάλυσης.
- να εξετάζει μοντέλα οδηγούμενα από δεδομένα σε προβλήματα μηχανικού και να συνδέει φυσική γνώση, παρατηρήσεις και υπολογιστικές μεθόδους με την πρόβλεψη και την υποστήριξη τεχνικών αποφάσεων.
- να συνθέτει μαθηματική, στατιστική, αλγοριθμική και υπολογιστική γνώση για την ερμηνεία σύνθετων προβλημάτων Επιστήμης Δεδομένων και Μηχανικής Μάθησης.
Δεξιότητες
- να διατυπώνει προβλήματα ανάλυσης δεδομένων και μηχανικής μάθησης με σαφείς στόχους, κατάλληλες μεταβλητές, μετρικές αξιολόγησης και ελέγξιμες υποθέσεις.
- να συλλέγει, να καθαρίζει, να ενοποιεί, να μετασχηματίζει και να διερευνά δομημένα και αδόμητα δεδομένα και να αξιολογεί την ποιότητα και την καταλληλότητά τους για το εξεταζόμενο πρόβλημα.
- να αναπτύσσει προγραμματιστικές ροές επεξεργασίας και ανάλυσης δεδομένων με κατάλληλες γλώσσες, βιβλιοθήκες και τεχνολογίες και να παράγει αναπαραγώγιμες υπολογιστικές διαδικασίες.
- να επιλέγει, να εκπαιδεύει και να συγκρίνει μοντέλα ταξινόμησης, παλινδρόμησης, ομαδοποίησης, κατάταξης και άλλων μορφών μάθησης με βάση τη φύση του προβλήματος και των δεδομένων.
- να εφαρμόζει τεχνικές επιλογής και εξαγωγής χαρακτηριστικών, μείωσης διαστατικότητας και ομαλοποίησης και να αξιολογεί την επίδρασή τους στη γενίκευση και στην ερμηνευσιμότητα του μοντέλου.
- να σχεδιάζει και να υλοποιεί νευρωνικά δίκτυα και μοντέλα βαθιάς μάθησης και να ρυθμίζει αρχιτεκτονικές και υπερπαραμέτρους με συστηματική διαδικασία αξιολόγησης.
- να εφαρμόζει στατιστικά μοντέλα και μεθόδους υπολογιστικής στατιστικής και να πραγματοποιεί εκτίμηση παραμέτρων, ελέγχους υποθέσεων, διαγνωστικούς ελέγχους και ποσοτικοποίηση αβεβαιότητας.
- να χρησιμοποιεί κυρτή, στοχαστική και άλλες μεθόδους βελτιστοποίησης για την εκπαίδευση μοντέλων και την επίλυση σύνθετων υπολογιστικών προβλημάτων.
- να εφαρμόζει αριθμητικές μεθόδους γραμμικής άλγεβρας και να επιλέγει κατάλληλες άμεσες ή επαναληπτικές τεχνικές με βάση το μέγεθος, τη δομή και την αριθμητική κατάσταση του προβλήματος.
- να σχεδιάζει αποδοτικούς αλγορίθμους και να αξιολογεί την υπολογιστική και χωρική πολυπλοκότητά τους σε εφαρμογές Επιστήμης Δεδομένων.
- να σχεδιάζει και να χρησιμοποιεί υποδομές αποθήκευσης και επεξεργασίας δεδομένων μεγάλης κλίμακας και να αξιοποιεί κατάλληλα κατανεμημένα και παράλληλα προγραμματιστικά μοντέλα.
- να αξιοποιεί παράλληλες υπολογιστικές αρχιτεκτονικές για την επιτάχυνση υπολογιστικά απαιτητικών εργασιών μηχανικής μάθησης και να αξιολογεί την κλιμάκωση της εφαρμογής.
- να ενσωματώνει απαιτήσεις ασφάλειας και ιδιωτικότητας στον κύκλο ζωής των δεδομένων και να εφαρμόζει κατάλληλα μέτρα προστασίας χωρίς να αγνοεί τη χρησιμότητα των δεδομένων.
- να αναπτύσσει μοντέλα επεξεργασίας φυσικής γλώσσας και όρασης υπολογιστών και να αξιολογεί την απόδοσή τους με κατάλληλα πειραματικά πρωτόκολλα.
- να αναλύει κοινωνικά δίκτυα και να εξάγει δομικά, δυναμικά και συμπεριφορικά χαρακτηριστικά που υποστηρίζουν ερευνητικά ή εφαρμοσμένα ερωτήματα.
- να επεξεργάζεται βιοδεδομένα και γεωχωρικά δεδομένα και να προσαρμόζει τις μεθόδους ανάλυσης στις ιδιαιτερότητες, στις κλίμακες και στη δομή τους.
- να αναπτύσσει μοντέλα οδηγούμενα από δεδομένα για προβλήματα μηχανικού και να συγκρίνει τις προβλέψεις τους με φυσικές, αριθμητικές ή πειραματικές αναφορές.
- να αξιολογεί μοντέλα με κατάλληλες μετρικές, σύνολα επικύρωσης και ελέγχου, αναλύσεις σφάλματος και δοκιμές ευρωστίας και να εντοπίζει υπερπροσαρμογή ή αστοχίες γενίκευσης.
- να συνοψίζει και να παρουσιάζει μοντέλα, πειραματικά αποτελέσματα και πορίσματα ανάλυσης δεδομένων με επιστημονικά άρτιο, σαφή και αναπαραγώγιμο τρόπο.
- να εκπονεί αυτοδύναμη Μεταπτυχιακή Διπλωματική Εργασία, μελετώντας, αναπτύσσοντας και εφαρμόζοντας νέες μεθόδους, τεχνολογίες ή συστήματα Επιστήμης Δεδομένων και Μηχανικής Μάθησης σε πραγματικό ή ερευνητικό πρόβλημα.
Ικανότητες
- να διαμορφώνει αυτόνομες και επιστημονικά τεκμηριωμένες κρίσεις για σύνθετα προβλήματα δεδομένων, ακόμη και όταν χαρακτηρίζονται από αβεβαιότητα, ετερογένεια, μεγάλη κλίμακα ή ελλιπή πληροφορία.
- να συνδυάζει θεωρητική θεμελίωση, στατιστική συλλογιστική, αλγοριθμικό σχεδιασμό και υπολογιστική υλοποίηση σε ολοκληρωμένες διαδικασίες Επιστήμης Δεδομένων και Μηχανικής Μάθησης.
- να κρίνει την καταλληλότητα ενός μοντέλου ή αλγορίθμου σε σχέση με τα δεδομένα, τον στόχο, τις υπολογιστικές απαιτήσεις και τις συνέπειες πιθανών σφαλμάτων.
- να σταθμίζει ακρίβεια, γενίκευση, ερμηνευσιμότητα, υπολογιστικό κόστος, κλιμάκωση, ασφάλεια και ιδιωτικότητα κατά τον σχεδιασμό συστημάτων που βασίζονται σε δεδομένα.
- να αναγνωρίζει μεθοδολογικές αδυναμίες, μεροληψίες δεδομένων, διαρροή πληροφορίας και ανεπαρκή πειραματική τεκμηρίωση και να αναθεωρεί αναλόγως τη διαδικασία ανάλυσης.
- να μεταφέρει μεθόδους μηχανικής μάθησης μεταξύ διαφορετικών πεδίων εφαρμογής και να τις προσαρμόζει στις ιδιαίτερες ιδιότητες των δεδομένων και του επιστημονικού ή τεχνικού προβλήματος.
- να συνδυάζει δεδομένα διαφορετικών τύπων και πηγών και να διαμορφώνει συνεκτικές αναπαραστάσεις και μοντέλα για σύνθετα διεπιστημονικά προβλήματα.
- να αναπτύσσει νέες ή βελτιωμένες μεθόδους όταν οι διαθέσιμες τεχνικές δεν ανταποκρίνονται επαρκώς στις απαιτήσεις του προβλήματος και να τεκμηριώνει συγκριτικά την προστιθέμενη αξία τους.
- να αναλαμβάνει αυτοδύναμη ερευνητική εργασία με ακαδημαϊκή ακεραιότητα, μεθοδολογική συνέπεια, αναπαραγωγιμότητα και διαφανή τεκμηρίωση δεδομένων, κώδικα και αποτελεσμάτων.
- να αντιμετωπίζει υπεύθυνα ζητήματα ασφάλειας, ιδιωτικότητας και προστασίας δεδομένων και να ενσωματώνει τους σχετικούς περιορισμούς ήδη από τον σχεδιασμό της ανάλυσης ή του συστήματος.
- να συνεργάζεται αποτελεσματικά με επιστήμονες και μηχανικούς διαφορετικών ειδικοτήτων και να μεταφράζει ερωτήματα ενός πεδίου εφαρμογής σε κατάλληλα προβλήματα δεδομένων και υπολογιστικά μοντέλα.
- να επικοινωνεί σύνθετα μοντέλα, αβεβαιότητες και πορίσματα σε επιστημονικό, τεχνικό ή διοικητικό κοινό χωρίς να υπερερμηνεύει την προβλεπτική ή αιτιώδη ισχύ των αποτελεσμάτων.
- να αξιολογεί κριτικά νέες τεχνικές και αρχιτεκτονικές μηχανικής μάθησης και να διακρίνει πραγματικές μεθοδολογικές βελτιώσεις από αποτελέσματα που δεν έχουν επαρκώς ελεγχθεί ή γενικευθεί.
- να παράγει νέα διεπιστημονική γνώση στην Επιστήμη Δεδομένων και στη Μηχανική Μάθηση και να τη συνδέει με πραγματικές εφαρμογές στην επιστήμη, στη μηχανική και σε άλλα πεδία.
- να ανανεώνει αυτόνομα το επιστημονικό και τεχνολογικό του υπόβαθρο και να παρακολουθεί κριτικά τις ταχύτατες εξελίξεις σε αλγορίθμους, μοντέλα, υπολογιστικές υποδομές και εφαρμογές της Επιστήμης Δεδομένων και της Μηχανικής Μάθησης.
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 διάρκεια σπουδών είναι τρία ακαδημαϊκά εξάμηνα. Τα δύο πρώτα εξάμηνα σπουδών αφιερώνονται στην παρακολούθηση μαθημάτων, ενώ η εκπόνηση της μεταπτυχιακής διπλωματικής εργασίας πραγματοποιείται στο τρίτο εξάμηνο. Η παρακολούθηση των μαθημάτων και των εργαστηρίων είναι υποχρεωτική. Η μέγιστη διάρκεια φοίτησης στο Πρόγραμμα είναι δύο πλήρη ημερολογιακά έτη.
Γλώσσα Διδασκαλίας: Στο ΔΠΜΣ «Επιστήμη Δεδομένων και Μηχανική Μάθηση (Data Science and Machine Learning)» η διδασκαλία των μαθημάτων θα γίνεται στην ελληνική γλώσσα.
Δίδακτρα: Η γλώσσα συγγραφής της μεταπτυχιακής Διπλωματικής Εργασίας είναι η ελληνική ή η αγγλική και ορίζεται με απόφαση της Ειδικής Διατμηματικής Επιτροπής (ΕΔΕ). Σε κάθε περίπτωση, η μεταπτυχιακή Διπλωματική Εργασία θα περιλαμβάνει εκτεταμένη περίληψη στην ελληνική και την αγγλική γλώσσα.
Κατηγορίες και αριθμός εισακτέων:
Στο ΔΠΜΣ «Επιστήμη Δεδομένων και Μηχανική Μάθηση» γίνονται δεκτοί α) απόφοιτοι των Σχολών του ΕΜΠ, β) απόφοιτοι λοιπών Τμημάτων διπλωματούχων Μηχανικών ή και πτυχιούχοι άλλων ειδικοτήτων ΑΕΙ της ημεδαπής ή ομοταγών ιδρυμάτων της αλλοδαπής αναγνωρισμένων ως ισότιμων των ελληνικών ΑΕΙ, συγγενούς με το πρόγραμμα γνωστικού αντικειμένου, για τους οποίους η απόκτηση Διπλώματος Μεταπτυχιακών Σπουδών (ΔΜΣ) δεν συνεπάγεται και την απόκτηση του βασικού διπλώματος του ΕΜΠ, γ) τελειόφοιτοι του ΕΜΠ ή ΑΕΙ των παραπάνω κατηγοριών, εφόσον καταθέσουν αποδεικτικά στοιχεία ότι η απόκτηση του διπλώματος/πτυχίου τους θα προηγηθεί της έναρξης του ΔΠΜΣ. Μέχρις ότου αρθεί η εκκρεμότητα αυτή δεν θα εκδίδεται κανένα πιστοποιητικό στον ενδιαφερόμενο, δ) Απόφοιτοι άλλων Τμημάτων, σύμφωνα με τις κείμενες διατάξεις. Ο αριθμός των εισακτέων μεταπτυχιακών φοιτητών ορίζεται σε σαράντα (40).
Διαδικασία επιλογής και εγγραφή επιτυχόντων
Ως κριτήρια επιλογής λαμβάνονται υπόψη τα παρακάτω:
i. ο γενικός βαθμός του διπλώματος/πτυχίου,
ii. η σειρά του βαθμού του διπλώματος/πτυχίου σε σχέση με τους βαθμούς των υπολοίπων αποφοίτων στην ίδια Σχολή/Τμήμα και ακαδημαϊκό έτος,
iii. η βαθμολογία στα προπτυχιακά μαθήματα που είναι σχετικά με πρόγραμμα μεταπτυχιακών σπουδών,
iv. η επίδοση στη διπλωματική εργασία, όπου αυτή προβλέπεται στο προπτυχιακό επίπεδο,
v. άλλοι τυχόν μεταπτυχιακοί τίτλοι σπουδών που σχετίζονται με το αντικείμενο του ΔΠΜΣ,
vi. η ερευνητική, επαγγελματική ή και τεχνολογική δραστηριότητα του υποψηφίου,
vii. οι γνώσεις ξένων γλωσσών και τουλάχιστον της αγγλικής, για δε τους αλλοδαπούς και η γνώση της ελληνικής γλώσσας,
viii. οι συστατικές επιστολές, και
ix. εφόσον ο υποψήφιος είναι υπάλληλος, οι ανάγκες και προοπτικές του φορέα από τον οποίο προέρχεται.
Η ΕΔΕ καθορίζει, με απόφασή της, τις λεπτομέρειες εφαρμογής των κριτηρίων αυτών, περιλαμβανομένου του επιπέδου γλωσσομάθειας, τον ορισμό συμπληρωματικών κριτηρίων ή τη διεξαγωγή εξετάσεων ή συνεντεύξεων, τα αποτελέσματα των οποίων συνεκτιμώνται κατά την επιλογή. Στην περίπτωση διεξαγωγής συνέντευξης αυτή διεξάγεται από τριμελή επιτροπή μελών ΔΕΠ, διδασκόντων στο ΔΠΜΣ, εκ των οποίων ο ένας είναι μέλος της ΕΔΕ ή και της ΣΕ, και η οποία προγραμματίζεται από την ΕΔΕ.
Πρόγραμμα Σπουδών (Μαθήματα – ECTS)
Για την απόκτηση του ΔΜΣ απαιτούνται:
- η παρακολούθηση και η επιτυχής εξέταση σε 12 μαθήματα (6 έως 8 υποχρεωτικά από τα μαθήματα της ομάδας Α-κορμού και 4 έως 6 κατ’ επιλογήν της ομάδας Β) που συνολικά αντιστοιχούν σε 60 πιστωτικές μονάδες (30 ανά εξάμηνο),
- η εκπόνηση και η επιτυχής εξέταση της μεταπτυχιακής ΔΕ που ισοδυναμεί με άλλες 30 μονάδες.
- Διπλωματική Μεταπτυχιακή Εργασία: Η εγγραφή στο 3ο εξάμηνο σπουδών και η ανάληψη μεταπτυχιακής ΔΕ μπορούν να γίνουν μετά το τέλος του πρώτου έτους σπουδών, με την προϋπόθεση ότι ο μεταπτυχιακός φοιτητής έχει ως τότε εξεταστεί επιτυχώς τουλάχιστον στα μισά από τα μεταπτυχιακά μαθήματα του ΔΠΜΣ.
Α’ Εξάμηνο: (επιλογή 6 μαθημάτων)
-
-
- ΜΑΘΗΜΑΤΑ ΥΠΟΧΡΕΩΤΙΚΑΚΟΡΜΟΥ (ΟΜΑΔΑ Α)
- ΜΑΘΗΜΑΤΑ ΚΑΤ’ ΕΠΙΛΟΓΗΝ (ΟΜΑΔΑ Β)
-
Β’ Εξάμηνο: (επιλογή 6 μαθημάτων)
-
-
- ΜΑΘΗΜΑΤΑ ΥΠΟΧΡΕΩΤΙΚΑΚΟΡΜΟΥ (ΟΜΑΔΑ Α)
- ΜΑΘΗΜΑΤΑ ΚΑΤ’ ΕΠΙΛΟΓΗΝ (ΟΜΑΔΑ Β)
-
Γ’ Εξάμηνο:
-
-
- ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ 30
-
Ενδεικτικό πρόγραμμα μαθημάτων:
ΜΑΘΗΜΑΤΑ ΥΠΟΧΡΕΩΤΙΚΑ – ΚΟΡΜΟΥ (ΟΜΑΔΑ Α) ECTS
ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ
-
-
- Μηχανική Μάθηση
- Αναγνώριση Προτύπων
- Προγραμματιστικά Εργαλεία και Τεχνολογίες για την Επιστήμη Δεδομένων
- Εξόρυξη Γνώσης από Δεδομένα
-
ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ
-
-
- Διαχείριση Δεδομένων Μεγάλης Κλίμακας
- Παράλληλες Αρχιτεκτονικές Υπολογισμού για Μηχανική Μάθηση
- Υπολογιστική Στατιστική και Στοχαστική Βελτιστοποίηση
- Αλγοριθμική Επιστήμη Δεδομένων
-
ΜΑΘΗΜΑΤΑ ΚΑΤ’ ΕΠΙΛΟΓΗΝ (ΟΜΑΔΑ Β) ECTS
ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ
-
-
- Στοχαστικές Διεργασίες και Βελτιστοποίηση
- Υπολογιστική Γραμμική Άλγεβρα
- Στατιστική Μοντελοποίηση
- Ασφάλεια Δεδομένων και Ιδιωτικότητα
- Ανάλυση Κοινωνικών Δικτύων
- Κατανεμημένα Συστήματα
- Απεικόνιση Δεδομένων
-
ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ
-
-
- Βαθιά Μηχανική Μάθηση
- Τεχνητή Νοημοσύνη και Ανάλυση Δεδομένων
- Επεξεργασία Φυσικής Γλώσσας
- Όραση Υπολογιστών
- Κυρτή Βελτιστοποίηση με Εφαρμογές στη Μηχανική Μάθηση
- Ανάλυση Βιο-δεδομένων
- Ανάλυση και Επεξεργασία Γεωχωρικών Δεδομένων
- Εφαρμογές Επιστήμης Δεδομένων
- Μοντέλα Οδηγούμενα από τα Δεδομένα σε Προβλήματα Μηχανικού
- Βελτιστοποίηση σε Προβλήματα Μηχανικού.
-
Τι άλλο πρέπει να ξέρω :
Χρήσιμα Έντυπα:
Προκήρυξη : Πρόσκληση εκδήλωσης ενδιαφέροντος (ακαδ. έτος 2026-2027)
ΦΕΚ Ίδρυσης : ΦΕΚ 4684 τ.Β΄/18.10.2018
Κανονισμός Σπουδών: ΦΕΚ 4683 τ.Β΄/18.10.2018 και ΦΕΚ 3379 τ.Β’/28.07.2021
Περισσότερα στοιχεία :
Ηλεκτρονική διεύθυνση ΠΜΣ: https://dsml.ece.ntua.gr/
Διάρκεια Λειτουργίας
Το ΔΠΜΣ «Επιστήμη Δεδομένων και Μηχανική Μάθηση (Data Science and Machine Learning)» θα λειτουργήσει από το ακαδημαϊκό έτος 2018-2019 μέχρι το ακαδημαϊκό έτος 2028-2029 εφόσον πληροί τα κριτήρια της εσωτερικής και εξωτερικής αξιολόγησης, σύμφωνα με την παρ. 8 του άρθρου 32 και την παρ. 6 του άρθρου 44 του ν. 4485/2017.