ΔΠΜΣ: Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων

admin

το άρθρο ενημερώθηκε στις 02.10.2026

Σε ποιον ταιριάζει το ΔΠΜΣ Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων;

Το Διιδρυματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων» απευθύνεται σε αποφοίτους που επιθυμούν να αποκτήσουν σύγχρονη, σε βάθος και υψηλού επιπέδου κατάρτιση στους τομείς της ανάλυσης δεδομένων, της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Το πρόγραμμα εστιάζει στη θεωρητική θεμελίωση και στις πρακτικές εφαρμογές αλγορίθμων ΤΝ και data science, καλύπτοντας περιοχές όπως στατιστική και πιθανοθεωρία, machine learning, deep learning, data mining, ανάλυση μεγάλων δεδομένων, αλγοριθμική σκέψη, προγραμματισμό και ηθικές/κανονιστικές διαστάσεις της χρήσης δεδομένων και ΤΝ. Συνδυάζει αυστηρή επιστημονική προσέγγιση με εφαρμοσμένα projects, προετοιμάζοντας αποφοίτους για ρόλους αιχμής σε επιχειρήσεις, οργανισμούς και ερευνητικά περιβάλλοντα. Το πρόγραμμα υλοποιείται από το Οικονομικό Πανεπιστήμιο Αθηνών και έχει έντονο διεπιστημονικό και διεθνή προσανατολισμό.

Ταιριάζει ιδιαίτερα σε υποψηφίους που:

ενδιαφέρονται για την Τεχνητή Νοημοσύνη και την Επιστήμη Δεδομένων ως σύγχρονους διεπιστημονικούς κλάδους, επιδιώκοντας να κατανοήσουν πώς τα δεδομένα και οι αλγόριθμοι μετασχηματίζουν την οικονομία και την κοινωνία.

επιδιώκουν να αποκτήσουν ισχυρό υπόβαθρο στη στατιστική, την πιθανοθεωρία και τη μηχανική μάθηση, με εφαρμογή σε σύνθετα και πραγματικά προβλήματα.

διαθέτουν ενδιαφέρον για αλγορίθμους, προγραμματισμό και υπολογιστικές μεθόδους, καθώς και για τα όρια, τις δυνατότητες και τις επιπτώσεις της ΤΝ.

θέλουν να αναπτύξουν δεξιότητες ανάλυσης, διαχείρισης και οπτικοποίησης μεγάλων δεδομένων, μετατρέποντας τα δεδομένα σε γνώση και επιχειρησιακή αξία.

στοχεύουν σε επαγγελματική πορεία ως data scientists, machine learning engineers, AI specialists ή αναλυτές δεδομένων, σε ιδιωτικό και δημόσιο τομέα.

ενδιαφέρονται για τη σύνδεση τεχνικών δεξιοτήτων με κριτική σκέψη και ηθική χρήση της ΤΝ, σε πλαίσια κανονιστικής συμμόρφωσης και κοινωνικής ευθύνης.

αναζητούν ένα ΠΜΣ υψηλών απαιτήσεων, που προϋποθέτει συστηματική μελέτη, αναλυτική σκέψη και ενεργή συμμετοχή σε απαιτητικά projects.

Συνολικά, το ΔΠΜΣ Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων ταιριάζει σε υποψηφίους με ισχυρό ποσοτικό και τεχνολογικό προφίλ, άνεση στον προγραμματισμό και φιλοδοξία να δραστηριοποιηθούν στον πυρήνα της data-driven και AI-driven οικονομίας. Αν σε κινητοποιεί η αξιοποίηση δεδομένων και αλγορίθμων για την επίλυση σύνθετων προβλημάτων και τη δημιουργία μετρήσιμης αξίας, το πρόγραμμα αυτό μπορεί να αποτελέσει καθοριστικό βήμα ακαδημαϊκής και επαγγελματικής εξέλιξης.

Συνεργαζόμενα τμήματα:

Τμήμα Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών

Τμήμα Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών

.

ΔΠΜΣ: «Επιστήμη Δεδομένων»

Έδρα:

Διεύθυνση – Πόλη διεξαγωγής: Κέντρο Μεταπτυχιακών Σπουδών Ο.Π.Α., Ευελπίδων 47Α και Λευκάδος 33, Αθήνα 113 62

Τηλέφωνα: 210 8203860 Fax: 210 8203692 E-mail: salexandri@aueb.gr

Γνωστικό Αντικείμενο – Σκοπός :

Το Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) με τίτλο «Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων» έχει ως γνωστικό αντικείμενο τη διεπιστημονική περιοχή της Επιστήμης Δεδομένων.

Το Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) με τίτλο «Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων» έχει ως γνωστικό αντικείμενο τη διεπιστημονική περιοχή της Επιστήμης Δεδομένων και παρέχει εξειδικευμένη εκπαίδευση μεταπτυχιακού επιπέδου σε αποφοίτους ΑΕΙ.

Σκοπός του προγράμματος είναι, πρώτον, να παράσχει γνώσεις και δεξιότητες που αφορούν στον τρόπο παράστασης, αποθήκευσης και επεξεργασίας δεδομένων διαφόρων τύπων από τον υπολογιστή και στις σύγχρονες αλγοριθμικές/υπολογιστικές τεχνικές. Δεύτερον, να παράσχει γνώσεις και δεξιότητες στις πιθανότητες, τη στατιστική, και την άλγεβρα που να επιτρέπουν και την κατανόηση των απλών αλλά και προχωρημένων μαθηματικών εννοιών και εργαλείων των περιοχών αυτών και την εφαρμογή τους σε διαφορετικά σύνολα δεδομένων με το σωστό τρόπο και στη σωστή περίσταση. Τρίτον, να παράσχει γνώσεις που αφορούν στις ειδικές τεχνικές που έχουν αναπτυχθεί τα τελευταία 10 χρόνια στον καθαυτό χώρο της επιστήμης δεδομένων, και αφορούν το συνδυασμό αλγοριθμικών, αλγεβρικών και στατιστικών τεχνικών επίλυσης προβλημάτων με τεχνικές επεξεργασίας μεγάλων δεδομένων για εξαγωγή μοντέλων πρόβλεψης και λήψης αποφάσεων.

Τέταρτον, να παράσχει γνώσεις και δεξιότητες για την αποτελεσματική και επιστημονικά άρτια παρουσίαση και σύνοψη πολύπλοκων δεδομένων και μοντέλων, και πέμπτον, να παράσχει βασικές γνώσεις σε κάποιο (α) πεδίο (α) εφαρμογής. Τελευταία δεξιότητα που θα παράσχει το πρόγραμμα αποτελεί η ικανότητα διαμόρφωσης προβλήματος επιλύσιμου με υπολογιστικές τεχνικές, μέσω της κατανόησης των ομοιοτήτων διαφορετικών μεταξύ τους καταστάσεων και περιγραφών. Οι φοιτητές του Δ.Π.Μ.Σ. εκπαιδεύονται τόσο στη θεωρία όσο και στην εφαρμογή μέσω έμπρακτης ενασχόλησης με το αντικείμενο και εργαστηρίων. Το πρόγραμμα έχει διεθνή προσανατολισμό, ανταποκρινόμενο στην έντονη διεθνή ζήτηση στον τομέα της Επιστήμης Δεδομένων.

Τίτλος Σπουδών: Το Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) στην Τεχνητή Νοημοσύνη και  Επιστήμη Δεδομένων.

Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών

Το Πρόγραμμα Μεταπτυχιακών Σπουδών «Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων / MSc in AI and Data Science» του Οικονομικού Πανεπιστημίου Αθηνών παρέχει προηγμένη διεπιστημονική εκπαίδευση στην εξαγωγή γνώσης από δεδομένα και στην ανάπτυξη υπολογιστικών και αλγοριθμικών μεθόδων τεχνητής νοημοσύνης για μάθηση, πρόβλεψη, ανάλυση και υποστήριξη αποφάσεων. Συνδυάζει πιθανότητες και στατιστική, μηχανική μάθηση και υπολογιστική στατιστική, πρακτική Επιστήμη Δεδομένων, διαχείριση δεδομένων μεγάλης κλίμακας, αριθμητική βελτιστοποίηση και γραμμική άλγεβρα, αναλυτική και μηχανική κειμένου, νομικά, δεοντολογικά και ζητήματα πολιτικής, καθώς και οπτικοποίηση και επικοινωνία δεδομένων. Μέσω μαθημάτων επιλογής είναι δυνατή περαιτέρω εμβάθυνση, μεταξύ άλλων, σε Bayesian στατιστική και προσομοίωση, Big Data, βαθιά μάθηση, χρονοσειρές και προβλέψεις, συστήματα συστάσεων, κοινωνικά δίκτυα, κατανεμημένη επεξεργασία και υπολογιστικό νέφος, γραφήματα γνώσης και μεγάλα γλωσσικά μοντέλα, καθώς και σε εφαρμογές της Επιστήμης Δεδομένων σε εξειδικευμένα πεδία. Η σύνδεση με πραγματικές προκλήσεις δεδομένων και, στην πλήρη φοίτηση, το εντατικό Analytics Capstone Project ενισχύουν την ικανότητα εφαρμογής των αποκτημένων γνώσεων σε σύνθετα προβλήματα πραγματικού περιβάλλοντος.

Με την επιτυχή ολοκλήρωση του Προγράμματος Σπουδών, ο απόφοιτος ή η απόφοιτη είναι σε θέση:

Επιστημονικό πεδίο UNESCO ISCED-F: Επιστήμη υπολογιστών

Γνώσεις
  • να αναλύει τις βασικές και προηγμένες αρχές πιθανοτήτων και στατιστικής που θεμελιώνουν την ανάλυση δεδομένων
  • να ερμηνεύει έννοιες στατιστικής συμπερασματολογίας, αιτιότητας, δειγματοληψίας, εκτίμησης και ελέγχου υποθέσεων
  • να αξιολογεί τις αρχές μηχανικής μάθησης και υπολογιστικής στατιστικής για την εξαγωγή γνώσης και την πρόβλεψη από δεδομένα
  • να διερευνά τη σχέση τεχνητής νοημοσύνης, μηχανικής μάθησης, στατιστικής και υπολογιστικών μεθόδων στην ανάπτυξη συστημάτων μάθησης και λήψης αποφάσεων
  • να αναλύει τον πλήρη κύκλο εργασίας της Επιστήμης Δεδομένων από την απόκτηση και προετοιμασία έως τη μοντελοποίηση και παρουσίαση αποτελεσμάτων
  • να ερμηνεύει τις ιδιαιτερότητες διαφορετικών τύπων δεδομένων, όπως κείμενο, χωρικά δεδομένα και χρονοσειρές
  • να αξιολογεί αρχές διαχείρισης δεδομένων μεγάλης κλίμακας και τις απαιτήσεις επεξεργασίας δομημένων και μη δομημένων δεδομένων
  • να αναλύει μαθηματικές αρχές αριθμητικής βελτιστοποίησης και γραμμικής άλγεβρας μεγάλης κλίμακας που υποστηρίζουν σύγχρονες αναλυτικές μεθόδους
  • να διερευνά τεχνικές αναλυτικής και μηχανικής κειμένου για την επεξεργασία και αξιοποίηση γλωσσικών δεδομένων
  • να ερμηνεύει αρχές οπτικοποίησης δεδομένων και τη σχέση τους με την κατανόηση και αποτελεσματική επικοινωνία σύνθετων αναλυτικών αποτελεσμάτων
  • να αξιολογεί νομικά, δεοντολογικά και ζητήματα πολιτικής που προκύπτουν από τη συλλογή, επεξεργασία και αλγοριθμική αξιοποίηση δεδομένων
  • να αναλύει προηγμένες τεχνικές εξόρυξης δεδομένων για την ανακάλυψη προτύπων, σχέσεων και χρήσιμης πληροφορίας
  • να διερευνά τη θεωρία και εφαρμογή Bayesian στατιστικής και μεθόδων προσομοίωσης για σύνθετα προβλήματα αβεβαιότητας
  • να ερμηνεύει αρχιτεκτονικές και τεχνικές συστημάτων Big Data και κατανεμημένης επεξεργασίας
  • να αξιολογεί μεθόδους ανάλυσης χρονοσειρών και πρόβλεψης για δεδομένα με χρονική δομή
  • να αναλύει αρχιτεκτονικές βαθιάς μάθησης και τη χρήση τους για σύνθετες εργασίες πρόβλεψης και αναγνώρισης προτύπων
  • να διερευνά αρχές συστημάτων συστάσεων και τις διαφορετικές προσεγγίσεις παραγωγής εξατομικευμένων προτάσεων
  • να ερμηνεύει τη δομή κοινωνικών δικτύων και τις υπολογιστικές μεθόδους ανάλυσης σχέσεων και αλληλεπιδράσεων
  • να αξιολογεί τη σχέση γραφημάτων γνώσης και μεγάλων γλωσσικών μοντέλων και τις δυνατότητες συνδυασμένης αξιοποίησής τους
  • να αναλύει εφαρμογές της Επιστήμης Δεδομένων σε επιχειρηματικά, χρηματοοικονομικά, ιατρικά και άλλα σύνθετα πεδία
  • να διερευνά τις προϋποθέσεις αξιόπιστης εμπειρικής αξιολόγησης αναλυτικών και αλγοριθμικών μοντέλων
  • να συνθέτει προηγμένη γνώση στατιστικής, υπολογιστικών αλγορίθμων, τεχνητής νοημοσύνης και διαχείρισης δεδομένων για την κριτική κατανόηση σύνθετων προβλημάτων
Δεξιότητες
  • να συλλέγει, να καθαρίζει, να μετασχηματίζει και να ενοποιεί δεδομένα διαφορετικών μορφών και μεγεθών
  • να χρησιμοποιεί Python και κατάλληλα υπολογιστικά περιβάλλοντα για την πρακτική επεξεργασία και ανάλυση δεδομένων
  • να εφαρμόζει στατιστικές μεθόδους για περιγραφή, συμπερασματολογία, εκτίμηση και έλεγχο υποθέσεων
  • να σχεδιάζει δειγματοληπτικές και πειραματικές διαδικασίες κατάλληλες για το υπό διερεύνηση πρόβλημα
  • να κατασκευάζει και να αξιολογεί μοντέλα μηχανικής μάθησης για πρόβλεψη, ταξινόμηση και αναγνώριση προτύπων
  • να επιλέγει κατάλληλες αναλυτικές μεθόδους με βάση τη φύση των δεδομένων, το ερευνητικό ερώτημα και τον επιδιωκόμενο στόχο
  • να εφαρμόζει τεχνικές αριθμητικής βελτιστοποίησης και γραμμικής άλγεβρας σε προβλήματα μεγάλης κλίμακας
  • να διαχειρίζεται και να επεξεργάζεται μεγάλους όγκους δομημένων και μη δομημένων δεδομένων
  • να αξιοποιεί τεχνικές κατανεμημένης και παράλληλης επεξεργασίας για υπολογιστικά απαιτητικές αναλύσεις
  • να εφαρμόζει τεχνικές text analytics για την εξαγωγή πληροφορίας και προτύπων από γλωσσικά δεδομένα
  • να σχεδιάζει αποτελεσματικές οπτικοποιήσεις που αναδεικνύουν δομές, σχέσεις, αβεβαιότητα και ευρήματα των δεδομένων
  • να επικοινωνεί σύνθετα αναλυτικά αποτελέσματα και μοντέλα με σαφήνεια προς τεχνικά και μη τεχνικά ακροατήρια
  • να εφαρμόζει μεθόδους εξόρυξης δεδομένων για την ανακάλυψη χρήσιμων προτύπων σε σύνθετα σύνολα δεδομένων
  • να χρησιμοποιεί Bayesian μεθόδους και τεχνικές προσομοίωσης για στατιστική συμπερασματολογία και μοντελοποίηση αβεβαιότητας
  • να αναπτύσσει και να αξιολογεί μοντέλα βαθιάς μάθησης για σύνθετες εφαρμογές τεχνητής νοημοσύνης
  • να αναλύει χρονοσειρές και να κατασκευάζει μοντέλα πρόβλεψης με κατάλληλες στατιστικές και υπολογιστικές τεχνικές
  • να αναπτύσσει και να συγκρίνει συστήματα συστάσεων με συνεργατικές, βασισμένες στο περιεχόμενο και υβριδικές προσεγγίσεις
  • να αναλύει κοινωνικά δίκτυα και δεδομένα γράφων με κατάλληλες μετρικές και αλγοριθμικές τεχνικές
  • να κατασκευάζει και να αξιοποιεί γραφήματα γνώσης και να τα συνδυάζει με μεγάλα γλωσσικά μοντέλα όπου το πρόβλημα το απαιτεί
  • να συγκρίνει εναλλακτικά μοντέλα με κατάλληλες μετρικές και διαδικασίες επικύρωσης και να αξιολογεί τη δυνατότητα γενίκευσής τους
  • να εντοπίζει προβλήματα ποιότητας, μεροληψίας και αντιπροσωπευτικότητας δεδομένων και να εκτιμά την επίδρασή τους στα αποτελέσματα
  • να ενσωματώνει νομικούς, δεοντολογικούς και κανονιστικούς περιορισμούς στον σχεδιασμό έργων Τεχνητής Νοημοσύνης και Επιστήμης Δεδομένων
  • να μετατρέπει ένα πραγματικό πρόβλημα έντασης δεδομένων σε σαφή αναλυτική διαδικασία με δεδομένα, μοντέλα, αξιολόγηση και τεκμηριωμένα συμπεράσματα
  • να συνεργάζεται με ειδικούς διαφορετικών πεδίων για την κατανόηση του προβλήματος και την επιχειρησιακή αξιοποίηση των αναλυτικών αποτελεσμάτων
  • να τεκμηριώνει υπολογιστικές ροές εργασίας, μοντέλα, πειράματα και αποτελέσματα με τρόπο που υποστηρίζει τον έλεγχο και την αναπαραγωγιμότητα
  • να σχεδιάζει και να ολοκληρώνει απαιτητικό capstone ή ερευνητικό έργο εφαρμόζοντας τις μεθόδους του προγράμματος σε πραγματικό πρόβλημα δεδομένων
Ικανότητες
  • να αντιμετωπίζει αυτόνομα σύνθετα προβλήματα Τεχνητής Νοημοσύνης και Επιστήμης Δεδομένων επιλέγοντας και συνδυάζοντας κατάλληλες ποσοτικές και υπολογιστικές μεθόδους
  • να συνθέτει δεδομένα, στατιστικά μοντέλα και αλγοριθμικές τεχνικές για τη διαμόρφωση τεκμηριωμένων προβλέψεων και αποφάσεων
  • να αξιολογεί κριτικά εναλλακτικές αναλυτικές προσεγγίσεις ως προς ακρίβεια, υποθέσεις, υπολογιστικό κόστος και καταλληλότητα για το πραγματικό πρόβλημα
  • να λαμβάνει αποφάσεις υπό αβεβαιότητα αναγνωρίζοντας τα όρια των δεδομένων και των χρησιμοποιούμενων μοντέλων
  • να αναλαμβάνει ευθύνη για την ποιότητα, εγκυρότητα και αναπαραγωγιμότητα σύνθετων αναλυτικών εργασιών
  • να διακρίνει μεταξύ συσχέτισης, πρόβλεψης και αιτιώδους ερμηνείας και να αποφεύγει μη τεκμηριωμένες γενικεύσεις
  • να συνεργάζεται αποτελεσματικά σε διεπιστημονικές ομάδες επιστημόνων δεδομένων, στατιστικών, πληροφορικών και ειδικών εφαρμογών
  • να επικοινωνεί τα αποτελέσματα και την αβεβαιότητα σύνθετων μοντέλων με τρόπο κατανοητό και χρήσιμο για τη λήψη αποφάσεων
  • να αξιολογεί κριτικά κοινωνικές, νομικές και δεοντολογικές συνέπειες της χρήσης δεδομένων και συστημάτων τεχνητής νοημοσύνης
  • να αναγνωρίζει και να αντιμετωπίζει κινδύνους μεροληψίας, ανεπαρκούς ποιότητας δεδομένων και ακατάλληλης χρήσης αλγοριθμικών αποτελεσμάτων
  • να προσαρμόζεται σε νέες μεθόδους, υπολογιστικά εργαλεία και μορφές δεδομένων μέσω αυτόνομης και συνεχιζόμενης μάθησης
  • να συμβάλλει στην ανάπτυξη καινοτόμων λύσεων βασισμένων σε δεδομένα για πραγματικές ανάγκες οργανισμών και κοινωνικών πεδίων
  • να σχεδιάζει και να ολοκληρώνει με υψηλό βαθμό αυτονομίας σύνθετο εφαρμοσμένο ή ερευνητικό έργο Τεχνητής Νοημοσύνης και Επιστήμης Δεδομένων
  • να συμβάλλει στην παραγωγή και διάχυση νέας γνώσης μέσω συστηματικής μοντελοποίησης, υπολογιστικού πειραματισμού και κριτικής αξιολόγησης αποτελεσμάτων
  • να οργανώνει αυτόνομα τη συνεχιζόμενη επιστημονική και επαγγελματική του ανάπτυξη σε ένα ταχέως εξελισσόμενο πεδίο δεδομένων και τεχνητής νοημοσύνης

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 χρονική διάρκεια για το Πρόγραμμα Πλήρους Φοίτησης είναι δώδεκα (12) μήνες, στην οποία περιλαμβάνονται δύο (2) εξάμηνα σπουδών και ο χρόνος εκπόνησης της διπλωματικής εργασίας. Η χρονική διάρκεια για το Πρόγραμμα Μερικής Φοίτησης προσαυξάνεται εκείνης του Προγράμματος Πλήρους Φοίτησης κατά δύο (2) εξάμηνα σπουδών.

Γλώσσα Διδασκαλίας: Η γλώσσα διδασκαλίας των μαθημάτων είναι η Αγγλική με δυνατότητα προσφοράς τους και στην Ελληνική.

Δίδακτρα: Τα τέλη φοίτησης για την παρακολούθηση του Προγράμματος ορίζονται σε έξι χιλιάδες ευρώ (€6.000) για το πρόγραμμα πλήρους φοίτησης και σε επτά χιλιάδες πεντακόσια ευρώ (€ 7.500) για το πρόγραμμα μερικής φοίτησης.

Κατηγορίες και αριθμός εισακτέων:

Στο Δ.Π.Μ.Σ. γίνονται δεκτοί κάτοχοι τίτλου του πρώτου κύκλου σπουδών ΑΕΙ, της ημεδαπής ή ομοταγών ιδρυμάτων της αλλοδαπής σύμφωνα με τις διατάξεις του άρθρου 34 του ν. 4485/2017, όπως αυτές εξειδικεύονται στον Κανονισμό Μεταπτυχιακών Σπουδών του Δ.Π.Μ.Σ..

Ο αριθμός εισακτέων στο ΠΜΣ ορίζεται κατ’ ανώτατο όριο στους σαράντα πέντε (45) μεταπτυχιακούς φοιτητές κατ’ έτος για το πρόγραμμα πλήρους φοίτησης και σαράντα πέντε (45) μεταπτυχιακούς φοιτητές κατ’ έτος για το πρόγραμμα μερικής φοίτησης.

Διαδικασία επιλογής:

Για την εισαγωγή των μεταπτυχιακών φοιτητών δημοσιεύεται, κάθε έτος, προκήρυξη, μετά από εισήγηση του Διευθυντή του Δ.Π.Μ.Σ. και απόφαση της Ε.Δ.Ε., ορίζοντας συγκεκριμένη καταληκτική ημερομηνία υποβολής αιτήσεων και δικαιολογητικών. Η προκήρυξη υπογράφεται από το Διευθυντή του Δ.Π.Μ.Σ. και τον Πρύτανη του Ο.Π.Α.

Τα απαιτούμενα δικαιολογητικά αναφέρονται στην προκήρυξη κάθε έτους και είναι, ενδεικτικά, τα ακόλουθα:

α. Αίτηση.

β. Πρόσφατη φωτογραφία.

γ. Αντίγραφο πτυχίου (οι πτυχιούχοι). Οι τελειόφοιτοι  πρέπει να υποβάλουν δήλωση του ν. 1599/86 ότι η αποδοχή τους γίνεται με την αίρεση της απόκτησης πτυχίου μέχρι και την εξεταστική περίοδο του Σεπτέμβρη που ακολουθεί.

δ. Οι υποψήφιοι από ιδρύματα της αλλοδαπής πρέπει να προσκομίσουν πιστοποιητικό ισοτιμίας από το Διεπιστημονικό Οργανισμό Αναγνώρισης Τίτλων Ακαδημαϊκών και Πληροφόρησης (ΔΟΑΤΑΠ), σύμφωνα με το άρθρο 34, παρ. 76 του ν. 4485/2017. Εναλλακτικά, επιτρέπεται να υποβληθεί μαζί με την αίτηση υποψηφιότητας αποδεικτικό υποβολής αίτησης προς τον ΔΟΑΤΑΠ για ισοτιμία. Σε αυτή την περίπτωση, η απαιτούμενη πράξη αναγνώρισης υποβάλλεται υποχρεωτικά μέχρι την ημερομηνία εγγραφής στο Δ.Π.Μ.Σ..

ε. Αντίγραφο αναλυτικής βαθμολογίας όλων των ετών σπουδών.

στ. Δύο (2) συστατικές επιστολές.

ζ. Πιστοποιητικό βαθμολογίας σε προτυποποιημένες γραπτές εξετάσεις όπως, ενδεικτικά GRE, GMAT

η. Βεβαιώσεις εργασιακής εμπειρίας

θ. Αναλυτικό βιογραφικό σημείωμα, με αναφορές σε τυχόν δημοσιευμένες επιστημονικές εργασίες και σε ενδεχόμενη σχετική επαγγελματική εμπειρία.

ι. Σύντομη έκθεση ενδιαφερόντων, στην οποία να αναφέρονται οι λόγοι για τους οποίους ενδιαφέρεται ο υποψήφιος για μεταπτυχιακές σπουδές.

ια. Αποδεικτικό άριστης γνώσης της αγγλικής γλώσσας σε επίπεδο τουλάχιστον Γ2/C2, που αποδεικνύεται με κατάλληλο πιστοποιητικό γλωσσομάθειας. Υποψήφιοι που δεν κατέχουν τέτοιο αποδεικτικό γνώσης της Αγγλικής γλώσσας κατά το χρόνο της αίτησης μπορούν να γίνουν υπό συνθήκη δεκτοί στο Δ.Π.Μ.Σ., με τον όρο να προσκομίσουν το αποδεικτικό κατά την εγγραφή τους
στο Δ.Π.Μ.Σ.

ιβ. Οι υποψήφιοι δύνανται να καταθέσουν και άλλα δικαιολογητικά που, κατά την κρίση τους, μπορούν να ενισχύσουν την αίτηση τους (π.χ. αποδεικτικά ερευνητικών και επαγγελματικών δραστηριοτήτων).

Τα κριτήρια επιλογής των υποψηφίων ορίζονται στην προκήρυξη και περιλαμβάνουν, ενδεικτικά: βαθμό πτυχίου, βαθμολογία σε προπτυχιακά μαθήματα σχετικά με τα μαθήματα του Δ.Π.Μ.Σ., επιστημονικές εργασίες, εργασιακή εμπειρία, καθώς και ποιοτικά κριτήρια, όπως: πανεπιστήμιο και τμήμα προέλευσης, είδος ερευνητικής ή/και επαγγελματικής εμπειρίας, γνώση ξένων γλωσσών, προσωπική συνέντευξη, συστατικές επιστολές από μέληΔ.Ε.Π. ή/και εργοδότες.

Η διαδικασία επιλογής μεταπτυχιακών φοιτητώνείναι η ακόλουθη:

α) Ο Διευθυντής του Δ.Π.Μ.Σ. καταρτίζει κατάλογο όσων έχουν υποβάλει αίτηση και απορρίπτει όσους δεν πληρούν τα ελάχιστα κριτήρια (π.χ. απόφοιτος μη σχετικού τμήματος, γνώσεις αγγλικών, κ.λπ.).

β) Η Επιτροπή Αξιολόγησης Υποψηφίων ελέγχει τους φακέλους και απορρίπτει όσους υποψήφιους θεωρεί ότι υπολείπονται σαφώς των άλλων υποψηφίων ως προς τα ποσοτικά κριτήρια.

γ) Η Επιτροπή καλεί σε συνέντευξη τους λοιπούς υποψήφιους. Η συνέντευξη γίνεται ενώπιον τουλάχιστον δύο (2) μελών της Επιτροπής.

δ) Ιεραρχούνται οι υποψήφιοι και η Επιτροπή προβαίνει στην τελική επιλογή.

Ο τελικός πίνακας επιτυχόντων και επιλαχόντων επικυρώνεται από την Ε.Δ.Ε.. Η επιστολή αποδοχής προς κάθε υποψήφιο που γίνεται δεκτός στο Δ.Π.Μ.Σ. συνοδεύεται από τον Κανονισμό Λειτουργίας του Δ.Π.Μ.Σ. και του παρέχει περιθώριο ολίγων ημερών προκειμένου να καταθέσει την αναγκαία προκαταβολή των διδάκτρων για να κατοχυρώσει τη θέση του στο Δ.Π.Μ.Σ.. Μετά το πέρας της καθορισμένης ημερομηνίας, ο Διευθυντής το Δ.Π.Μ.Σ. μπορεί να προχωρήσει στην αποδοχή επιλαχόντων, κατά σειρά επιτυχίας.

Πρόγραμμα Σπουδών (Μαθήματα – ECΤS)

Το πρόγραμμα είναι εντατικό και πληροί τις προϋποθέσεις των διατάξεων της παραγράφου 3 του άρθρου 1 της υπ’ αριθμ. Φ5/89656/Β3 υπουργικής απόφασης (ΦΕΚ 1466/τ.Β΄/13.8.2007) που αφορά στην Εφαρμογή του Συστήματος Μεταφοράς και Συσσώρευσης Πιστωτικών Μονάδων. Το σύνολο των Πιστωτικών Μονάδων (ΠΜ) του Προγράμματος Μεταπτυχιακών Σπουδών στην Επιστήμη Δεδομένων ανέρχεται σε εβδομήντα πέντε (75).

Το πρόγραμμα διδασκόμενων και εξεταζόμενων μαθημάτων ορίζεται αναλυτικά ως εξής:

α) Προπαρασκευαστικά μαθήματα – 2 εβδομάδων/20 διδακτικών ωρών έκαστο

    • Θεμελιώσεις Επιστήμης Υπολογιστών – Foundations of Computer Science
    • Μαθηματικά για Data Science – Math for Data Science
    • Στοιχεία Στατιστικής και πιθανοτήτων – Elements of Statistics and Probability.

Η παρακολούθηση των μαθημάτων αυτών αποφασίζεται κατά περίπτωση από την Επιτροπή του ΠΜΣ αναλόγως του εκπαιδευτικού υποβάθρου του κάθε εισακτέου

β) Μαθήματα Βασικού Προγράμματος

Α’ εξάμηνο:

Υποχρεωτικά μαθήματα

    • Διαχείριση Δεδομένων Μεγάλης Κλίμακας Large Scale Data Management
    • Πιθανότητες και Στατιστική για Ανάλυση Δεδομένων – Probability and Statistics for data analysis
    • Πρακτική Επιστήμη Δεδομένων – Practical Data Science
    • Οπτικοποίηση Δεδομένων και Επικοινωνία – Data visualization and communication
    • Αριθμητική Βελτιστοποίηση και Μεγάλης Κλίμακας Γραμμική Άλγεβρα – Numerical Οptimization and Large Scale Linear Algebra

Β’ εξάμηνο:

Υποχρεωτικά μαθήματα

    • Νομικά και ηθικά θέματα και θέματα πολιτικής στην Επιστήμη Δεδομένων – Legal, ethical and policy issues in data science
    • Μηχανική Μάθηση και Υπολογιστική Στατιστική – Machine Learning and Computational Statistics
    • Τεχνολογία και Ανάλυση κειμένου – Text engineering and analytics

Μαθήματα Επιλογής (που αντιστοιχούν σε τουλάχιστον 14ΠΜ από τα παρακάτω):

    • Συστήματα και τεχνικές για Μεγάλα Δεδομένα – Big Data Systems and techniques
    • Χρονοσειρές και Προβλέψεις – Time Series and Forecasting methods
    • Ανάκτηση δεδομένων – Information retrieval
    • Μπεϋσιανή στατιστική και προσομοίωση – Bayesian Statistics and simulation methods
    • Επιστήμη δεδομένων στο Μάρκετινγκ – Marketing Data Science
    • Προχωρημένη Διαχείριση Μεγάλων Δεδομένων και Ροών – Advanced Large Scale Data and Stream Management
    • Χρηματοοικονομικά Πληροφοριακά Συστήματα – Financial Information Systems
    • Επιστήμη δεδομένων και βελτιστοποίηση για διοίκηση λειτουργιών – Data science and optimization for operations management
    • Επιστήμη Δεδομένων για βιολογία – Data Science for biology
    • Επιστήμη δεδομένων για ιατρική – Data Science for medicine
    • Στατιστικές μέθοδοι για μεγάλα δεδομένα – Statistical methods for Big data
    • Εξόρυξη δεδομένων – Data mining
    • Βελτιστοποίηση – Optimization
    • Προχωρημένη μηχανική μάθηση για μεγάλα δεδομένα – Advanced Machine Learning for big data
    • Επιμέλεια Δεδομένων – Data curation

Θερινοί Μήνες

    • Εκπόνηση Διπλωματικής Εργασίας.

Το παραπάνω Πρόγραμμα παρέχεται και ως Μερικής Φοίτησης. Η ανακατανομή των μαθημάτων στο Πρόγραμμα Μερικής Φοίτησης γίνεται με αποφάσεις των αρμοδίων οργάνων και θα περιλαμβάνεται στον Κανονισμό Μεταπτυχιακών Σπουδών του Δ.Π.Μ.Σ..

Τι άλλο πρέπει να ξέρω :

Χρήσιμα Έντυπα:

Περισσότερα στοιχεία :

Διάρκεια Λειτουργίας

Το Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών θα λειτουργήσει μέχρι το ακαδημαϊκό έτος 2028 – 2029.

Έλεγχος Καταλληλότητας
Δες αν το Δ.Π.Μ.Σ.: «Τεχνητή Νοημοσύνη και Επιστήμη Δεδομένων» του Οικονομικού Πανεπιστημίου Αθηνών (Ο.Π.Α.) ταιριάζει στις δικές σου φιλοδοξίες;