ΠΜΣ: Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων

το άρθρο ενημερώθηκε στις 01.10.2026

Σε ποιον ταιριάζει το ΠΜΣ Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων;

Το ΠΜΣ «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων» ταιριάζει σε αποφοίτους πληροφορικής, μηχανικών, μαθηματικών, στατιστικής, οικονομικών και συναφών επιστημών, καθώς και σε επαγγελματίες που επιθυμούν να αποκτήσουν σύγχρονη και εφαρμοσμένη γνώση στην ανάλυση δεδομένων και στις τεχνικές τεχνητής νοημοσύνης. Απευθύνεται σε όσους θέλουν να κατανοήσουν πώς τα δεδομένα μετατρέπονται σε γνώση και πώς αναπτύσσονται αλγόριθμοι και μοντέλα που υποστηρίζουν τη λήψη αποφάσεων σε επιχειρήσεις, οργανισμούς και ερευνητικά περιβάλλοντα.

Ταιριάζει ιδιαίτερα σε όσους:

ενδιαφέρονται για την τεχνητή νοημοσύνη, τη μηχανική μάθηση και την αναλυτική δεδομένων,

επιδιώκουν να κατανοήσουν πώς αναπτύσσονται και εφαρμόζονται αλγόριθμοι ανάλυσης και πρόβλεψης,

διαθέτουν βασικό υπόβαθρο σε προγραμματισμό, μαθηματικά ή στατιστική,

θέλουν να αναπτύξουν δεξιότητες σε data analysis, machine learning και αξιοποίηση μεγάλων δεδομένων,

έχουν διάθεση να εργαστούν με δεδομένα, μοντέλα και υπολογιστικά εργαλεία,

στοχεύουν σε επαγγελματικούς ρόλους όπως data analyst, data scientist, machine learning engineer ή AI specialist,

διαθέτουν ενδιαφέρον για τη σύνδεση τεχνολογικής καινοτομίας, δεδομένων και επιχειρησιακής ή ερευνητικής αξίας.

Το ΠΜΣ είναι ιδανική επιλογή για όσους επιθυμούν να αποκτήσουν ισχυρό θεωρητικό και πρακτικό υπόβαθρο στην τεχνητή νοημοσύνη και την αναλυτική δεδομένων, ενισχύοντας ουσιαστικά το επαγγελματικό τους προφίλ. Προσφέρει εφόδια που αξιοποιούνται σε εταιρείες τεχνολογίας, χρηματοοικονομικούς οργανισμούς, επιχειρήσεις, ερευνητικά κέντρα και καινοτόμες ομάδες ανάπτυξης.

Πανεπιστήμιο Μακεδονίας

Σχολή Επιστημών Πληροφορίας

Τμήμα Εφαρμοσμένης Πληροφορικής (Θεσσαλονίκη)

ΠΜΣ: «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων»

(MSc in Artifi cial Intelligence and Data Analytics)

Έδρα:

Διεύθυνση – Πόλη διεξαγωγής: ΠΜΣ: «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων» Πανεπιστήμιο Μακεδονίας  Εγνατία 156, 546 36, Θεσσαλονίκη

Τηλέφωνα: 2310 891847  E-mail:  aidasecr@uom.edu.gr

Γνωστικό Αντικείμενο – Σκοπός :

Το Π.Μ.Σ. στην Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων έχει ως αντικείμενο την παροχή εκπαίδευσης μεταπτυχιακού επιπέδου στο χώρο της Τεχνητής Νοημοσύνης και Αναλυτικής Δεδομένων, έτσι ώστε οι διπλωματούχοι του Π.Μ.Σ. να αποκτήσουν ισχυρό επιστημονικό υπόβαθρο, εμπειρία και τεχνογνωσία για την υιοθέτηση βέλτιστων λύσεων και πρακτικών σε προβλήματα που απαιτούν συλλογιστική και λήψη αποφάσεων βασισμένη στη διαχείριση, ανάλυση, επεξεργασία και αξιοποίηση μεγάλου όγκου δεδομένων.

Οι σκοποί του Π.Μ.Σ. στην Τεχνητή Νοημοσύνη καιΑναλυτική Δεδομένων είναι οι εξής:

Παροχή υψηλού επιπέδου δωρεάν μεταπτυχιακών σπουδών.

Παροχή γνώσης στις σύγχρονες εξελίξεις του χώρου που άπτεται της Τεχνητής Νοημοσύνης και της Αναλυτικής Δεδομένων.

Προετοιμασία για σπουδές διδακτορικού επιπέδου.

Δημιουργία επιστημόνων με το απαιτούμενο θεωρητικό και τεχνολογικό υπόβαθρο για συμμετοχή σε δραστηριότητες έρευνας και ανάπτυξης και σταδιοδρομία στον ιδιωτικό, τον δημόσιο και τον ακαδημαϊκό τομέα.

Όλοι οι συντελεστές που συμμετέχουν στο Π.Μ.Σ. αναλαμβάνουν την ευθύνη να προωθούν το κριτήριο
της ποιότητας σε κάθε μορφής δραστηριότητα, να επιδιώκουν τη συνεχή βελτίωση στον τρόπο διδασκαλίας και να μεταφέρουν νέα γνώση στους θεραπευόμενους από το πρόγραμμα επιστημονικούς τομείς.

Τίτλος Σπουδών: Το Π.Μ.Σ. απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (Δ.Μ.Σ.) με τίτλο «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων» (’’MSc in Artificiallntel ligence and Data Analytics’’), χωρίς ειδικεύσεις.

Μαθησιακά αποτελέσματα του Προγράμματος Σπουδών

Το Πρόγραμμα Μεταπτυχιακών Σπουδών «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων (MSc in Artificial Intelligence and Data Analytics)» παρέχει προηγμένη μεταπτυχιακή εκπαίδευση στην Τεχνητή Νοημοσύνη και την Αναλυτική Δεδομένων, με στόχο την ανάπτυξη ισχυρού επιστημονικού υποβάθρου, εμπειρίας και τεχνογνωσίας για τη μελέτη και επίλυση προβλημάτων που απαιτούν συλλογιστική και λήψη αποφάσεων βασισμένη στη διαχείριση, ανάλυση, επεξεργασία και αξιοποίηση μεγάλου όγκου δεδομένων. Το πρόγραμμα συνδυάζει εφαρμοσμένα μαθηματικά, θεωρία πιθανοτήτων και στατιστική με πιθανοτική μοντελοποίηση και συλλογιστική, ανάλυση δικτύων και εξόρυξη γνώσης από τον Παγκόσμιο Ιστό, υπολογιστική βελτιστοποίηση, διερευνητική ανάλυση και οπτικοποίηση δεδομένων, δίκτυα υπολογιστών για δεδομένα μεγάλης κλίμακας, σχεδιασμό και χρονοπρογραμματισμό, επεξεργασία φυσικής γλώσσας, μηχανική μάθηση και όραση υπολογιστών. Ιδιαίτερα ισχυρή είναι η ερευνητική διάσταση του Π.Μ.Σ., καθώς τα δύο τελευταία εξάμηνα αφιερώνονται σε εκτενή μεταπτυχιακή διπλωματική εργασία, μέσω της οποίας ο φοιτητής ή η φοιτήτρια καλείται να αντιμετωπίσει σημαντικό πρόβλημα με ερευνητική διάσταση, αξιοποιώντας επίκαιρη διεθνή βιβλιογραφία, κατάλληλη μεθοδολογία, συστηματική πειραματική ή υπολογιστική διερεύνηση και επιστημονικά 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 πληροφοριών και επικοινωνιών (ΤΠΕ), μη περαιτέρω προσδιοριζόμενες

Γνώσεις
  • να αναλύει σε προχωρημένο επίπεδο τις θεμελιώδεις αρχές, τις σύγχρονες μεθοδολογίες και τις ερευνητικές τάσεις της Τεχνητής Νοημοσύνης και της Αναλυτικής Δεδομένων
  • να κατανοεί σε βάθος τις μαθηματικές, πιθανοτικές και στατιστικές έννοιες που θεμελιώνουν τη μοντελοποίηση, την ανάλυση δεδομένων και τις σύγχρονες μεθόδους τεχνητής νοημοσύνης
  • να αναλύει πιθανοτικά μοντέλα και μεθόδους συλλογιστικής υπό αβεβαιότητα και να κατανοεί τη χρήση τους στην αναπαράσταση γνώσης, την εξαγωγή συμπερασμάτων και τη λήψη αποφάσεων
  • να κατανοεί έννοιες όπως δεσμευμένη πιθανότητα, δίκτυα πεποιθήσεων, πιθανοτική συμπερασματολογία, εκτίμηση παραμέτρων, κρυφές μεταβλητές και προσεγγιστικές μέθοδοι συμπερασμού
  • να αναλύει τις αρχές της θεωρίας γράφων, της ανάλυσης δικτύων και της εξόρυξης γνώσης από τον Παγκόσμιο Ιστό και τα κοινωνικά δίκτυα
  • να κατανοεί προηγμένες μαθηματικές και υπολογιστικές μεθόδους βελτιστοποίησης και τη χρήση τους σε προβλήματα λήψης αποφάσεων, πληροφορικής και μηχανικής μάθησης
  • να αναλύει κλασικές και σύγχρονες μεθόδους βελτιστοποίησης, συμπεριλαμβανομένων ακριβών, ευρετικών, μεταευρετικών και εμπνευσμένων από τη φύση αλγορίθμων
  • να κατανοεί τις αρχές της διερευνητικής ανάλυσης δεδομένων και τη συμπληρωματική λειτουργία καθαρισμού, μετασχηματισμού, διερεύνησης και οπτικοποίησης για την ανακάλυψη δομών και προτύπων
  • να αναλύει μονομεταβλητά και πολυμεταβλητά δεδομένα, χρονοσειρές, χωρικά δεδομένα και δεδομένα δικτύων και να κατανοεί τις ιδιαιτερότητες κάθε μορφής δεδομένων
  • να κατανοεί τις τεχνολογίες και τις αρχιτεκτονικές δικτύων υπολογιστών που απαιτούνται για τη μεταφορά, επεξεργασία και ανάλυση δεδομένων μεγάλης κλίμακας
  • να αναλύει προβλήματα σχεδιασμού και χρονοπρογραμματισμού σε αιτιοκρατικά και μη αιτιοκρατικά περιβάλλοντα και να κατανοεί τη διατύπωση προβλημάτων χρονοπρογραμματισμού ως προβλημάτων ικανοποίησης περιορισμών
  • να κατανοεί τις θεωρητικές και υπολογιστικές αρχές της επεξεργασίας φυσικής γλώσσας και τις βασικές κατηγορίες αλγορίθμων και εφαρμογών της
  • να αναλύει τις θεωρητικές αρχές της επιβλεπόμενης και μη επιβλεπόμενης μηχανικής μάθησης, της μείωσης διαστατικότητας και της αξιολόγησης μοντέλων
  • να κατανοεί σε βάθος τις αρχές των τεχνητών νευρωνικών δικτύων, της βαθιάς μάθησης και της εκπαίδευσης σύνθετων μοντέλων
  • να αναλύει τις αρχές της όρασης υπολογιστών, της αναπαράστασης εικόνας, της εξαγωγής χαρακτηριστικών, της ανίχνευσης αντικειμένων και της σημασιολογικής κατάτμησης
  • να κατανοεί σύγχρονες αρχιτεκτονικές συνελικτικών νευρωνικών δικτύων, μεταφορά μάθησης και παραγωγικά μοντέλα και τη χρήση τους σε προβλήματα υπολογιστικής όρασης
  • να κατανοεί ζητήματα ερμηνευσιμότητας, αβεβαιότητας και ανθεκτικότητας μοντέλων μηχανικής μάθησης και τις επιπτώσεις τους στην αξιοπιστία των προβλέψεων
  • να κατανοεί τη σχέση μεταξύ αναπαράστασης δεδομένων, επιλογής χαρακτηριστικών, επιλογής μοντέλου, διαδικασίας εκπαίδευσης και ποιότητας των τελικών αποτελεσμάτων
  • να κατανοεί τις αρχές επιστημονικής έρευνας και τη σημασία της ερευνητικής πρωτοτυπίας, της επίκαιρης διεθνούς βιβλιογραφίας, της μεθοδολογικής αρτιότητας και της αναπαραγωγιμότητας των αποτελεσμάτων
Δεξιότητες
  • να διατυπώνει σύνθετα προβλήματα Τεχνητής Νοημοσύνης και Αναλυτικής Δεδομένων με τρόπο που επιτρέπει τη συστηματική μαθηματική, υπολογιστική ή εμπειρική διερεύνησή τους
  • να κατασκευάζει και να χρησιμοποιεί πιθανοτικά μοντέλα για την αναπαράσταση αβεβαιότητας, την εκτίμηση παραμέτρων, την εξαγωγή συμπερασμάτων και τη λήψη αποφάσεων
  • να εφαρμόζει ακριβείς και προσεγγιστικές μεθόδους πιθανοτικής συμπερασματολογίας και να αξιολογεί κριτικά τις παραδοχές και τους περιορισμούς τους
  • να αναπαριστά δεδομένα ως δίκτυα και να εφαρμόζει μεθόδους ανάλυσης δικτύων και εξόρυξης γνώσης σε δεδομένα του Παγκόσμιου Ιστού και κοινωνικών δικτύων
  • να διατυπώνει ποσοτικά προβλήματα ως προβλήματα βελτιστοποίησης και να επιλέγει κατάλληλους ακριβείς, ευρετικούς ή μεταευρετικούς αλγορίθμους για την επίλυσή τους
  • να υλοποιεί και να συγκρίνει σύγχρονες υπολογιστικές μεθόδους βελτιστοποίησης και να αξιολογεί την ποιότητα, την υπολογιστική αποδοτικότητα και τη σταθερότητα των λύσεων
  • να εισάγει, να καθαρίζει, να μετασχηματίζει και να οργανώνει σύνθετα σύνολα δεδομένων ώστε να είναι κατάλληλα για διερευνητική και υπολογιστική ανάλυση
  • να εφαρμόζει τεχνικές διερευνητικής ανάλυσης και οπτικοποίησης για την αναγνώριση προτύπων, σχέσεων, ακραίων τιμών, ελλιπών δεδομένων και πιθανών προβλημάτων ποιότητας
  • να αναλύει μονομεταβλητά, πολυμεταβλητά, χωρικά, χρονικά και δικτυακά δεδομένα και να επιλέγει κατάλληλες αναπαραστάσεις και οπτικοποιήσεις
  • να εφαρμόζει τεχνικές επιλογής χαρακτηριστικών και επιλογής παρατηρήσεων και να αξιολογεί την επίδρασή τους στην ποιότητα της ανάλυσης και της μοντελοποίησης
  • να σχεδιάζει και να αξιοποιεί κατάλληλες δικτυακές υποδομές για τη μεταφορά και επεξεργασία δεδομένων μεγάλης κλίμακας
  • να διατυπώνει και να επιλύει προβλήματα σχεδιασμού και χρονοπρογραμματισμού με κατάλληλους αλγορίθμους αναζήτησης, σχεδιασμού και ικανοποίησης περιορισμών
  • να επεξεργάζεται δεδομένα φυσικής γλώσσας και να αναπτύσσει υπολογιστικές λύσεις για την ανάλυση και αξιοποίηση κειμενικής πληροφορίας
  • να εφαρμόζει αλγορίθμους επιβλεπόμενης μάθησης, όπως παλινδρόμηση, μηχανές διανυσμάτων υποστήριξης, δένδρα αποφάσεων και μεθόδους συνόλων, και να συγκρίνει την επίδοσή τους
  • να εφαρμόζει αλγορίθμους μη επιβλεπόμενης μάθησης και μείωσης διαστατικότητας και να ερμηνεύει τις δομές που αναδεικνύονται στα δεδομένα
  • να σχεδιάζει, να εκπαιδεύει, να ρυθμίζει και να αξιολογεί νευρωνικά δίκτυα και μοντέλα βαθιάς μάθησης για σύνθετα προβλήματα πρόβλεψης και αναγνώρισης
  • να αναπτύσσει εφαρμογές όρασης υπολογιστών για ταξινόμηση εικόνων, ανίχνευση αντικειμένων, σημασιολογική κατάτμηση, παρακολούθηση και αναγνώριση οπτικών προτύπων
  • να αξιοποιεί τεχνικές μεταφοράς μάθησης και προεκπαιδευμένα μοντέλα και να προσαρμόζει προηγμένες αρχιτεκτονικές σε νέα σύνολα δεδομένων και προβλήματα
  • να αναπτύσσει και να αξιολογεί παραγωγικά μοντέλα για σύνθεση ή εμπλουτισμό δεδομένων και να εξετάζει κριτικά την ποιότητα και τους περιορισμούς των παραγόμενων αποτελεσμάτων
  • να διερευνά την ερμηνευσιμότητα, την αβεβαιότητα και την ανθεκτικότητα μοντέλων μηχανικής μάθησης και να αξιολογεί την ευαισθησία τους σε ανταγωνιστικές ή άλλες διαταραχές
  • να χρησιμοποιεί γλώσσες και περιβάλλοντα όπως Python και R για μοντελοποίηση, ανάλυση, οπτικοποίηση δεδομένων και ανάπτυξη υπολογιστικών πειραμάτων
  • να σχεδιάζει ολοκληρωμένες ροές ανάλυσης δεδομένων από την προεπεξεργασία και τη διερεύνηση έως τη μοντελοποίηση, την αξιολόγηση, την οπτικοποίηση και την τεκμηρίωση των αποτελεσμάτων
  • να αναζητά, να αξιολογεί κριτικά και να συνθέτει επίκαιρη διεθνή επιστημονική βιβλιογραφία και να εντοπίζει ανοικτά ερευνητικά ερωτήματα και μεθοδολογικά κενά
  • να σχεδιάζει και να εκτελεί συστηματικά υπολογιστικά ή εμπειρικά πειράματα, να συγκρίνει μεθόδους με κατάλληλες μετρικές και να τεκμηριώνει την εγκυρότητα των συμπερασμάτων
  • να εκπονεί εκτενή μεταπτυχιακή διπλωματική εργασία με ερευνητική πρωτοτυπία, σαφή μεθοδολογική προσέγγιση, ποιοτικά αποτελέσματα και τεκμηριωμένα συμπεράσματα
  • να παρουσιάζει και να υποστηρίζει προφορικά και γραπτά ερευνητικά αποτελέσματα σύμφωνα με τις απαιτήσεις της διεθνούς επιστημονικής επικοινωνίας
Ικανότητες
  • να αντιμετωπίζει με αυτονομία σύνθετα, ασαφώς δομημένα και ερευνητικού χαρακτήρα προβλήματα Τεχνητής Νοημοσύνης και Αναλυτικής Δεδομένων
  • να ενσωματώνει γνώσεις πιθανοτήτων, στατιστικής, βελτιστοποίησης, μηχανικής μάθησης, δικτύων και διαχείρισης δεδομένων για τη διαμόρφωση ολοκληρωμένων λύσεων
  • να επιλέγει τεκμηριωμένα μεταξύ εναλλακτικών μοντέλων, αλγορίθμων και υπολογιστικών προσεγγίσεων λαμβάνοντας υπόψη τις παραδοχές, την ποιότητα των δεδομένων και τις απαιτήσεις του προβλήματος
  • να αξιολογεί κριτικά την εγκυρότητα, τη γενικευσιμότητα, την ερμηνευσιμότητα και τους περιορισμούς αποτελεσμάτων που παράγονται από αναλυτικές και ευφυείς μεθόδους
  • να λαμβάνει τεκμηριωμένες αποφάσεις υπό συνθήκες αβεβαιότητας και να διαχειρίζεται σύνθετες πληροφορίες ακόμη και όταν τα διαθέσιμα δεδομένα είναι ελλιπή ή θορυβώδη
  • να αναλαμβάνει ευθύνη για τον σχεδιασμό, την υλοποίηση, την πειραματική αξιολόγηση και την τεχνική τεκμηρίωση σύνθετων έργων τεχνητής νοημοσύνης και αναλυτικής δεδομένων
  • να αναγνωρίζει και να αντιμετωπίζει κινδύνους που σχετίζονται με μεροληψία δεδομένων, αβεβαιότητα μοντέλων, υπερπροσαρμογή, έλλειψη ερμηνευσιμότητας και ανεπαρκή πειραματική τεκμηρίωση
  • να συνεργάζεται αποτελεσματικά σε ερευνητικές και διεπιστημονικές ομάδες και να συνδέει μαθηματικές, υπολογιστικές και εφαρμοσμένες οπτικές κατά την επίλυση σύνθετων προβλημάτων
  • να επικοινωνεί προηγμένες μεθόδους, πειραματικά ευρήματα, αβεβαιότητες και ερευνητικά συμπεράσματα με σαφήνεια σε ειδικούς και μη εξειδικευμένους αποδέκτες
  • να λειτουργεί με επιστημονική ακεραιότητα και να εφαρμόζει αρχές ακαδημαϊκής δεοντολογίας, ορθής αναφοράς πηγών, διανοητικής ιδιοκτησίας και αναπαραγωγιμότητας της έρευνας
  • να σχεδιάζει και να ολοκληρώνει με υψηλό βαθμό αυτονομίας εκτενή πρωτότυπη έρευνα, από τη διατύπωση του προβλήματος και την επισκόπηση της βιβλιογραφίας έως την πειραματική αξιολόγηση και τη διατύπωση συμπερασμάτων
  • να μετασχηματίζει ερευνητικά αποτελέσματα σε επιστημονική εργασία κατάλληλη για παρουσίαση σε διεθνές συνέδριο, συμπόσιο ή workshop ή για υποβολή σε επιστημονικό περιοδικό
  • να αξιολογεί κριτικά νέες επιστημονικές εξελίξεις και να ανανεώνει αυτοδύναμα τις γνώσεις και τις μεθόδους του σε ένα ταχέως εξελισσόμενο πεδίο
  • να αξιοποιεί το ισχυρό θεωρητικό, τεχνολογικό και ερευνητικό υπόβαθρο του προγράμματος για συμμετοχή σε δραστηριότητες έρευνας και ανάπτυξης και για συνέχιση σπουδών σε διδακτορικό επίπεδο

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 για την απονομή του Δ.Μ.Σ. ορίζεται σε τέσσερα (4) εξάμηνα φοίτησης. Δεν παρέχεται δυνατότητα μερικής φοίτησης.

Γλώσσα Διδασκαλίας: Η γλώσσα διδασκαλίας των μαθημάτων είναι είτε η ελληνική, είτε η αγγλική. Η διπλωματική εργασία εκπονείται στην αγγλική γλώσσα.

Δίδακτρα: Η παρακολούθηση του Π.Μ.Σ. θα είναι δωρεάν για τους φοιτητές.

Κατηγορίες και αριθμός εισακτέων:

Στο Π.Μ.Σ. γίνονται δεκτοί πτυχιούχοι Τμημάτων Πληροφορικής, Μηχανικών Η/Υ, Πολυτεχνικών Σχολών, Σχολών Θετικών Επιστημών Πανεπιστημίων της ημεδαπής και αναγνωρισμένων ομοταγών ιδρυμάτων της αλλοδαπής, καθώς και πτυχιούχοι Τμημάτων TEI συναφούς γνωστικού αντικειμένου. Ο ετήσιος αριθμός εισακτέων στο Π.Μ.Σ. ορίζεται κατ’ ανώτατο όριο σε δώδεκα (12) φοιτητές.

Διαδικασία επιλογής:

Η Συνέλευση του Τμήματος συγκροτεί Επιτροπή Αξιολόγησης Υποψηφίων, η οποία αποτελείται από μέλη Δ.Ε.Π. του Τμήματος και στην οποία συμμετέχουν κατά προτεραιότητα τα μέλη της Συντονιστικής Επιτροπής του Π.Μ.Σ. και οι διδάσκοντες σε αυτό. Η Επιτροπή Αξιολόγησης Υποψηφίων είναι αρμόδια για την αξιολόγηση των υποψηφίων που προσκόμισαν εμπρόθεσμα όλα τα απαιτούμενα δικαιολογητικά.

Η αξιολόγηση των υποψηφίων γίνεται με μοριοδότηση στην κλίμακα 0-100 και ένα δεκαδικό ψηφίο, σε τρεις φάσεις:

1. Η πρώτη φάση είναι προκριματική. Απαραίτητη προϋπόθεση πρόκρισης στη δεύτερη φάση είναι η κατάθεση όλων των απαιτούμενων δικαιολογητικών και η πιστοποίηση της τουλάχιστον καλής γνώσης της αγγλικής γλώσσας σε επίπεδο Β2

2. Τα κριτήρια αξιολόγησης της δεύτερης φάσης και οι αντίστοιχες μέγιστες μοριοδοτήσεις (με ένα δεκαδικό ψηφίο) είναι:

i) Γενικός βαθμός βασικού πτυχίου έως 50 μόρια για το άνω της βάσης μέρος του βαθμού και στρογγυλοποίηση στο πρώτο δεκαδικό ψηφίο. Στις περιπτώσεις υποψηφίων που δεν έχουν ακόμη ολοκληρώσει τις προπτυχιακές τους σπουδές, και υπό τον περιορισμό της ενότητας 3.2, ως βαθμός βασικού πτυχίου λαμβάνεται υπόψη ο τρέχων μέσος όρος κατά τη στιγμή υποβολής της υποψηφιότητας, όπως αυτός πιστοποιείται από την αρμόδια γραμματεία. Ο βαθμός βασικού πτυχίου σταθμίζεται με τον κατά περίπτωση δείκτη συνάφειας. Οι δείκτες συνάφειας καθορίζονται ανάλογα με το Τμήμα προέλευσης του βασικού πτυχίου των υποψηφίων και είναι οι ακόλουθοι:

α) Δείκτης συνάφειας 1,0: πτυχιούχοι Πανεπιστημιακών Τμημάτων Πληροφορικής, Μαθηματικών, Φυσικής, Μηχανικών Η/Υ και συναφών Τμημάτων TEI

β) Δείκτης συνάφειας 0,7: πτυχιούχοι υπόλοιπων Πανεπιστημιακών Τμημάτων σχολών Θετικών Επιστημών και Πολυτεχνικών Σχολών (πλην Μηχανικών Η/Υ), ή τμημάτων ΤΕΙ συναφούς γνωστικού αντικειμένου Ενδεικτικά, για πτυχία με βάση το 5 και άριστα το 10, αφαιρείται το 5 από τον βαθμό πτυχίου (με δύο δεκαδικά ψηφία) και το αποτέλεσμα πολλαπλασιάζεται επί τον δείκτη συνάφειας και επί 10, με στρογγυλοποίηση στο πρώτο δεκαδικό ψηφίο.

ii) Γνώση της αγγλικής γλώσσας έως 10 μόρια, ανάλογαμε το επίπεδο γνώσης της γλώσσας. Ειδικότερα:

α) 10 μόρια για άριστη γνώση (Γ2/C2)

β) 5 μόρια για πολύ καλή γνώση (Γ1/C1)

γ) 0 μόρια για καλή γνώση (Β2)

iii) Συναφής ερευνητική και επαγγελματική δραστηριότητα του υποψηφίου έως 5 μόρια.

Στην τρίτη φάση αξιολογείται η ειδικότερη καταλληλόλητα του κάθε υποψηφίου για εισαγωγή στο Π.Μ.Σ., όπως αυτή προκύπτει από (i) την παρουσία του σε συνέντευξη, την αξιολόγηση του βιογραφικού και των συστατικών επιστολών (έως 20 μόρια), και (ii) τις επιδόσεις του σε συναφή προς το Π.Μ.Σ. μαθήματα σε προπτυχιακό επίπεδο και την εκπόνηση συναφούς πτυχιακής/διπλωματικής εργασίας σε προπτυχιακό επίπεδο (έως 15 μόρια). Η αξιολόγηση κάθε υποψηφίου πραγματοποιείται από δύο τουλάχιστον μέλη της Επιτροπής Αξιολόγησης Υποψηφίων.

Πρόγραμμα Σπουδών 

Τα μαθήματα περιλαμβάνουν παραδόσεις από τους διδάσκοντες, προετοιμασία, μελέτη, παρουσιάσεις, εργασίες και εξετάσεις για τους φοιτητές. Κάθε φοιτητής είναι υποχρεωμένος να παρακολουθήσει και να εξεταστεί επιτυχώς συνολικά σε 8 μαθήματα, τα οποία ισοκατανέμονται στα δύο πρώτα εξάμηνα. Το τρίτο και τέταρτο εξάμηνο περιλαμβάνουν την εκπόνηση της Διπλωματικής Εργασίας. Όλα τα μαθήματα του προγράμματος σπουδών είναι υποχρεωτικά. Για την απόκτηση του Δ.Μ.Σ. απαιτούνται 120 πιστωτικές μονάδες, ειδικότερα 30 πιστωτικές μονάδες ανά εξάμηνο, δηλαδή 7,5 πιστωτικές μονάδες ανά μάθημα, και 60 πιστωτικές μονάδες για τη Διπλωματική Εργασία.

Μέρος του προγράμματος (ως το35%) μπορεί να προσφέρεται εξ αποστάσεως (παρ. 3, άρθρο 30, ν. 4485/2017). Το Π.Μ.Σ. δεν έχει ειδικεύσεις.

Το πρόγραμμα σπουδών διαμορφώνεται ως ακολούθως:

Α’ εξάμηνο:

Υποχρεωτικά μαθήματα

Πιθανοτική μοντελοποίηση και συλλογιστική (Probabilistic modelling and reasoning)

Μηχανική μάθηση και επεξεργασία φυσικής γλώσσας (Machine learning and natural language processing)

Υπολογιστική βελτιστοποίηση (Computational optimization)

Διερευνητική ανάλυση και οπτικοποίηση δεδομένων (Exploratory data analysis and visualization)

Β’ εξάμηνο:

Υποχρεωτικά μαθήματα

Δίκτυα υπολογιστών για δεδομένα μεγάλου όγκου (Computer networks for bigdata)

Σχεδιασμός και χρονοπρογραμματισμός (Planning and scheduling)

Εξόρυξη γνώσης και αναλυτική δεδομένων μάθησης (Datamining and learning analytics)

Αναλυτική δεδομένων στον ιστό (Network analysis and webmining)

Γ’ εξάμηνο:

Διπλωματική Εργασία (έναρξη)

Δ’ εξάμηνο:

Διπλωματική Εργασία (περάτωση)

Με απόφαση των αρμοδίων οργάνων μπορεί να γίνει τροποποίηση του προγράμματος των μαθημάτων και ανακατανομή μεταξύ των εξαμήνων.

Τι άλλο πρέπει να ξέρω :

Χρήσιμα Έντυπα:

Περισσότερα στοιχεία :

Διάρκεια Λειτουργίας

Το Π.Μ.Σ. θα λειτουργήσει μέχρι και το ακαδημαϊκό έτος 2028 – 2029.

Π.Μ.Σ. Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων — Έλεγχος Καταλληλότητας
Δες αν το ΔΠΜΣ: «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων» του Πανεπιστημίου Μακεδονίας ταιριάζει στις δικές σου φιλοδοξίες;