Περιγραφή
AI Developers: Python για Τεχνητή Νοημοσύνη
AI Developers: Python για Τεχνητή Νοημοσύνη
Η γλώσσα προγραμματισμού Python, με την ευελιξία και την απλότητά της, έχει καθιερωθεί ως μία από τις πιο δημοφιλείς γλώσσες προγραμματισμού παγκοσμίως. Οι εταιρείες αναζητούν συνεχώς εξειδικευμένους προγραμματιστές Python για να ανταποκριθούν στις αυξανόμενες απαιτήσεις της ανάπτυξης λογισμικού, της ανάλυσης δεδομένων και της τεχνητής νοημοσύνης.
Το πρόγραμμα στοχεύει στην κατάρτιση φοιτητών και επαγγελματιών στην Python και τη Μηχανική Μάθηση. Οι εκπαιδευόμενοι/ες θα μάθουν Προεπεξεργασία Δεδομένων (Data Munging), Οπτικοποίηση Δεδομένων (Data Visualization) και Προγνωστική Ανάλυση (Predictive Analytics). Θα γνωρίσουν βιβλιοθήκες όπως Scikit-learn, TensorFlow και Keras, και θα υλοποιήσουν αλγορίθμους Supervised & Unsupervised Learning, καθώς και Neural Networks & Deep Learning.
Σε ποιους απευθύνεται: Σε κάθε ενδιαφερόμενο που επιθυμεί να πιστοποιηθεί ως προγραμματιστής Python με εξειδίκευση στη Μηχανική Μάθηση, σε επαγγελματίες που θέλουν να αναβαθμίσουν τις γνώσεις τους, σε φοιτητές ή κατόχους πτυχίου που επιδιώκουν καριέρα ως προγραμματιστές, καθώς και σε εκπαιδευτικούς για μοριοδότηση σε ΙΕΚ, ΣΔΕ και άλλους φορείς.
Μεθοδολογία Υλοποίησης
Κάντε κλικ στις καρτέλες για να δείτε πώς διεξάγεται η εξ αποστάσεως εκπαίδευση.
Μελέτη στα μέτρα σας
Η διδασκαλία διεξάγεται εξ ολοκλήρου e-learning μέσω της πλατφόρμας Moodle. Δεν απαιτείται ταυτόχρονη παρουσία σε συγκεκριμένη ώρα (ασύγχρονη μέθοδος).
- Πρόσβαση στο υλικό 24/7 από οποιαδήποτε συσκευή.
- Πλήρες ηλεκτρονικό σύγγραμμα, παρουσιάσεις PowerPoint και βιντεοδιαλέξεις βήμα-βήμα.
- Αρχεία δεδομένων για πρακτική εξάσκηση στην Python.
- Εκπαιδευτικό υλικό που αποδεσμεύεται σταδιακά ανά εβδομάδα.
Ευέλικτη Αξιολόγηση
Η επιτυχής ολοκλήρωση βασίζεται σε τρία μέρη αξιολόγησης — χωρίς απουσιολόγιο:
- α) Αυτοαξιολόγηση: 5 ασκήσεις ανά ενότητα (πολλαπλή επιλογή, σωστό-λάθος, αντιστοίχιση).
- β) Εβδομαδιαία εργασία: 1 εργασία ανάπτυξης κάθε εβδομάδα.
- γ) Τελική εργασία (Mini Project): Ολοκληρωμένη εφαρμογή ML σε πραγματικό dataset.
Αναγνωρισμένο Πιστοποιητικό
Με την επιτυχή ολοκλήρωση, λαμβάνετε επίσημο τίτλο σπουδών από δημόσιο Ανώτατο Εκπαιδευτικό Ίδρυμα.
- Πιστοποιητικό Επιμόρφωσης από το Κέντρο Επιμόρφωσης και Δια Βίου Μάθησης του Πανεπιστημίου Αιγαίου (Κ.Ε.ΔΙ.ΒΙ.Μ.), σύμφωνα με το ν. 4957/2022.
- Αναγραφή 3 πιστωτικών μονάδων ECTS.
- Μοριοδότηση για προκηρύξεις σε ΙΕΚ, ΣΔΕ και δομές εκπαίδευσης ενηλίκων.
🏅 Υπόδειγμα Πιστοποιητικού
Με την ολοκλήρωση κάθε Προγράμματος χορηγείται σε ηλεκτρονική μορφή Πιστοποιητικό Επιμόρφωσης (πιστοποιητικό μη τυπικής εκπαίδευσης) από το Κέντρο Επιμόρφωσης και Δια Βίου Μάθησης του Πανεπιστημίου Αιγαίου (Κ.Ε.ΔΙ.ΒΙ.Μ.), σύμφωνα με το ν. 4957/2022.
📄 Δείτε το Πρότυπο Πιστοποιητικό (PDF)📋 Συμπλήρωμα Επιμόρφωσης
Μαζί με το Πιστοποιητικό χορηγείται και Συμπλήρωμα Επιμόρφωσης — ένα αναλυτικό έγγραφο που περιγράφει το περιεχόμενο, τη μεθοδολογία και τα μαθησιακά αποτελέσματα του προγράμματος.
📋 Δείτε το Πρότυπο Συμπλήρωμα Επιμόρφωσης (PDF)Μαθησιακοί Στόχοι
Με την ολοκλήρωση θα αναπτύσσετε ολοκληρωμένες εφαρμογές Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης με Python.
- Προεπεξεργασία Δεδομένων (Data Munging)
- Οπτικοποίηση Δεδομένων (Data Visualization)
- Βιβλιοθήκες: Pandas, NumPy, Matplotlib
- K-Means Clustering
- Principal Component Analysis (PCA)
- Scikit-learn στην πράξη
- Linear & Logistic Regression, SVM
- Decision Trees & Random Forests
- K-Nearest Neighbor
- Συνελικτικά Νευρωνικά Δίκτυα (CNN)
- TensorFlow & Keras
- Προγνωστική Ανάλυση (Predictive Analytics)
Πρόγραμμα Μαθημάτων
Δύο διδακτικές ενότητες, 8 εβδομαδιαίες συνεδρίες. Κάντε κλικ για να δείτε τα περιεχόμενα κάθε συνεδρίας.
-
ΣΥΝ. 1Python και Μηχανική Μάθηση — Εισαγωγή▼
- Βασικές αρχές της Python για Machine Learning
- Περιβάλλον εργασίας: Jupyter Notebook, Google Colab
- Εισαγωγή στις έννοιες του Machine Learning
-
ΣΥΝ. 2Machine Learning & Deep Learning Evaluation▼
- Μέτρα αξιολόγησης μοντέλων ML (Accuracy, Precision, Recall, F1)
- Overfitting / Underfitting και Cross-Validation
- Εισαγωγή στο Deep Learning Evaluation
-
ΣΥΝ. 3Βιβλιοθήκες Python για Μηχανική Μάθηση▼
- Pandas & NumPy για επεξεργασία δεδομένων
- Matplotlib & Seaborn για οπτικοποίηση
- Scikit-learn, TensorFlow & Keras — πρώτα βήματα
-
ΣΥΝ. 4Unsupervised Learning Algorithms▼
- K-Means Clustering — θεωρία & εφαρμογή
- Principal Component Analysis (PCA)
- Οπτικοποίηση αποτελεσμάτων ομαδοποίησης
-
ΣΥΝ. 5Linear Regression, Logistic Regression, SVM▼
- Απλή & Πολλαπλή Γραμμική Παλινδρόμηση
- Logistic Regression για ταξινόμηση
- Support Vector Machines (SVM) — θεωρία & εφαρμογή
-
ΣΥΝ. 6Decision Trees, Random Forests, K-Nearest Neighbor▼
- Δέντρα Αποφάσεων (Decision Trees) — οπτικοποίηση & ερμηνεία
- Random Forests — ensemble methods
- K-Nearest Neighbor (KNN) — επιλογή K & αξιολόγηση
-
ΣΥΝ. 7Neural Networks & Deep Learning — CNN▼
- Αρχιτεκτονική νευρωνικών δικτύων — layers, activation functions
- Συνελικτικά Νευρωνικά Δίκτυα (CNN) για αναγνώριση εικόνας
- Εφαρμογή με Keras & TensorFlow — training & evaluation
-
ΣΥΝ. 8Τελική Εργασία (Mini Project)▼
- Ανάπτυξη ολοκληρωμένου ML pipeline από την αρχή
- Επιλογή dataset, προεπεξεργασία, εκπαίδευση μοντέλου
- Αξιολόγηση αποτελεσμάτων & παρουσίαση ευρημάτων
Οι Καθηγητές
Έμπειροι ακαδημαϊκοί που εγγυώνται την ποιότητα της εκπαιδευτικής διαδικασίας.
Δίδακτρα & Εκπτωτική Πολιτική
Βασικά δίδακτρα 250€. Ισχύουν πολλαπλές εκπτώσεις — μία κατηγορία ανά εγγραφή.
