Η Τεχνητή Νοημοσύνη (TN) είναι ο τομέας της Επιστήμης των Υπολογιστών με απώτερο στόχο την κατασκευή ευφυών μηχανών, δηλαδή μηχανών που επιδεικνύουν ανθρωπόμορφη συμπεριφορά κατά την επίλυση σύνθετων προβλημάτων. Η ενότητα παρέχει μια εις βάθος εισαγωγή στην κλασική ή καθοδηγούμενη από γνώση Τεχνητή Νοημοσύνη. Τα θέματα παρουσιάζονται υπό τρεις κύριους πυλώνες: μεμονωμένοι ευφυείς πράκτορες, συστήματα πολλαπλών πρακτόρων και πράκτορες εμπνευσμένοι από τη βιολογία.
Τα θέματα περιλαμβάνουν τους δύο κύριους τομείς της κλασικής ΤΝ, παρουσιαζόμενους από θεωρητική και πρακτική σκοπιά: την Αναπαράσταση Γνώσης (λογική και οι παραλλαγές της, αναπαράσταση χώρου κατάστασης, σημασιολογικοί γράφοι και γράφοι γνώσης, πλαίσια και οντολογίες, κανόνες κ.λπ.) και τη Συλλογιστική (επίλυση και ανασκευή, αναζήτηση, ανάκτηση γνώσης, τύποι συλλογιστικής, εξαγωγή κανόνων στην κλασική μηχανική μάθηση, εμπρόσθια και οπίσθια αλυσίδωση κ.λπ.). Η ενότητα θα αναφέρεται ρητά σε μοντέλα πρακτόρων για πρακτική συλλογιστική και συντονισμό, επικοινωνία, συνεργασία και διαπραγμάτευση μεταξύ πρακτόρων. Οι πράκτορες εμπνευσμένοι από τη φύση θα δώσουν την ευκαιρία προσέγγισης των βιολογικών αντιδραστικών πρακτόρων, εστιάζοντας στη συναισθηματική συλλογιστική και την προσομοίωση της συλλογικής συναισθηματικής νοημοσύνης.

Η Βαθιά Μάθηση αποτελεί ένα επίκαιρο θέμα με πολλαπλά πεδία εφαρμογής στη βιομηχανία και τις επιχειρήσεις. Αποτελεί επέκταση των Νευρωνικών Δικτύων (ΝΔ) που περιλαμβάνει νέες εξελίξεις στους αλγορίθμους εκπαίδευσης και αξιοποιεί την ευελιξία της υπολογιστικής ισχύος και της αποθήκευσης δεδομένων στο υπολογιστικό νέφος (cloud). Η ενότητα εισάγει συνοπτικά τα νευρωνικά δίκτυα, εξηγώντας τον τρόπο λειτουργίας, εκπαίδευσης και ανάπτυξής τους. Επιπλέον, εξετάζει τις πρόσφατες εξελίξεις στους αλγορίθμους εκπαίδευσης, τις δομές νευρωνικών δικτύων και την ανάπτυξη στο cloud, καταλήγοντας στην πρακτική εφαρμογή των λύσεων Τεχνητής Νοημοσύνης που πλέον ονομάζουμε Βαθιά Μάθηση.

Σκοπός αυτής της ενότητας είναι να δώσει στους φοιτητές την ευκαιρία να ενσωματώσουν και να εφαρμόσουν τις δεξιότητες και τις γνώσεις που απέκτησαν κατά τη διάρκεια των σπουδών τους σε ένα ρεαλιστικό πρόβλημα. Οι φοιτητές έρχονται σε επαφή με τις διαδικασίες που εμπλέκονται στην ομαδική ανάπτυξη λογισμικού μέσω πραγματικών έργων που παρέχονται από εταιρείες του κλάδου.

Για τη διπλωματική εργασία, οι φοιτητές εργάζονται ατομικά σε ένα έργο υπό την επίβλεψη ενός λέκτορα. Αναπτύσσουν μια λύση λογισμικού για ένα πραγματικό πρόβλημα χρησιμοποιώντας τις γνώσεις που απέκτησαν από όλες τις ενότητες και από εξωτερικές πηγές. Στο τέλος, οι φοιτητές θα έχουν καλλιεργήσει ερευνητικές δεξιότητες που θα τους βοηθήσουν στην περαιτέρω εξέλιξή τους ως εμπειρογνώμονες στην ΤΝ και την Επιστήμη Δεδομένων.

Η συγκεκριμένη ενότητα αποσκοπεί στο να βοηθήσει τους φοιτητές να αποκτήσουν δεξιότητες και γνώσεις για την ανάπτυξη λογισμικού στη βιομηχανία. Παρέχει θεμελιώδεις γνώσεις σχετικά με τις ευέλικτες διαδικασίες (agile processes) και τις πρακτικές συνεχούς διαχείρισης ποιότητας λογισμικού, καθώς και πρακτική εμπειρία σε βιομηχανικά εργαλεία για τη συνεχή ενοποίηση, διάθεση και παράδοση προϊόντων λογισμικού (continuous integration, deployment and delivery).

Μέσω αυτής της ενότητας, οι φοιτητές αναπτύσσουν τις ερευνητικές τους δεξιότητες και προετοιμάζονται για την εκπόνηση της μεταπτυχιακής τους διατριβής. Με την καθοδήγηση των επιβλεπόντων τους, εισάγονται σε ερευνητικά θέματα και τεχνικές που χρησιμοποιούνται συνήθως στην έρευνα της τεχνολογίας λογισμικού. Οι φοιτητές ασκούνται στις αρχές συγγραφής εκθέσεων, βιβλιογραφικής ανασκόπησης, καθώς και σε ερευνητικούς σχεδιασμούς και προσεγγίσεις.

Η Τεχνητή Νοημοσύνη (ΤΝ) στοχεύει στην κατασκευή ευφυών μηχανών που επιδεικνύουν ανθρωπόμορφη συμπεριφορά. Η ενότητα διερευνά τις επαγγελματικές, νομικές και ηθικές διαστάσεις κατά την ανάπτυξη τέτοιων δυνατοτήτων στις επιχειρήσεις και την κοινωνία. Συζητά τα προαναφερθέντα ζητήματα υπό το πρίσμα της ευαισθητοποίησης και της διαμόρφωσης επαγγελματιών Υπεύθυνης Πληροφορικής (Responsible Computing – RC) που θα καθορίσουν τη μελλοντική εξέλιξη της Ψηφιακής Κοινωνίας. Επιπλέον, εξετάζει περιπτώσεις σε διάφορους τομείς εφαρμογής της ΤΝ (όπως Εξόρυξη Δεδομένων, Ανάκτηση Πληροφοριών, Συστήματα Συστάσεων, Επεξεργασία Φυσικής Γλώσσας (NLP), ανάλυση κοινωνικών δικτύων και εξόρυξη κειμένου) με γνώμονα την υπεύθυνη ανάπτυξή τους και τηρώντας τις Κατευθυντήριες Γραμμές Δεοντολογίας για Αξιόπιστη ΤΝ της ΕΕ.

Αυτή η ενότητα διερευνά μια σειρά από τα πλέον σχετικά θέματα που αφορούν τις σύγχρονες πρακτικές ανάλυσης, τεχνολογίες και εργαλεία για περιβάλλοντα Μεγάλων Δεδομένων. Κύριες πτυχές και προκλήσεις των Μεγάλων Δεδομένων θα αντιμετωπιστούν μέσω της εισαγωγής σχετικών αλγορίθμων και πρακτικών. Επιπλέον, το μάθημα παρέχει λεπτομερή περιγραφή και πρακτική εμπειρία σε λογισμικό ανοικτού κώδικα αιχμής, όπως τα Apache Hadoop, Apache Kafka κ.λ.π. Οι φοιτητές θα εισαχθούν σταδιακά στις έννοιες, τους αλγορίθμους και τις τεχνικές που καλύπτουν βασικά θέματα Μεγάλων Δεδομένων και θα χρησιμοποιήσουν εκτενώς το Apache Spark και την Python για τις εργασίες τους.

Η Μηχανική Μάθηση (MM) είναι το τμήμα της Τεχνητής Νοημοσύνης (TN) που μελετά τον τρόπο με τον οποίο οι υπολογιστές χτίζουν εμπειρία και μαθαίνουν αυτόνομα από τα δεδομένα. Η ενότητα ακολουθεί την τυπική ταξινόμηση της μηχανικής μάθησης για την οργάνωση προβλημάτων και την εφαρμογή τεχνικών επίλυσης, παρέχοντας μια εμπεριστατωμένη θεμελίωση στη θεωρία και την εφαρμογή της.

Η ενότητα εισάγει τους φοιτητές στα θεμελιώδη στοιχεία, τις έννοιες και τις τεχνικές που εμπλέκονται στις εφαρμογές της Επιστήμης Δεδομένων. Οι φοιτητές αποκτούν αρχικά μια εμπεριστατωμένη κατανόηση των πιθανοτήτων, της στατιστικής και των εννοιών της Γραμμικής Άλγεβρας που απαιτούνται στην Επιστήμη Δεδομένων. Επιπλέον, αποκτούν εμπειρία στον καθαρισμό, τον μετασχηματισμό, την ανάλυση και την οπτικοποίηση δεδομένων. Η ενότητα διαθέτει πρακτική διάσταση μέσω της χρήσης κατάλληλης γλώσσας προγραμματισμού.