ΕΥΦΥΗΣ ΕΦΟΔΙΑΣΤΙΚΗ-ΔΙΑΧΕΙΡΙΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ

Πληροφορίες Μαθήματος
ΤίτλοςΕΥΦΥΗΣ ΕΦΟΔΙΑΣΤΙΚΗ-ΔΙΑΧΕΙΡΙΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ / SMART LOGISTICS AND SUPPLY CHAIN MANAGEMENT AND MACHINE LEARNING
Κωδικός10602-LSC-116
ΣχολήΚοινωνικών και Οικονομικών Επιστημών
ΤμήμαΟικονομικών Επιστημών
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΑθανάσιος Τσαδήρας
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600021122

Πρόγραμμα Σπουδών: ΜΕΤΑΠΤΥΧΙΑΚΟ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ (2024-2025)

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό215

Πρόγραμμα Σπουδών: ΜΕΤΑΠΤΥΧΙΑΚΟ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ (2024- ΣΗΜΕΡΑ) ΜΦ

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΕπιλογήςΕαρινό-5

Πρόγραμμα Σπουδών: ΜΕΤΑΠΤΥΧΙΑΚΟ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ (2024-σήμερα)

Εγγεγραμμένοι φοιτητές: 16
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΕπιλογής215
Πληροφορίες Τάξης
ΤίτλοςΕΥΦΥΗΣ ΕΦΟΔΙΑΣΤΙΚΗ-ΔΙΑΧΕΙΡΙΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ
Ακαδημαϊκό Έτος2025 – 2026
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Ώρες Συνολικά39
Class ID
600287221
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
  • Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
Γλώσσα Διδασκαλίας
  • Αγγλικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Σκοπός του μαθήματος είναι να παρουσιάσει στους φοιτητές τον τομέα της Μηχανικής Μάθησης και των Ευφυών Εφαρμογών L&SCΜ που μπορούν να αναπτυχθούν μέσω μεθόδων Εξόρυξης Δεδομένων και Τεχνητής Νοημοσύνης. Ολοκληρώνοντας το μάθημα, οι φοιτητές θα έχουν γνώση του τρόπου με τον οποίο μπορούν να εφαρμοστούν διάφοροι μέθοδοι Μηχανικής Μάθησης προκειμένου να αναπτύξουν ευφυείς εφαρμογές που επιλύουν διάφορα προβλήματα L&SCΜ, όπως κατηγοριοποίησης, συσταδοποίησης, συνεμφανίσεων και πρόβλεψης.
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
Περιεχόμενο Μαθήματος
Το μάθημα παρουσιάζει τα είδη προβλημάτων L&SCΜ που μπορούν να λυθούν με τη εφαρμογή τεχνικών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης. Παρουσιάζεται η μεθοδολογία Εξόρυξης Δεδομένων για Ανακάλυψη Γνώσης από δεδομένα L & SC ενώ μελετάται η χρήση Δέντρων Αποφάσεων για την πραγματοποίηση προβλέψεων. Καλύπτονται θέματα κατηγοριοποίησης με τη χρήση γραμμικών και μη γραμμικών διακριτικών συναρτήσεων (Logistic Regression, Support Vector Machine). Παρουσιάζεται η επίλυση προβλημάτων συσταδοποίησης δεδομένων L&SCΜ με τεχνικές όπως αυτή των κοντινότερων γειτόνων ή αυτών των k-mean. Εξετάζεται η ανακάλυψη κανόνων συσχέτισης από δεδομένα L & SC καθώς και η χρήση Νευρωνικών Δικτύων και Βαθιάς Μάθησης για προβλήματα πρόβλεψης στο τομέα L&SCΜ. Τέλος παρουσιάζονται οι τρέχουσες τάσεις στη Μηχανική Μάθηση και η συμβολή τους στο τομέα των ευφυών L&SCΜ
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις39✓
Εργαστηριακή Άσκηση45✓✓
Μελέτη και ανάλυση βιβλίων και άρθρων40✓
Συγγραφή εργασίας / εργασιών23✓
Εξετάσεις3✓
Σύνολο150
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτές εξετάσεις Εξετάσεις στο εργαστήριο Πληροφορικής Γραπτή εργασία
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
  • Γραπτή Εργασία (Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
• John D. Kelleher, et al. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies, 2nd Edition, the MIT Press,2020. • Provost, F. and Fawcett T., Data Science for Business, O’Reilly, 2013. • Nicolas Vandeput, Data Science for Supply Chain Forecasting, 2nd Edition, De Gruyte 2021. • Ramesh Sharda, Dursun Delen, Efraim Turban. Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson, 2017. • Matt Taddy, Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions, McGraw-Hill, 2019. • Ian H. Witten et al. Data Mining: Practical Machine Learning Tools and Techniques (Weka)- 4th Edition, Morgan Kaufmann, 2016.
Τελευταία Επικαιροποίηση
18-01-2024