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. Το Π.Μ.Σ. απονέμει Δίπλωμα Μεταπτυχιακών Σπουδών (Δ.Μ.Σ.) με τίτλο «Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων» (“MSc in Artificial Intelligence and Data Analytics”), χωρίς ειδικεύσεις. Δείτε τον Οδηγό Σπουδών 2019-2020.

Σπουδές

Προετοιμασία για σπουδές διδακτορικού επιπέδου

Ποιότητα

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

Κόστος

Παροχή υψηλού επιπέδου δωρεάν μεταπτυχιακών σπουδών

Καριέρα

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

Δομή Προγράμματος

Το Π.Μ.Σ. διαρκεί τέσσερα (4) ακαδημαϊκά εξάμηνα. Τα δύο πρώτα, διάρκειας δεκατριών (13) πλήρων διδακτικών εβδομάδων, αφορούν τη διδασκαλία και εξέταση των μαθημάτων, ενώ τα δύο τελευταία αφορούν την εκπόνηση Διπλωματικής Εργασίας. Οι ελάχιστες διδακτικές ώρες ανά μάθημα είναι 39, συμπεριλαμβανομένης της εξέτασης.

Όλα τα μαθήματα του προγράμματος διδάσκονται 3 ώρες την εβδομάδα, είτε στην Ελληνική είτε στην Αγγλική γλώσσα.

Το Π.Μ.Σ. δεν παρέχει τη δυνατότητα μερικής φοίτησης.

Για την απόκτηση του Διπλώματος Μεταπτυχιακών Σπουδών ο μεταπτυχιακός φοιτητής θα πρέπει να παρακολουθήσει και να εξετασθεί επιτυχώς στα 8 υποχρεωτικά μαθήματα του Π.Μ.Σ. και να ολοκληρώσει επιτυχώς την εκπόνηση Διπλωματικής Εργασίας. Η παρακολούθηση και εξέταση των μαθημάτων γίνεται στα εξάμηνα Α’ και Β’. Μετά το πέρας της επαναληπτικής εξεταστικής του Σεπτεμβρίου ο φοιτητής μπορεί να αναλάβει Διπλωματική Εργασία, εφόσον χρωστά μέχρι 2 μαθήματα, ωστόσο η εξέταση στη Διπλωματική Εργασία γίνεται μόνον εφόσον έχει εξετασθεί επιτυχώς σε όλα τα μαθήματα. Η εξέταση στη Διπλωματική Εργασία θα πραγματοποιείται αμέσως μετά τις εξεταστικές περιόδους των μαθημάτων και όχι πριν από την πρώτη εξεταστική περίοδο του Δ’ εξαμήνου.

Το σύνολο των Πιστωτικών Μονάδων των μαθημάτων του Π.Μ.Σ. είναι 120 πιστωτικές μονάδες (ECTS) και συγκεκριμένα 30 πιστωτικές μονάδες (ECTS) ανά εξάμηνο, δηλαδή 7,5 πιστωτικές μονάδες (ECTS) ανά μάθημα και 60 πιστωτικές μονάδες (ECTS) για τη Διπλωματική Εργασία. Οι πιστωτικές μονάδες σύμφωνα με το Ευρωπαϊκό Σύστημα Μεταφοράς και Συσσώρευσης Ακαδημαϊκών Μονάδων – European Credit Transfer System (ECTS) έχουν ως εξής:
Α’ Έτος – Α’ εξάμηνο: 4 μαθήματα x 7,5 ECTS=30 ECTS
Α’ Έτος – Β’ εξάμηνο: 4 μαθήματα x 7,5 ECTS=30 ECTS
Β’ Έτος – Α’ εξάμηνο: Διπλωματική Εργασία=30 ECTS
Β’ Έτος – Β’ εξάμηνο: Διπλωματική Εργασία=30 ECTS
ΣΥΝΟΛΟ ΠΙΣΤΩΤΙΚΩΝ ΜΟΝΑΔΩΝ 120 ECTS

Η μέγιστη χρονική διάρκεια για την απονομή του Διπλώματος Μεταπτυχιακών Σπουδών ορίζεται σε έξι (6) εξάμηνα. Με απόφαση της Συνέλευση του Τμήματος είναι δυνατή η παράταση της μέγιστης χρονικής διάρκειας για δύο (2) ακόμη εξάμηνα, κατόπιν αίτησης του φοιτητή. Μετά την έγκριση της παράτασης ανανεώνεται η εγγραφή του μεταπτυχιακού φοιτητή στο Π.Μ.Σ.

Κατόπιν αίτησης μεταπτυχιακού φοιτητή, είναι δυνατόν να του χορηγηθεί αναστολή φοίτησης, με απόφαση της Συνέλευσης του Τμήματος, για μέχρι δύο διδακτικά εξάμηνα και μόνο για αποδεδειγμένα σοβαρούς λόγους (π.χ. υγείας, στράτευσης, οικογενειακούς λόγους). Στην αίτηση πρέπει να αναγράφονται τα εξάμηνα για τα οποία αιτείται ο φοιτητής την αναστολή φοίτησης καθώς και οι λόγοι, οι οποίοι πρέπει να τεκμηριώνονται με τα σχετικά δικαιολογητικά. Η διάρκεια αναστολής φοίτησης δεν προσμετράται στο συνολικό χρόνο φοίτησης στο Πρόγραμμα Μεταπτυχιακών Σπουδών.

Μαθήματα

Α' Εξάμηνο

Πιθανότητα (ενδεχόμενα, διακριτές τ. μεταβλητές, από κοινού και υπο συνθήκη κατανομές). Διακριτά δίκτυα πεποιθήσεων, συμπερασματική. Εκτίμηση παραμέτρων: Μέγιστη Πιθανοφάνεια. Μοντέλα λανθάνουσων μεταβλητών (μίγματα μοντέλων, αλγόριθμος ΕΜ, Ανάλυση παραγόντων, Ανάλυση Ανεξάρτητων Συνιστωσών – ICA). Δυναμικά μοντέλα λανθάνουσων μεταβλητών (κρυφά Μαρκοβιανά μοντέλα, φίλτρα Kalman). Θεωρία Πληροφορίας: Εντροπία, αμοιβαία πληροφορία, κωδικοποίηση πηγής, Kullback-Leiblerdivergence. Προσεγγιστική συμπερασματική: MCMC, μέθοδοι μεταβολών (Variational Methods). Μέθοδοι δειγματοληψίας. Μπεϋσιανές μέθοδοι για συμπερασματική παραμέτρων και σύγκριση υποδειγμάτων.

Εφαρμοσμένα μαθηματικά (ανασκόπηση βασικών εννοιών – γραμμική άλγεβρα, θεωρία πιθανοτήτων και πληροφορίας, αριθμητικοί υπολογισμοί). Βασικές έννοιες μηχανικής μάθησης. Μηχανική μάθηση με δεδομένα μεγάλης κλίμακας. Μέθοδοι πυρήνων. Μηχανές διανυσμάτων υποστήριξης. Γραφηματικά μοντέλα. Συνεχείς λανθάνουσες μεταβλητές. Σειρές. Βαθιά δίκτυα, κανονικοποίηση παραμέτρων, βελτιστοποίηση. Συνελικτικά δίκτυα. Επαναλαμβανόμενα και αναδρομικά δίκτυα. Πρακτικές εφαρμογές. Μάθηση αναπαραστάσεων. Κωδικοποίηση/αποκωδικοποίηση. Πιθανοτικά μοντέλα. Βαθιά παραγωγικά μοντέλα (μηχανές Bolzmann). Τυπική θεωρία γλωσσών. Κανονικές εκφράσεις και αυτόματα. Λέξεις και μετατροπές. Επαυξημένες Γραμματικές. Συντακτική ανάλυση. Σημασιολογική ανάλυση. Ν-γράμματα. Στατιστική συντακτική ανάλυση. Αναζήτηση μέγιστης εντροπίας. Αναγνώριση ομιλίας. Στατιστική ανάλυση. Ταξινόμηση κειμένου. Αυτόματη μετάφραση. Αυτόματη περίληψη. Εξαγωγή δομημένης πληροφορίας από ελεύθερο κείμενο. Συστήματα διαλόγου. Δημιουργία φυσικής γλώσσας. Βιβλιοθήκες Python για επεξεργασία φυσικής γλώσσας.

Εισαγωγή στις μαθηματικές έννοιες και προηγμένες υπολογιστικές μεθόδους για ποσοτικά προβλήματα στη λήψη αποφάσεων στη μηχανική μάθηση και λήψη διοικητικών αποφάσεων. Παρουσίαση σύγχρονων μεθόδων βελτιστοποίησης, ευρετικών κατά κύριο λόγο, όπως απαγορευμένη αναζήτηση, προσομοίωση ανόπτηση, αναζήτηση μεταβλητής γειτνίασης, γενετικοί αλγόριθμοι, και αλγόριθμοι εμπνευσμένοι από τη φύση. Συζήτηση σχετικά με τεχνικές παράλληλων υπολογισμών για υπολογιστικά δύσκολα προβλήματα βελτιστοποίησης.

Αρχές των γραφημάτων ανάλυσης. Διερευνητικά γραφήματα. Συστήματα γραφημάτων στην R. Προχωρημένες τεχνικές γραφημάτων στην R (lattice και ggplot2). Τεχνικές συσταδοποίησης και απομείωσης των δεδομένων για την οπτικοποίηση δεδομένων πολύ υψηλών διαστάσεων. Ανάλυση Δεδομένων (με R και Python). Οπτικοποίηση Δεδομένων (με Tableau και D3.js). Storytelling με δεδομένα. Προχωρημένες τεχνικές οπτικοποίησης: χάρτες, δίκτυα, δεδομένα υψηλών διαστάσεων, κείμενο, διάδραση, animation και οπτική αναλυτική.

Β' Εξάμηνο

Δίκτυα υπολογιστών για δεδομένα μεγάλου όγκου (Computer networks for bgdata) Αρχιτεκτονικές Δικτύων Κέντρων Δεδομένων (Portland, SEATTLE). Εξισορρόπηση Φορτίου σε Κέντρα Δεδομένων (ECMP, Hedera). Δίκτυα Οριζόμενα μέσω Λογισμικού (SDN), Πρωτόκολλο OpenFlow. Διαχείριση Κέντρων Δεδομένων, Εικονική Μεταγωγή με το OpenvSwitch. Ενσωμάτωση Εικονικών Δικτυακών Τοπολογιών για την Ανάλυση Δεδομένων. Εργαστηριακές ασκήσεις στο Mininet.

Γλώσσες περιγραφής προβλημάτων σχεδιασμού (PDDL+, SAS). Σχεδιασμός μερικής διάταξης, βασισμένος σε γράφους, ως πρόβλημα ικανοποιησιμότητας, ιεραρχικός, στο χρόνο, με περιορισμούς πόρων. Ευρετικοί μηχανισμοί και αλγόριθμοι αναζήτησης. Μηχανική γνώσης για προβλήματα σχεδιασμού. Εργαλεία σχεδίασης/επικύρωσης πεδίων. Διεπαφές. Κατανεμημένος και πολυπρακτορικός σχεδιασμός. Σχεδιασμός μικτής πρωτοβουλίας. Πιθανοτικός σχεδιασμός, μη- αιτιοκρατικά περιβάλλοντα. Ολοκλήρωση σχεδιασμού, εκτέλεσης και παρακολούθησης. Σχεδιασμός και ρομποτική. Εύρεση μονοπατιών και σχεδιασμός κίνησης. Αναγνώριση πλάνων. Επεξήγηση πλάνων. Μάθηση μοντέλων. Εφαρμογές: Μεταφορές, διάστημα, ρομποτική, κατασκευές.

Βασικές έννοιες και θεωρίες εξόρυξης γνώσης και αναλυτικής δεδομένων σε σχέση με την εκπαίδευση. Εφαρμογή τεχνικών εξόρυξης δεδομένων και προγνωστικών αναλυτικών μεθόδων για τη βελτίωση των εκπαιδευτικών αποτελεσμάτων για φοιτητές και ιδρύματα. Επιλογή, προετοιμασία, εφαρμογή, ερμηνεία και αξιολόγηση μαθησιακών αναλυτικών μοντέλων. Οπτικοποιήσεις δεδομένων και dashboards για την ικανοποίηση των αναγκών των χρηστών σε όλο το εκπαιδευτικό σύστημα. Μελέτες περίπτωσης εξόρυξης γνώσης και αναλυτικής δεδομένων μάθησης: προσαρμοστικά συστήματα μάθησης, Συστήματα συστάσεων, MOOCs, συστήματα αυτό-διαχειριζόμενης μάθησης, ανάλυσης δεδομένων σε παιχνίδια σοβαρού σκοπού. Προκλήσεις της εκπαιδευτικής έρευνας στην τομή των γνωστικών περιοχών της εξόρυξης γνώσης και της αναλυτικής δεδομένων μάθησης.

Στόχος είναι η μελέτη, ανάλυση και εξόρυξη γνώσης από τον παγκόσμιο ιστό αλλά και τα κοινωνικά δίκτυα. Το μάθημα θα κινηθεί σε δύο άξονες την ανάλυση δικτύων και την εξόρυξη γνώσης από το web. Ο πρώτος άξονας εστιάζεται στη μέτρηση, ανάλυση και απεικόνιση των σχέσεων και των ροών ανάμεσα στις οντότητες που συμμετέχουν σε ένα δίκτυο με έμφαση στις ιδιότητες και εφαρμογές στον παγκόσμιο ιστό και τα κοινωνικά δίκτυα. Στο πλαίσιο της εξόρυξης γνώσης από τον ιστό, θα γίνει μελέτη μεθόδων και εργαλείων για την εξόρυξη γνώσης τόσο από το περιεχόμενο, τη δομή αλλά και τα δεδομένα χρήσης του παγκόσμιου ιστού με έμφαση στην διαχείριση μη σχεσιακών δεδομένων, όπως ημι-δομημένα με μορφή γραφημάτων ή και αδόμητα όπως το κείμενο.

Γ'/Δ'Εξάμηνο

 

 

     Διπλωματική Εργασία

Διδάσκοντες

Γεώργιος Ευαγγελίδης

Βάσεις δεδομένων, εξόρυξη γνώσης

Γιάννης Ρεφανίδης

Τεχνητή Νοημοσύνη, Σχεδιασμός, Μηχανική Μάθηση

Μάγια Σατρατζέμη

Δομές δεδομένων, αλγόριθμοι, δεδομένα εκπαίδευσης

Γεωργία Κολωνιάρη

Βάσεις & δομές δεδομένων

Ηλίας Σακελλαρίου

Ευφυή Πολυπρακτορικά Συστήματα, Γλώσσες Προγραμματισμού, Τεχνητή Νοημοσύνη

Άγγελος Σιφαλέρας

Βελτιστοποίηση, μεθευρετικές μέθοδοι

Παναγιώτης Παπαδημητρίου

Τεχνολογίες διαδικτύου, υπολογιστικό vέφος, μεγάλα δεδομένα

Νικόλαος Σαμαράς

Επιχειρησιακή έρευνα, βελτιστοποίηση, μηχανική μάθηση

Δημήτρης Χρήστου-Βαρσακέλης

Βελτιστοποίηση, λήψη αποφάσεων

Διαδικασία Εισαγωγής

Το πρόγραμμα θα λειτουργήσει για πρώτη φορά το ακαδημαϊκό έτος 2019-2020. Θα γίνουν δεκτοί/ές το πολύ δώδεκα (12) φοιτητές/τριες. Η περίοδος υποβολής αιτήσεων είναι από 2/5/2019 έως 5/7/2019. Κατεβάστε το έγγραφο της πρόσκλησης από εδώ.

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 ΤΕΙ συναφούς γνωστικού αντικειμένου.
Υποψηφιότητα μπορούν να θέσουν και τελειόφοιτοι προπτυχιακοί φοιτητές, οι οποίοι θα οφείλουν το πολύ τέσσερα (4) μαθήματα συν την πτυχιακή τους εργασία για την εξεταστική πριν από την έναρξη των μαθημάτων του Α ́ εξαμήνου. Η ενδεχόμενη αποδοχή τους θα γίνει υπό την προϋπόθεση της επιτυχούς περάτωσης των προπτυχιακών τους σπουδών πριν από την έναρξη του Α’ εξαμήνου, και εφόσον πληρούν όλες τις λοιπές προϋποθέσεις εισαγωγής στο Π.Μ.Σ.
Στο Π.Μ.Σ. γίνονται δεκτοί και αλλοδαποί υποψήφιοι, μετά από απόφαση της Συνέλευσης του Τμήματος, εφόσον πληρούν τις προϋποθέσεις εισαγωγής στο Π.Μ.Σ.

  1. Έντυπη αίτηση.

  2. Αναλυτικό βιογραφικό σημείωμα.

  3. Αντίγραφο πτυχίου ή διπλώματος (με βεβαίωση ισοτιμίας και αντιστοιχίας από το ΔΙΚΑΤΣΑ ή ΔΟΑΤΑΠ εφόσον πρόκειται για τίτλο της αλλοδαπής). 

  4. Αντίγραφο πιστοποιητικού αναλυτικής βαθμολογίας μαθημάτων προπτυχιακών ή/και μεταπτυχιακών σπουδών. Σε περίπτωση που πρόκειται για τίτλο αλλοδαπής απαιτείται το νόμιμα μεταφρασμένο και επικυρωμένο αντίγραφο. Στην περίπτωση που ο υποψήφιος δεν προσκομίσει αντίγραφο πτυχίου, θα λογίζεται ως βαθμός πτυχίου ο τρέχων μέσος όρος της αναλυτικής βαθμολογίας που κατατέθηκε για την αξιολόγηση της αίτησης του/της υποψήφιου/ας, και ο οποίος δεν αλλάζει μετά από την κατάθεση του αντίγραφου πτυχίου. 

  5. Δύο συστατικές επιστολές, κατά προτίμηση από μέλη ΔΕΠ.

  6. Πιστοποιητικό γνώσης αγγλικής γλώσσας. Απαιτείται εναλλακτικά (α) αποδεικτικό γνώσης αγγλικής γλώσσας επιπέδου Β2 (καλή γνώση) ή ανώτερο, σύμφωνα με το σύστημα του Συμβουλίου της Ευρώπης, το οποίο γίνεται αποδεκτό από το Ανώτατο Συμβούλιο Επιλογής Προσωπικού, ή (β) TOEFL (Test of English as a Foreign Language) με σκορ τουλάχιστον 72 στο Internet-based test, ή (γ) Απολυτήριο δευτεροβάθμιας ή Πτυχίο τριτοβάθμιας εκπαίδευσης από Αγγλόφωνο Πανεπιστήμιο (το οποίο έχει αναγνωρισθεί από το ΔΙΚΑΤΣΑ ή ΔΟΑΤΑΠ), ή (δ) Πτυχίο Αγγλικής Φιλολογίας. Για τους αλλοδαπούς μη κατόχους τίτλου ελληνόφωνης εκπαίδευσης απαιτείται επιπλέον πιστοποιητικό επάρκειας ελληνικής γλώσσας από Σχολείο Νέας Ελληνικής Γλώσσας ενός ΑΕΙ ή ελληνικό Απολυτήριο Δευτεροβάθμιας Εκπαίδευσης ή πτυχίο ελληνόφωνου Πανεπιστημιακού Τμήματος.

  7. Επιστημονικές δημοσιεύσεις, διακρίσεις, λοιποί τίτλοι σπουδών πλην του βασικού πτυχίου (εάν υπάρχουν).

  8. Αποδεικτικά επαγγελματικής εμπειρίας συναφούς προς το πεδίο ειδίκευσης (εάν υπάρχουν) με την προσκόμιση αναλυτικής κατάστασης ενσήμων.

  9. Φωτοτυπία αστυνομικής ταυτότητας ή διαβατηρίου.

 

Η αξιολόγηση των υποψηφίων γίνεται 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 βαθμολογίες (συντελεστές βαρύτητας), όλα σε δεκαβάθμια κλίμακα με δύο δεκαδικά ψηφία, είναι:

  1. Γενικός βαθμός βασικού πτυχίου (συντελεστής βαρύτητας: 50%). 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 της υποβολής της υποψηφιότητας, όπως αυτός πιστοποιείται από την αρμόδια γραμματεία. Ο βαθμός βασικού πτυχίου θα πολλαπλασιάζεται με τον συντελεστή βαρύτητας 50% και με τον κατά περίπτωση δείκτη συνάφειας. Οι δείκτες συνάφειας καθορίζονται ανάλογα με το Τμήμα προέλευσης των υποψηφίων και είναι οι ακόλουθοι: α) Δείκτης συνάφειας 1,0: πτυχιούχοι Πανεπιστημιακών Τμημάτων Πληροφορικής, Μηχανικών Η/Υ, ή Τμημάτων TEI Πληροφορικής, β) Δείκτης συνάφειας 0,7: πτυχιούχοι Πανεπιστημιακών Τμημάτων σχολών Θετικών Επιστημών (πλην Πληροφορικής) και Πολυτεχνικών Σχολών (πλην Μηχανικών Η/Υ), ή τμημάτων ΤΕΙ συναφούς γνωστικού αντικειμένου.
  2. Γνώση της αγγλικής γλώσσας (συντελεστής βαρύτητας 10%). Ο συντελεστής αυτός θα πολλαπλασιάζεται με τον κατά περίπτωση δείκτη επιπέδου. Οι δείκτες επιπέδου καθορίζονται ανάλογα με το επίπεδο γνώσης της αγγλικής γλώσσας, που αποδεικνύεται από τους αντίστοιχους τίτλους (ανεξάρτητα χρόνου απόκτησής τους) και είναι οι ακόλουθοι: α) Δείκτης επιπέδου 1: άριστη γνώση (Γ2/C2, για το TOEFL94 και άνω), β) Δείκτης επιπέδου 0,5: πολύ καλή γνώση (Γ1/C1, για το TOEFL85-93).
  3. Συναφής ερευνητική και επαγγελματική δραστηριότητα του υποψηφίου. (συντελεστής βαρύτητας 15%). Ο ακριβής τρόπος μέτρησης του κριτηρίου iii θα εξειδικεύεται στην πρόσκληση εκδήλωσης ενδιαφέροντος.

Ο συνολικός συντελεστής βαρύτητας στη δεύτερη φάση είναι 75%.

[3] Στην τρίτη φάση αξιολογείται η ειδικότερη καταλληλότητα του κάθε υποψηφίου για εισαγωγή στο Π.Μ.Σ., όπως αυτή προκύπτει από την παρουσία του σε συνέντευξη, την αξιολόγηση του βιογραφικού του, την κατάταξη του μεταξύ των συμφοιτητών του στο προπτυχιακό πρόγραμμα σπουδών, τις επιδόσεις του σε συναφή προς το Π.Μ.Σ. μαθήματα σε προπτυχιακό επίπεδο και την εκπόνηση συναφούς πτυχιακής εργασίας. Η αξιολόγηση κάθε υποψηφίου πραγματοποιείται από δύο τουλάχιστον μέλη της Επιτροπής Αξιολόγησης Υποψηφίων. (συντελεστής βαρύτητας 25%)

Συχνές Ερωτήσεις

ΟΧΙ. Μπορείτε να χρησιμοποιήσετε όποια μορφή επιθυμείτε.
ΟΧΙ. Υποβολές γίνονται μόνο ταχυδρομικά, σύμφωνα με την πρόσκληση.
ΟΧΙ ακόμη. Η επικοινωνία γίνεται μόνο ηλεκτρονικά, αποστέλλοντας email στο aida@uom.edu.gr.
Περιγράφονται αναλυτικά στον κανονισμό του ΠΜΣ, ο οποίος έχει δημοσιευτεί σε ΦΕΚ και μπορείτε να τον κατεβάσετε από την ιστοσελίδα του ΠΜΣ.
Πρωινές και μεσημεριανές.
Ναι. Επιτρέπεται περιορισμένος αριθμός απουσιών, σύμφωνα με τον Κανονισμό.
Διαρκεί 4 εξάμηνα, εκ των οποίων τα δύο πρώτα αφορούν παρακολούθηση μαθημάτων και τα δύο τελευταία εκπόνηση διπλωματικής εργασίας. Δεν μπορεί κανείς να τελειώσει νωρίτερα.
ΟΧΙ. Εφόσον σε μαθήματα προβλέπονται συγγράμματα, οι φοιτητές θα πρέπει να τα προμηθευτούν μόνοι τους και με νόμιμο τρόπο. Σε πολλές περιπτώσεις θα υπάρχουν περιορισμένα αντίγραφα διαθέσιμα στη βιβλιοθήκη του Πανεπιστημίου Μακεδονίας. Ωστόσο,μεγάλο μέρος της βιβλιογραφίας μπορεί να αφορά επιστημονικά άρθρα, στα οποία οι φοιτητές έχουν ηλεκτρονική πρόσβαση μέσω της βιβλιοθήκης του Πανεπιστημίου Μακεδονίας.