Python και Τεχνητή Νοημοσύνη: Από το Coding στην Καινοτομία
Η γλώσσα προγραμματισμού Python αποτελεί το θεμέλιο για την ανάπτυξη εφαρμογών τεχνητής νοημοσύνης στη σύγχρονη εποχή. Το πρόγραμμα “Python και Τεχνητή Νοημοσύνη: Από το Coding στην Καινοτομία” εισάγει τους συμμετέχοντες τόσο στις βασικές αρχές προγραμματισμού με Python όσο και στις εφαρμογές της στον τομέα της ΤΝ.
Βασικά στοιχεία
📅 Διάρκεια: 2 μήνες (96 ώρες). Από 12/1/2026 έως 8/3/2026.
🎓 Πιστοποίηση: Πιστοποιητικό Επιμόρφωσης με 3.2 ECTS.
💻 Τρόπος: Εξ αποστάσεως, ασύγχρονη εκπαίδευση.
💰 Κόστος: 200€ (με δωρεάν bonus πρόγραμμα Σύνταξης Βιογραφικού).
🔹 Περιγραφή Προγράμματος
Μέσα σε 8 εβδομάδες εκπαίδευσης, οι συμμετέχοντες θα εξοικειωθούν με βασικές έννοιες προγραμματισμού, διαχείρισης δεδομένων και αντικειμενοστραφούς προγραμματισμού, και θα προχωρήσουν στην υλοποίηση έργων μηχανικής μάθησης, αξιοποιώντας ισχυρές βιβλιοθήκες Python.
Το πρόγραμμα συνδυάζει θεωρητική κατάρτιση και πρακτική εξάσκηση, εστιάζοντας στην ανάπτυξη λειτουργικών και καινοτόμων λύσεων με χρήση σύγχρονων εργαλείων τεχνητής νοημοσύνης.
Το πρόγραμμα απευθύνεται σε φοιτητές, επαγγελματίες της πληροφορικής και στελέχη επιχειρήσεων που επιθυμούν να αποκτήσουν γνώσεις προγραμματισμού σε Python και να αναπτύξουν εφαρμογές τεχνητής νοημοσύνης με πρακτικό τρόπο. Παράλληλα, αποτελεί ιδανική επιλογή για εκπαιδευτικούς που ενδιαφέρονται για μοριοδότηση σε ΙΕΚ, ΣΔΕ και άλλους εκπαιδευτικούς φορείς.
🔹 Μαθησιακοί Στόχοι
Με την ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα μπορούν να:
- Κατανοούν τις βασικές αρχές προγραμματισμού με Python και τη σημασία της για την ανάπτυξη εφαρμογών Τεχνητής Νοημοσύνης.
- Χειρίζονται βασικές δομές δεδομένων και να αναπτύσσουν αντικειμενοστραφή κώδικα.
- Χρησιμοποιούν βιβλιοθήκες Python όπως NumPy, Pandas, Matplotlib και Scikit-learn για ανάλυση και επεξεργασία δεδομένων.
- Αναπτύσσουν και αξιολογούν βασικά μοντέλα μηχανικής μάθησης με τη χρήση Python.
- Δημιουργούν και εκπαιδεύουν απλά τεχνητά νευρωνικά δίκτυα χρησιμοποιώντας το Keras και το TensorFlow.
- Ενσωματώνουν ηθικές πρακτικές και να αναγνωρίζουν προκλήσεις που σχετίζονται με την ανάπτυξη εφαρμογών τεχνητής νοημοσύνης.
- Σχεδιάζουν και υλοποιούν ολοκληρωμένα μικρά έργα τεχνητής νοημοσύνης, συνδυάζοντας προγραμματισμό, μηχανική μάθηση και βαθιά μάθηση (Deep Learning).
🔹 Διδακτικές Ενότητες
Ενότητα 1: Εισαγωγή στην Python και Βασικές Έννοιες Προγραμματισμού
- Τι είναι η Python και γιατί τη χρησιμοποιούμε.
- Εγκατάσταση περιβάλλοντος ανάπτυξης (Anaconda, Jupyter, VS Code).
- Βασικές εντολές και μεταβλητές.
- Τύποι δεδομένων: ακέραιοι, δεκαδικοί, συμβολοσειρές, λογικές τιμές.
- Είσοδος και έξοδος δεδομένων.
Ενότητα 2: Ροή Εκτέλεσης και Δομές Δεδομένων
- Συνθήκες (if, elif, else) και λογικές εκφράσεις.
- Βρόχοι επανάληψης (for, while).
- Λίστες, πλειάδες, λεξικά, σύνολα.
- Βασικές ενσωματωμένες συναρτήσεις.
- Εισαγωγή σε custom συναρτήσεις.
Ενότητα 3: Αντικειμενοστραφής Προγραμματισμός (OOP) και Διαχείριση Αρχείων
- Δημιουργία και χρήση κλάσεων και αντικειμένων.
- Ιδιότητες και μέθοδοι.
- Κληρονομικότητα και πολυμορφισμός.
- Διαχείριση αρχείων: διάβασμα/εγγραφή κειμένων, CSV, JSON.
Ενότητα 4: Python για Δεδομένα – Εισαγωγή σε NumPy και Pandas
- Τι είναι η επιστήμη δεδομένων (Data Science).
- Βασικές λειτουργίες σε πίνακες NumPy.
- Ανάλυση και επεξεργασία δεδομένων με Pandas (Series και DataFrames).
- Καθαρισμός και μετασχηματισμός δεδομένων.
Ενότητα 5: Οπτικοποίηση Δεδομένων και Βασικές Στατιστικές Αναλύσεις
- Δημιουργία γραφημάτων με Matplotlib.
- Προχωρημένα γραφήματα με Seaborn.
- Περιγραφική στατιστική με Python.
- Προετοιμασία δεδομένων για μηχανική μάθηση.
Ενότητα 6: Εισαγωγή στη Μηχανική Μάθηση με Scikit-learn
- Τι είναι η Μηχανική Μάθηση (Machine Learning).
- Διαχωρισμός δεδομένων: εκπαίδευση και έλεγχος.
- Supervised Learning: Ταξινόμηση (Logistic Regression, Decision Trees).
- Unsupervised Learning: Ομαδοποίηση (K-Means).
Ενότητα 7: Εισαγωγή στα Νευρωνικά Δίκτυα με Keras και TensorFlow
- Θεωρητική Εισαγωγή στα Νευρωνικά Δίκτυα.
- Εισαγωγή στο TensorFlow και το Keras.
- Δημιουργία και Εκπαίδευση Νευρωνικού Δικτύου.
- Δημιουργία απλού νευρωνικού δικτύου.
Ενότητα 8: Τελικό Project
- Σχεδιασμός και ανάπτυξη ολοκληρωμένης εφαρμογής τεχνητής νοημοσύνης με τη χρήση Python.
- Τελική ανασκόπηση και αποτίμηση δεξιοτήτων.
🔹 Διδάσκοντες
Δρ Αλέξανδρος Τζάλλας
Δρ Ιωάννης Στύλιος
Δρ Ματίνα Ζέρβα
Πιστοποίηση
Με την επιτυχή ολοκλήρωση απονέμεται Πιστοποιητικό Επιμόρφωσης με 3.2 ECTS, αναγνωρισμένο στην Ελλάδα και στην Ευρώπη.