2ο Κάλεσμα

Επιχειρηματικότητα και Καινοτομία

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

  • Να κατανοούν τις βασικές έννοιες της καινοτομίας.

  • Να κατανοούν τις βασικές έννοιες της επιχειρηματικότητας (επιχειρηματικός καμβάς, επιχειρηματικό πλάνο).

  • Να επινοούν καινοτόμες ιδέες.

  • Να διαχειρίζονται καινοτομία και επιχειρηματικότητα.

  • Να κατανοούν την τεχνολογική καινοτομία και επιχειρηματικότητα με έμφαση στο ανοικτό λογισμικό και τις ανοικτές τεχνολογίες ως φορέα καινοτομίας.

  • Να γνωρίζουν τα διαθέσιμα εργαλεία χρηματοδότησης.

  • Να διενεργούν επισκόπηση σύγχρονων τεχνολογικών περιοχών και περιοχών εφαρμογών προς ανάπτυξη καινοτομίας και επιχειρηματικότητας.

  • Να εντοπίζουν, διερευνούν και αναπτύσσουν καινοτόμες ιδέας με αξιοποίηση ανοικτών τεχνολογιών.

  • Να μετατρέπουν καινοτομία σε επιχειρηματική ιδέα.

  • Να σχεδιάζουν και να δημιουργούν επιχειρηματικό καμβά.

  • Να σχεδιάζουν και να δημιουργούν επιχειρηματικό πλάνο.

Περιεχόμενο Μαθήματος

Έννοια της Καινοτομίας. Τρόποι ανάπτυξη καινοτομίας. Παραδείγματα καινοτόμων ιδεών. Επιχειρηματικότητα. Επιχειρηματικό Πλάνο. Καινοτομία και Επιχειρηματικότητα, ευκαιρίες που προσφέρουν οι ανοικτές ψηφιακές τεχνολογίες. Κατάρτιση επιχειρηματικού πλάνου.

Λέξεις Κλειδιά

Καινοτομία, Παραγωγή Καινοτομίας, Επιχειρηματικότητα, Ανοικτές Τεχνολογίες, Επιχειρηματικό Πλάνο, Χρηματοδότηση

Ασφάλεια Λογισμικού

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

  • Να γνωρίζουν τις βασικές αρχές ασφάλειας πληροφοριακών συστημάτων, λογισμικού, δικτύων. Να γνωρίζουν τις μετρικές και τεχνικές ασφάλειας.

  • Να γνωρίζουν μηχανισμούς ενίσχυσης ασφάλειας.

  • Να γνωρίζουν τη σημασία ανοικτότητας στην ασφάλεια.

  • Να γνωρίζουν ανοικτά εργαλεία ενίσχυσης ασφάλειας.

Περιεχόμενο Μαθήματος

Μηχανισμοί ασφάλειας, Πάροχοι ασφάλειας, Λίστες ελέγχου προσπέλασης, Συνόψεις μηνυμάτων, Κρυπτογραφία, Ψηφιακές υπογραφές, Ψηφιακά πιστοποιητικά, Αρχιτεκτονική ασφάλειας της Java, Ασφάλεια εφαρμογών λογισμικού. Θέματα ασφάλειας στη διαχείριση δικτύων, διακομιστών και ομάδων χρηστών. Παραδείγματα παραβίασης ασφάλειας σε ανοικτό και εμπορικό λογισμικό. Πρωτόκολλο Kerberos. Ασφάλεια με τη διανομή Linux/OpenSuse.

Λέξεις Κλειδιά

Μηχανισμοί ασφάλειας, Ασφάλεια εφαρμογών λογισμικού

Διδακτική Πληροφορικής με έμφαση στη χρήση ανοικτού λογισμικού

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

  • Να κατανοούν τις αρχές οργάνωσης της διδασκαλίας και διδακτικής της Πληροφορικής στην πρωτοβάθμια και δευτεροβάθμια Εκπαίδευση.

  • Να γνωρίζουν γενικές μεθόδους διδακτικής θεμάτων αλγοριθμικής και προγραμματισμού. Να γνωρίζουν καινοτόμες μεθόδους για την εκμάθηση προγραμματισμού (εκπαιδευτική ρομποτική, απτικές διεπαφές).

  • Να γνωρίζουν λογισμικό για τη διδακτική θεμάτων Πληροφορικής σε Δημοτικό, Γυμνάσιο, Λύκειο.

  • Να οργανώνουν (σχεδίαση και υλοποίηση) τη διδασκαλία σε θέματα Πληροφορικής σε περιβάλλον σχολείου Α/θμιας ή Β/θμιας Εκπαίδευσης.

Περιεχόμενο Μαθήματος

Η Πληροφορική στην εκπαίδευση (ως γνωστικό αντικείμενο και εκπαιδευτικό μέσο). Το πρόγραμμα σπουδών Πληροφορικής στην Ελληνική εκπαίδευση: Διαθεματικό Ενιαίο Πλαίσιο Προγράμματος Σπουδών (ΔΕΠΠΣ). Η Πληροφορική στο Γυμνάσιο, στο Λύκειο και στην Επαγγελματική Εκπαίδευση (Βασικοί άξονες διδασκαλίας, Αναλυτικό πρόγραμμα, Κύκλοι σπουδών). Θεωρητικό πλαίσιο της διδακτικής (Διδακτικός μετασχηματισμός εννοιών της Πληροφορικής, Νοητικά μοντέλα και αναπαραστάσεις της Πληροφορικής, Τύποι γνώσεων στον προγραμματισμό. Οι έννοιες της μεταβλητής, της επιλογής & της επανάληψης). Διδακτικές μέθοδοι για τη διδασκαλία προγραμματιστικών εννοιών: Εννοιολογικοί χάρτες, Αξιοποίηση Logo-like περιβαλλόντων, Παιχνίδι ρόλων & αξιοποίηση αναλογιών στη διδακτική εννοιών Πληροφορικής, Μάθηση βασισμένη στο Παιχνίδι (computer games), Εκπαιδευτική Ρομποτική (χρήση NXT Lego Robots), Απτικές διεπαφές (tangible interfaces). Συνεργασία στην εκμάθηση προγραμματισμού (pair programming). Υπολογιστική Σκέψη. Σύγχρονα τεχνολογικά περιβάλλοντα για εισαγωγικό προγραμματισμό και υπολογιστική σκέψη.

Λέξεις Κλειδιά

Διδακτική πληροφορικής, Αναπαραστάσεις, Εκπαιδευτική ρομποτική, Υπολογιστική Σκέψη

Θεωρίες Μάθησης και Εκπαιδευτικό Λογισμικό

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

  • Να περιγράφουν τα χαρακτηριστικά των σύγχρονων επιστημονικών θεωριών μάθησης

  • Να κατανοούν την επίδρασή των θεωριών μάθησης στη σχεδίαση εκπαιδευτικού λογισμικού.

  • Να εξηγούν τα λειτουργικά και δομικά χαρακτηριστικά των διαφόρων κατηγοριών λογισμικών.

  • Να συσχετίζουν λειτουργικά και δομικά χαρακτηριστικά των διαφόρων κατηγοριών λογισμικών με τις θεωρίες μάθησης και τα αντίστοιχα διδακτικά μοντέλα.

  • Να εφαρμόζουν αντικειμενοστρεφείς τεχνικές προγραμματισμού σε γλώσσα προγραμματισμού Python για την ανάπτυξη λογισμικού στο οποίο θα υλοποιούνται ιδέες της θεωρίας του μαθήματος (όπως, μαθησιακή προσομοίωση, έξυπνοι (smart) αλγόριθμοι για τη μάθηση, κ.λπ.)

Περιεχόμενο Μαθήματος

(α) Θεωρίες Μάθησης

  • Βασικές έννοιες και ορισμοί: Νόηση και Μάθηση, Αναπαράσταση, Μάθηση και Εκπαίδευση, Θεωρία Μάθησης και Διδακτικό Μοντέλο, Τεχνολογία & Τεχνολογικά Ενισχυόμενη Μάθηση, Θεωρίες Μάθησης & Εκπαιδευτικό Λογισμικό.

  • Συμπεριφορισμός: Ιστορικά στοιχεία, Συντελεστική εξάρτηση, Επίδραση στην εκπαιδευτική τεχνολογία, Προγραμματισμένη διδασκαλία, Λογισμικά "Drill 'n' Practice")

  • Γνωσιακές θεωρίες: Ιστορικά στοιχεία, Η Αναπαραστασιακή Θεώρηση & Θεωρία Επεξεργασίας Πληροφορίας, Γνωσιακές Θεωρίες και Σχεδίαση Εκπαιδευτικού Λογισμικού, Θεωρία Γνωσιακής Ευελιξίας, Θεωρία διπλής κωδικοποίησης και Πολυμεσική μάθηση.

  • Εποικοδομισμός: Ιστορικά στοιχεία, Ανακαλυπτική/Διερευνητική μάθηση, Λογισμικά τύπου προσομοίωσης, μικρόκοσμου & μοντελοποίησης, Διερευνητική μάθηση με χρήση προσομοιώσεων.

  • Κοινωνικός εποικοδομισμός: Κοινωνιο-πολιτισμική θεώρηση, Ζώνη επικείμενης ανάπτυξης, Συνεργατική μάθηση με την Υποστήριξη Υπολογιστή (ΣΜΥΥ), Τεχνολογίες Μαθησιακής Σχεδίασης (Learning Design).

  • Κολεκτιβισμός: Συμμετοχικός Ιστός 2.0. Κοινωνικά δίκτυα και μάθηση/εκπαίδευση. Wikis, Ιστολόγια (Blogs) και εκπαιδευτική χρήση. Μάθηση με φορητές συσκευές.

  • Κονστραξιονισμός: Εμπειρική μάθηση, Papert & Logo-like εργαλεία, Εκπαιδευτική ρομποτική, Παιχνιδοκεντρική μάθηση (ψηφιακά παιχνίδια, παιχνιδοποίηση).

(β) Πρακτικό – εργαστηριακό μέρος. Εισαγωγή στον προγραμματισμό με την γλώσσα προγραμματισμού Python:

  •  Δομή προγράμματος. Τύποι δεδομένων και τελεστές. Παρουσίαση της γλώσσας.

  • Βασικές δομές προγραμματισμού (επανάληψη και επολογή). Ευσαγωγή στη συγγραφή κώδικά με την γλώσσα προγραμματισμού Python.

  • Δομές Δεδομένων στην γλώσσα προγραμματισμού Python (Λίστα, Λεξικό, Ομάδα, Σύνολο.

  • Συναρτήσεις στην γλώσσα προγραμματισμού Python και υλοποίηση αλγορίθμων αναζήτησης και ταξινόμησης.

  • Αντικειμενοστρεφής προγραμματισμός με την στην γλώσσα προγραμματισμού Python.

  • Σύνδεση με εξωτερικές βιβλιοθήκες, Πολυμεσικές διαδραστικές εφαρμογές με Pygame.

Λέξεις Κλειδιά

Θεωρία Μάθησης, Συμπεριφορισμός, Γνωστικισμός, Εποικοδομισμός, Κοινωνικός Εποικοδομισμός, Συνδεσιασμος, Python.

Μαθησιακή Αναλυτική με Python

Μαθησιακά Αποτελέσματα

Μετά την επιτυχή παρακολούθηση του μαθήματος οι φοιτητές/-τριες θα μπορούν:

  • Να εξηγούν τις βασικές έννοιες του πεδίου και τις μεταξύ τους σχέσεις

  • Να εξηγούν τις διάφορες μεθόδους ανάλυσης δεδομένων μάθησης και το είδος προβλημάτων στα οποία εφαρμόζονται (γενικότερα και όχι μόνο σε δεδομένα μάθησης)

  • Να εφαρμόζουν τεχνικές ανάλυσης δεδομένων (επεξηγηματικής όσο και προγνωστικής) σε περιβάλλον Python γράφοντας κώδικα όπου θα χρησιμοποιούν βιβλιοθήκες όπως: numpy, scipy, matplotlib, statsmodels, scikit.

  • Να ολοκληρώνουν ένα έργο ανάλυσης δεδομένων ερμηνεύοντας τα αποτελέσματα ώστε να καταλήξουν σε χρήσιμα συμπεράσματα

  • Να εφαρμόζουν ένα πλαίσιο ηθικά ορθής πρόσκτησης και αξιοποίησης δεδομένων (ethics)

Περιεχόμενο Μαθήματος

Το μάθημα παρουσιάζει τη Θεωρία και Πρακτική του καινοτόμου ερευνητικού πεδίου της Ανάλυσης Δεδομένων Μάθησης (ή Μαθησιακή Αναλυτική, στα Αγγλικά: Learning Analytics) που εφαρμόζει μεθόδους ανάλυσης σε δεδομένα διαδράσεων οι οποίες συμβαίνουν σε περιβάλλοντα μάθησης (learning interactions). Οι φοιτητές/-τριες:

  • Θα γνωρίσουν τις κύριες μεθόδους της Ανάλυσης Δεδομένων Μάθησης με έμφαση στους στόχους που θέτει η καθεμιά και το είδος των προβλημάτων που αντιμετωπίζει. Ακόμη θα γνωρίσουν τεχνικές για τη σχεδίαση διεπαφών τύπου "Πίνακα Ελέγχου" (Dashboard) για τα δεδομένα της ανάλυσης.

  • Θα μάθουν να υλοποιούν τεχνικές ανάλυσης δεδομένων (επεξηγηματικής και προγνωστικής, πχ. t-test, ANOVA, linear & logistic regression, classification, clustering, κλπ.) σε περιβάλλον Python (θα γίνει χρήση του Jupyter Notebook και βιβλιοθηκών όπως numpy, scipy, matplotlib, pandas, και scikit).Οι τεχνικές αυτές έχουν γενικότερη αξία καθώς μπορούν να εφαρμοστούν σε κάθε περίπτωση ανάλυσης δεδομένων και όχι μόνον μάθησης.

Λέξεις Κλειδιά

Ανάλυση δεδομένων μάθησης, Μαθησιακή αναλυτική, Προγνωστική μοντελοποίηση, Python libraries, Ηθική διαχείριση δεδομένων