3ο 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
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
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
Εισαγωγή στο Διαδίκτυο των πραγμάτων και στα ενσωματωμένα συστήματα
Αυτό το μάθημα έχει σαν στόχο να παρουσιάσει την σημασία του IoT στην κοινωνία, τα τρέχοντα στοιχεία τυπικών συσκευών IoT και τις τάσεις για το μέλλον. Θα καλυφθούν επίσης ζητήματα σχεδιασμού IoT, περιορισμοί και διασύνδεση μεταξύ του φυσικού κόσμου και των συσκευών. Θα καλυφθούν επίσης βασικά στοιχεία της δικτύωσης για να διασφαλιστεί ότι οι φοιτητές κατανοούν πώς να συνδέσουν τη συσκευή τους στο Διαδίκτυο
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:
Να ορίσουν τον όρο «Διαδίκτυο των πραγμάτων»
Να αναφερουν τις τεχνολογικές τάσεις που οδήγησαν στο IoT
Να περιγράψουν τον αντίκτυπο του IoT στην κοινωνία
Να ορίσουν τι είναι ένα ενσωματωμένο σύστημα όσον αφορά τη διεπαφή του
Να κατανοήσουν και να περιγράψουν τα στοιχεία ενός ενσωματωμένου συστήματος
Να περιγράψουν τις αλληλεπιδράσεις των ενσωματωμένων συστημάτων με τον φυσικό κόσμο
Να ονομάσουν τα βασικά στοιχεία υλικού που χρησιμοποιούνται πιο συχνά σε συσκευές IoT
Να κατανοήσουν την αλληλεπίδραση μεταξύ λογισμικού και υλικού σε μια συσκευή IoT
Να κατανοήσουν τον ρόλο ενός λειτουργικού συστήματος για την υποστήριξη λογισμικού σε μια συσκευή IoT
Να κατανοήσουν τη χρήση της δικτύωσης μιας συσκευής
Εισαγωγή στο Blockchain
Αυτό το μάθημα έχει σαν στόχο να παρουσιάσει την μις εισαγωγή στις τεχνολογίες Blockchain και την χρήση τους
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:
- Να κατανοήσουν τι είναι η τεχνολογία Blockchain, τι είναι τα κατανεμημένα συστήματα και πώς χρησιμοποιούνται
- Θεμελιώδεις αρχές και περιπτώσεις χρήσης της τεχνολογίας blockchain.
- Να κατανοήσουν μετακινούνται τα assets σε ένα δίκτυο blockchain
- Πώς να σχεδιάσουν έξυπνα συμβόλαια, πορτοφόλια bitcoin, συναλλαγές, fabricode και Chain SDK αλυσίδας κτl
Εισαγωγή στη Μηχανική Μάθηση
Αυτό το μάθημα θα προσφέρει μια θεμελιώδη κατανόηση των μοντέλων μηχανικής μάθησης (λογιστική παλινδρόμηση, πολυστρωματικά perceptrons, συνελικτικά νευρωνικά δίκτυα, επεξεργασία φυσικής γλώσσας, κ.λπ.) καθώς και πώς αυτά τα μοντέλα μπορούν να λύσουν πολύπλοκα προβλήματα σε μια ποικιλία περιπτώσεων. Επισης οι φοιτητές θα μαθουν να εφαρμόζουν αλγόριθμους μηχανικής μάθησης με τις βιβλιοθήκες ανοιχτού κώδικα PyTorch, που χρησιμοποιούνται από κορυφαίες εταιρείες τεχνολογίας στον τομέα της μηχανικής μάθησης (π.χ. Google, NVIDIA, CocaCola, αι πολλές άλλες).
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:
- Να κατανοήσουν τις έννοιες της μηχανικής μάθησης και βασικές έννοιες στη μηχανική μάθηση,
- Να γνωρισουν τα βασικά μαθηματικά μοντέλα μηχανικής μάθησης
- Να κατανοήσουν τις θεμελιώδεις αρχές ενός συνελικτικου νευρωνικού δικτύου και του τρόπου εφαρμογής του
- Να κατανοήσουν την εφαρμογή των νευρωνικών δικτύων στην επεξεργασία φυσικής γλώσσας (NLP)
