Κατηγορία: Αποτελέσματα

Πιλοτική εφαρμογή του προγράμματος σπουδών ARIS

Η πιλοτική εφαρμογή του προγράμματος σπουδών στο πεδίο της Τεχνητής Νοημοσύνης που ανέπτυξε η κοινοπραξία του έργου πραγματοποιήθηκε διαδικτυακά το διάστημα 4 Οκτωβρίου – 30 Νοεμβρίου 2021, με την συμμετοχή 172 επαγγελματιών και σπουδαστών ΤΠΕ. Σκοπός της πιλοτικής εφαρμογής ήταν η αξιολόγηση της εκπαιδευτικής αξίας του παραγόμενου εκπαιδευτικού υλικού σε σχέση με τις πραγματικές ανάγκες κατάρτισης των ομάδων-στόχων. Οι συμμετέχοντες είχαν την ευκαιρία να παρακολουθήσουν εκπαιδευτικό υλικό διάρκειας 120-160 ωρών μέσω του ARIS MOOC. Η διαδικασία ανατροφοδότησης κατέγραψε θετικά σχόλια αναφορικά με την ποιότητα των εκπαιδευτικών υλικών, την συνεκτικότητα και προστιθέμενη αξία του προγράμματος σπουδών καθώς και την λειτουργικότητα του διαδικτυακού μαθήματος. Επίσης, οι συμμετέχοντες παρείχαν χρήσιμα σχόλια για την περαιτέρω βελτίωση των μαθησιακών υλικών. Η συνημμένη έκθεση συνοψίζει τα κύρια ευρήματα και αποτελέσματα της διαδικασίας ανατροφοδότησης στο πλαίσιο της πιλοτικής εφαρμογής του προγράμματος σπουδών του έργου.

Κατεβάστε την έκθεση εδώ.

Package of training and assessment materials in Artificial Intelligence

├─ Learning Unit 1 – Foundations of Artificial Intelligence.
│├ Lesson 1 – Scope of AI (document, slides).
│├ Lesson 2 – Problem Solving (document, slides).
│├ Lesson 3 – Knowledge Representation (document, slides).
│├ Lesson 4 – Machine Learning (document, slides).
│├ Lesson 5 – Applications (document, slides).
│└ Lesson 6 – Ethical Implications (document, slides).
│
├─ Learning Unit 2 – Machine Learning.
│├ Lesson 1 – Introduction to Machine Learning (document, slides).
│├ Lesson 2 – Languages and Resources (document, slides).
│├ Lesson 3 – Data Transformation and Visualization (document, slides).
│├ Lesson 4 – Supervised Linear Machine Learning (document, slides).
│├ Lesson 5 – Supervised non linear Machine Learning (document, slides).
│└ Lesson 6 – Unsupervised Machine Learning (document, slides).
│
├─ Learning Unit 3 – Neural Networks and Deep Learning.
│├ Lesson 1 – Brain Origins and Elements of Artificial Neural Networks (document, slides).
│├ Lesson 2 – Simple Perceptrons and Supervised Learning (document, slides).
│├ Lesson 3 – Multilayer Perceptron and Keras (document, slides).
│├ Lesson 4 – Deep Learning for Image Classification, Convolutive Neural Networks (document, slides). 
│├ Lesson 5 – Different CNNs for Image Classification (document, slides).
│└ Lesson 6 – Real Time Objects Locatization with YOLO (document, slides).
│
└─Learning Unit 4 – AI for Solving real-life problems.
   ├ Lesson 1 – Natural Language Processing Introduction, Embeddings Classification (document, slides).
   ├ Lesson 2 – Neural Networks for NLP and Libraries (document, slides).
   ├ Lesson 3 – New Approaches, Applications and Open Problems (document, slides).
   ├ Lesson 4 – BigData Problems, Core Techniques and Introduction to Problems, Hadoop Spark (document, slides).
   ├ Lesson 5 – Spark for Big Data Processing (document, slides).
   └ Lesson 6 – Cloud Computing and ML with PySpark (document, slides).