Σεμινάρια

Εφαρμογές της Μηχανικής Προτροπών (Prompt Engineering) στη Στατιστική Ανάλυση Δεδομένων 

Διάρκεια: 6 ώρες 

Περιγραφή: Η Τεχνητή Νοημοσύνη, με τη ραγδαία ανάπτυξή της, μεταμορφώνει τον τρόπο λήψης αποφάσεων σε επιχειρηματικά, επιστημονικά και κοινωνικά πλαίσια. Το σεμινάριο αυτό εστιάζει στη Μηχανική Προτροπών (Prompt Engineering), μια καινοτόμο προσέγγιση που διαμορφώνει το μέλλον της πληροφορίας, αλλάζοντας τον τρόπο με τον οποίο μαθαίνουμε, εργαζόμαστε και αντλούμε πληροφορίες από το περιβάλλον. Οι συμμετέχοντες θα μάθουν μια νέα γλώσσα στατιστικής ανάλυσης, αυτή της Μηχανικής Προτροπών, καθώς περνάμε σε μια νέα εποχή όπου η ανάλυση δεδομένων πραγματοποιείται με εργαλεία Τεχνητής Νοημοσύνης, μετασχηματίζοντας ριζικά τις μεθοδολογίες που χρησιμοποιούμε. 

Στόχοι του Σεμιναρίου: 

• Κατανόηση των βασικών αρχών της Μηχανικής Προτροπών και της εφαρμογής τους στη λήψη αποφάσεων. 

• Ανάπτυξη δεξιοτήτων δημιουργίας αποτελεσματικών προτροπών (prompts) σε μεγάλα γλωσσικά μοντέλα (LLMs) και μοντέλα διάχυσης (diffusion models) 

• Εξοικείωση με τεχνικές βελτιστοποίησης προτροπών για τη βελτίωση της ακρίβειας και της αξιοπιστίας των αποτελεσμάτων. 

• Διερεύνηση εφαρμογών σε τομείς όπως η Ανάλυση Δεδομένων και η Επιχειρησιακή Λήψη Αποφάσεων. 

• Εκμάθηση εφαρμογής αξιόπιστων στατιστικών αναλύσεων και ερμηνείας των αποτελεσμάτων με τη χρήση Τεχνητής νοημοσύνης (zero coding). 

Δομή του Σεμιναρίου: 

Ενότητα 1: Εισαγωγή στη Μηχανική Προτροπών (1 ώρα) 

• Ιστορική αναδρομή: Από τα πρώτα βήματα της Τεχνητής Νοημοσύνης στα σύγχρονα LLMs. 

• Βασικές Έννοιες: Prompt, Token, Context Window, Fine-Tuning. 

• Ο ρόλος του Prompt Engineer στην ανάλυση δεδομένων και τη λήψη αποφάσεων. 

• Η σχέση της Τεχνητής Νοημοσύνης με τη Στατιστική: Πώς τα στατιστικά μοντέλα στηρίζουν τη λειτουργία των γλωσσικών μοντέλων. 

Ενότητα 2: Βασικές Αρχές και Στρατηγικές στη Μηχανική Προτροπών                  (2 ώρες)  

• Βασικές αρχές σχεδιασμού προτροπών. 

• Στρατηγικές προτροπών για αποτελεσματική επικοινωνία με γλωσσικά μοντέλα. 

• Χρήση πρακτικών παραδειγμάτων και ανάλυση αποτελεσμάτων. 

• Ο ρόλος της Στατιστικής στην αξιολόγηση της απόδοσης των προτροπών. 

Ενότητα 3: Εφαρμογές της Μηχανικής Προτροπών στην Ανάλυση Δεδομένων ( 3 ώρες) 

• Χρήση προτροπών για ανάλυση και ερμηνεία δεδομένων. 

• Πρακτική εφαρμογή με χρήση γλωσσικών μοντέλων (ChatGPT, Claude, DeepSeek, Qwen, Gemini, Copilot, Perplexity κ.α.). 

• Εφαρμογές σε συστηματική ανασκόπηση, ανάλυση δεδομένων και στρατηγική λήψης αποφάσεων. 

• Ανάλυση περιπτώσεων σε πραγματικό χρόνο με πρακτικά παραδείγματα και συμμετοχή των συμμετεχόντων. 

Σε ποιους απευθύνεται: 

• Φοιτητές, ερευνητές και επαγγελματίες με ενδιαφέρον για την ανάλυση δεδομένων, τη στατιστική και τις εφαρμογές της Τεχνητής Νοημοσύνης. 

• Καθηγητές που επιθυμούν να γνωρίσουν τις νέες μεθοδολογίες ανάλυσης δεδομένων μέσω Τεχνητής Νοημοσύνης. 

• Στελέχη επιχειρήσεων που επιθυμούν να βελτιώσουν τις διαδικασίες λήψης αποφάσεων με τη χρήση σύγχρονων εργαλείων AI. 

Προαπαιτούμενη γνώση: Δεν απαιτείται! Αρκεί η διάθεση για εξερεύνηση νέων προσεγγίσεων στην ανάλυση δεδομένων μέσω της Τεχνητής Νοημοσύνης. 

Κόστος Συμμετοχής: 35 Ευρώ (φοιτητές) | 70 Ευρώ (μη φοιτητές). Στους συμμετέχοντες θα δοθεί Πιστοποιητικό Παρακολούθησης του Σεμιναρίου. 

Μέγιστος αριθμός συμμετεχόντων: 30 άτομα (θα τηρηθεί σειρά προτεραιότητας). 

Εισηγητής Σεμιναρίου 

Ο Δημήτρης Πανάρετος είναι Εντεταλμένος Διδάσκων στο Τμήμα Στατιστικής του Πανεπιστημίου Δυτικής Μακεδονίας με γνωστικό αντικείμενο τη Στατιστική Ανάλυση Δεδομένων. Διδάσκει, μεταξύ άλλων, το μάθημα της Τεχνητής Νοημοσύνης. Είναι απόφοιτος του Τμήματος Στατιστικής και Ασφαλιστικής Επιστήμης του Πανεπιστημίου Πειραιώς, με μεταπτυχιακές σπουδές στη Βιοστατιστική της Ιατρικής Σχολής και του Μαθηματικού Τμήματος του Πανεπιστημίου Αθηνών. Εκπόνησε τη διδακτορική του διατριβή στη Βιοστατιστική στο Χαροκόπειο Πανεπιστήμιο. Σε μεταπτυχιακό επίπεδο διδάσκει στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης και στο Ευρωπαϊκό Πανεπιστήμιο Κύπρου. Έχει υλοποιήσει 8 πιστοποιημένα σεμινάρια σε συνεργασία με πανεπιστήμια όπως το Πανεπιστήμιο Αθηνών, το Χαροκόπειο, το Ελληνικό Ανοιχτό Πανεπιστήμιο και το Πανεπιστήμιο Δυτικής Μακεδονίας. Έχει εκπαιδεύσει χιλιάδες φοιτητές και επαγγελματίες στην Επιστήμη των Δεδομένων, ενώ διαθέτει πολυετή εμπειρία ως Στατιστικός σε δημόσιους και ιδιωτικούς φορείς. Τα ερευνητικά του ενδιαφέροντα εστιάζουν στην Εφαρμοσμένη Τεχνητή Νοημοσύνη, τη Βιοστατιστική και τη Διδακτική της Στατιστικής.