Επιχειρησιακή Νοημοσύνη στον Τουρισμό

Ευφυής Διαχείριση Δεδομένων Τουρισμού. Ευφυής λήψη αποφάσεων. Η Μηχανική Μάθηση στην λήψη αποφάσεων. Αλγόριθμοι πρόβλεψης, ταξινόμησης, παλινδρόμησης, ομαδοποίησης. Εξόρυξη γνώσης από δεδομένα τουρισμού. Αναλυτική Μεγάλων Δεδομένων στον Τουρισμό. Τεχνολογίες οπτικοποίησης δεδομένων.

• Η κατανόηση του μετασχηματισμού του τουρισμού και του αναδυόμενου όρου Τουρισμός 4.0
• Η κατανόηση των δυνατοτήτων αλλά και των προκλήσεων που δημιουργούνται από την ψηφιακή εποχή στον κλάδο του τουρισμού
• Η κατανόηση της επιστημονικής περιοχής της Τεχνητής Νοημοσύνης και των βασικών εφαρμογών της στον χώρο του Τουρισμού
• Η κατανόηση της περιοχής της Μηχανικής Μάθησης και της Εξόρυξης Δεδομένων
• Η κατανόηση της Διαδικασίας Μετασχηματισμού των Δεδομένων
• Η κατανόηση βασικών αλγορίθμων Μηχανικής Μάθησης
• Ανάπτυξη ψηφιακών δεξιοτήτων, εξοικείωση με τον πάγκο εργασίας Μηχανικής Μάθησης Weka
• Εφαρμογή παραδοσιακών και προηγμένων μεθόδων επιβλεπόμενης Μάθησης σε προβλήματα επιχειρηματικού σχεδιασμού
• Εφαρμογή παραδοσιακών και προηγμένων μεθόδων μη-επιβλεπόμενης Μάθησης σε προβλήματα επιχειρηματικού σχεδιασμού

1η εβδομάδα: Ο ψηφιακός μετασχηματισμός του ελληνικού τουρισμού – Προκλήσεις και Προοπτικές

2η εβδομάδα: Εισαγωγή στην Τεχνητή Νοημοσύνη, την Μηχανική Μάθηση και την Εξόρυξη Δεδομένων, Μετασχηματισμός Δεδομένων - Επιβλεπόμενη Μάθηση – Ταξινόμηση – Εκπαίδευση– Επικύρωση-Έλεγχος

3η εβδομάδα: Εξοικείωση με τον πάγκο εργασίας Weka

4η εβδομάδα: Αλγόριθμος πλησιέστερων γειτόνων, Αλγόριθμος επαγωγής δέντρου απόφασης

5η εβδομάδα: Πειραματική εφαρμογή αλγορίθμων στο Weka σε παραδείγματα δεδομένων τουρισμού

6η εβδομάδα: Επιστήμη των Δεδομένων και Αναλυτική Επιχειρηματικών Δεδομένων Ι

7η εβδομάδα: Αλγόριθμοι Οπτικοποίησης σε πραγματικά προβλήματα επιχειρήσεων τουρισμού

8η εβδομάδα: Αλγόριθμοι Ομαδοποίησης σε πραγματικά προβλήματα επιχειρήσεων τουρισμού

9η εβδομάδα: Μέθοδοι Επιβλεπόμενης Μάθησης σε δεδομένα τουρισμού

10η εβδομάδα: Συστήματα Υποστήριξής Απόφασης σε δεδομένα τουρισμού ΙΙ

11η εβδομάδα: Συστήματα σύστασης (Recommendation) σε δεδομένα τουρισμού

12η εβδομάδα: Μελέτες περιπτώσεων

13η εβδομάδα: Επανάληψη και προετοιμασία για τις εξετάσεις

Προτεινόμενη Βιβλιογραφία:
- Συναφή επιστημονικά περιοδικά:

1. Data Mining – Practical Machine Learning Tools and Techniques, Ian Witten, Eibe Frank, Christopher Pall. 4th Edition, Morgan Kaufmann.
2. Machine Learning, Tom Mitchell, McGraw Hill
3. Data Mining, Margaret Dunham, Eκδόσεις Νέων Τεχνολογιών
4. Machine Learning, Springer
5. Data Mining and Knowledge Discovery, Springer
6. Applied Artificial Intelligence, Taylor and Francis
7. Delen, D., & Ram, S. (2018). Research challenges and opportunities in business analytics. Journal of Business Analytics, 1(1), 2-12.
8. Liebowitz, J. (Ed.). (2013). Big data and business analytics. CRC press.
9. Sauter, V. L. (2014). Decision support systems for business intelligence. John Wiley & Sons.

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Ομαδική εργασία
• Εργασία σε διεπιστημονικό περιβάλλον
• Παραγωγή νέων ερευνητικών ιδεών
• Άσκηση κριτικής και αυτοκριτικής
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Υποστήριξη Μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας opencourses και της πλατφόρμας σύγχρονης τηλεκπαίδευσης zoom.

Ι. Γραπτή τελική εξέταση (50%) που περιλαμβάνει ερωτήσεις κρίσεως και ασκήσεις προς επίλυση.

ΙΙ. Ομαδική Εργασία (50%) που περιλαμβάνει

• Βιβλιογραφική επισκόπηση πάνω σε κάποια εφαρμογή Μηχανικής Μάθησης σε δεδομένα τουρισμού
• Εκπόνηση ολοκληρωμένου πειράματος Μηχανικής Μάθησης πάνω σε σετ δεδομένων τουρισμού
• Παρουσίαση, Αξιολόγηση και Ανάλυση των αποτελεσμάτων του πειράματος
• Εξαγωγή συμπερασμάτων από την εκπόνηση
  του πειράματος και μελλοντικές κατευθύνσεις

Κριτήρια αξιολόγησης: εγκυρότητα, συνάφεια, καλυψιμότητα βιβλιογραφικής επισκόπησης, μεθοδολογική αρτιότητα εκτέλεσης του πειράματος, εμβάθυνση ανάλυσης αποτελεσμάτων και εξαγόμενων συμπερασμάτων.