Μερικής Φοίτησης

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

- Να μοντελοποιήσουν τα δεδομένα μίας επιχείρησης ή οργανισμού χρησιμοποιώντας διαγράμματα οντοτήτων-συσχετίσεων ή το σχεσιακό μοντέλο.

- Να γράψουν απλά ή σύνθετα ερωτήματα σε SQL μέσω των οποίων να διαχειρίζονται το σχήμα μίας σχεσιακής ΒΔ, να εισάγουν/αλλάζουν τα δεδομένα μίας σχεσιακής ΒΔ, ή να ανακτούν δεδομένα με διάφορους τρόπους.

- Να συνδέονται σε μία σχεσιακή βάση δεδομένων με μία γλώσσα προγραμματισμού και να ανακτούν δεδομένα.

- Να σχεδιάσουν το σχεσιακό σχήμα μίας αποθήκης δεδομένων χρησιμοποιώντας τη μεθοδολογία star ή snowflake.

- Να δημιουργήσουν κύβους δεδομένων πάνω από ένα star/snowflake σχήμα.

- Να χρησιμοποιούν ένα εμπορικό ή open source σύστημα σχεσιακής ΒΔ για όλα τα παραπάνω.

- Να κατανοούν τα νέα συστήματα διαχείρισης δεδομένων (NoSQL) και τους τρόπους μοντελοποίησης που προσφέρουν.

- Να χρησιμοποιούν κάποιο σύστημα διαχείρισης ροών δεδομένων (stream analytics).

Πρωταρχικός στόχος αυτού του μαθήματος είναι η κατανόηση και η εφαρμογή των στατιστικών μεθόδων σε πραγματικά επιχειρηματικά προβλήματα. Έμφαση δίνεται στην εφαρμογή όλων των μεθόδων με τη χρήση της στατιστικής γλώσσας προγραμματισμού R και στην επίλυση πραγματικών προβλημάτων. Κατά τη διάρκεια του μαθήματος αναλύονται σετ δεδομένων και επιλύονται πραγματικά προβλήματα με σκοπό να προκαλέσουν την το ενδιαφέρον των φοιτητών. Τέλος, οι φοιτητές εισάγονται στις βασικές αρχές της συγγραφής επιστημονικών εκθέσεων και της αφήγησης ιστοριών με τη μορφή γραπτής επιστημονική έκθεσης.

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

- Μπορούν να εκμεταλλευτούν βάσεις δεδομένων κύριας μνήμης (in-memory) για να ανταποκριθούν σε φόρτους υψηλής απαίτησης.

- Μπορούν να εκτελέσουν εργασίες εξερευνητκής επιχειρηματικής αναλυτικής (exploratory business analytics) εφαρμόζοντας εργαλεία γραμμής εντολών Unix ώστε να εξορύξουν, μετασχηματίσουν, φιλτράρουν, επεξεργαστούν, φορτώσουν και συνοψίσουν δεδομένα.

- Μπορούν να χρησιμοποιήσουν προγραμματιστικά μοντέλα και να εκμεταλλευτούν συστήματα λογισμικού για να παραλληλοποιήσουν τον κώδικα τους πάνω σε υποδομές κατανεμημένου υπολογισμού.

- Μπορούν να αποθηκεύσουν μεγάλου όγκους (δομημένων ή μη) δεδομένων σε κατανεμημένα συστήματα αρχείων ή βάσεις δεδομένων και να αναλύσουν χρησιμοποιώντας Spark.

- Μπορούν να εργαστούν με ροές εργασίας για επεξεργασία δεδομένων και ρευμάτων.

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

- Προσαρμόζουν και να κατανοήσουν τα μοντέλα παλινδρόμησης και τις επεκτάσεις τους.

- Να κατανοήσουν το πρόβλημα ταξινόμησης και να εφαρμόσουν ένα ευρύ φάσμα μεθόδων, συγκρίνοντας τις και έχοντας τη δυνατότητα να κατανοήσουν εάν είναι κατάλληλο για το πρόβλημα ή όχι.

- Να χρησιμοποιήσουν την R για τα μοντέλα που διδάσκονται.

Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

- γνωρίζουν και χρησιμοποιούν τεχνικές εξόρυξης γνώσης σε μεγάλα δεδομένα.

- κατανοούν τα πλεονεκτήματα και μειονεκτήματα των διαφορετικών αναπαραστάσεων των δεδομένων (πχ ως σημεία, διανύσματα, σύνολα, γράφοι) στην μοντελοποίηση και ανάλυση δεδομένων.

- επιλέγουν κατάλληλες τεχνικές εξόρυξης γνώσης για αναδυόμενες εφαρμογές μεγάλων δεδομένων.

- εφαρμόζουν τεχνικές εξόρυξης γνώσης σε μεγάλα δεδομένα χρησιμοποιώντας σύγχρονα εργαλεία.

Σκοπός του μαθήματος είναι να εισαγάγει τους φοιτητές στην Ανάλυση Κοινωνικών Δικτύων (ΑΚΔ) και στη βασική της αξία για τις επιχειρήσεις και την κοινωνία. Η ΑΚΔ περιλαμβάνει τεχνικές και μεθόδους για την ανάλυση της συνεχούς ροής πληροφοριών μέσω διαδικτυακών κοινωνικών δικτύων (π.χ. αναρτήσεις στο Facebook ή στο Twitter, check-in στο Foursquare) με στόχο τον εντοπισμό, μερικές φορές ακόμη και σε πραγματικό χρόνο, μοτίβων διάδοσης πληροφοριών που ενδιαφέρουν τους αναλυτές.

Το μάθημα θα παρέχει στους φοιτητές μια εις βάθος κατανόηση των δομικών ιδιοτήτων και των συμπεριφορικών χαρακτηριστικών των κοινωνικών δικτύων, καθώς και των ευκαιριών, των προκλήσεων και των απειλών που προκύπτουν από τα διαδικτυακά κοινωνικά δίκτυα όσον αφορά τις επιχειρήσεις και την κοινωνία γενικότερα. Θα εισαγάγει επίσης τους φοιτητές στα κοινωνικά και ηθικά ζητήματα που προκύπτουν συχνά με την εξόρυξη των διαθέσιμων στο κοινό πληροφοριών σε διαδικτυακά κοινωνικά δίκτυα για επαγγελματικούς σκοπούς ή/και άλλους τύπους ανάλυσης.

Ολοκληρώνοντας το μάθημα οι φοιτητές θα είναι σε θέση:

- Να μοντελοποιήσουν διαφορετικούς τύπους οντοτήτων και σχέσεων ως κόμβους και ακμές και να αναπαραστήσουν αυτές τις πληροφορίες ως σχεσιακά δεδομένα.

- Να σχεδιάσουν και να εκτελέσουν υπολογισμούς ανάλυσης σε δίκτυα.

- Να χρησιμοποιήσουν προηγμένο λογισμικό ανάλυσης δικτύων για να δημιουργήσουν οπτικοποιήσεις και να εκτελέσουν εμπειρικές μελέτες σε δεδομένα δικτύου.

- Να ερμηνεύσουν και να συνθέσουν το νόημα των αποτελεσμάτων σε σχέση με μια ερώτηση, ένα στόχο ή μια εργασία.

- Να αξιολογήσουν διάφορες εναλλακτικές προσεγγίσεις για την εκτέλεση μιας εργασίας ΑΚΔ και να λάβουν αιτιολογημένες αποφάσεις για το ποιες θα επιλέξουν.

- Να εφαρμόσουν τις γνώσεις τους σε ρεαλιστικά και πραγματικά σύνολα δεδομένων.

- Να επεξεργαστούν τα πρωτογενή δεδομένα που έχουν συλλέξει ώστε να επισημάνουν τις μεταξύ τους συνδέσεις και να αποφασίσουν την κατάλληλη μοντελοποίηση ως γράφημα.

- Να διερευνήσουν τις συνθήκες υπό τις οποίες διάφορα φαινόμενα, όπως η διάχυση πληροφορίας, η σύγκλιση απόψεων (ασυμπτωτική μάθηση) ή η δημιουργία αγέλης μπορεί να εμφανιστούν στα διαδικτυακά κοινωνικά δίκτυα.

To μάθημα αποβλέπει στην ενίσχυση των φοιτητών με τις κατάλληλες δεξιότητες καθώς και τις απαραίτητες γνώσεις και ικανότητες εφαρμογής τεχνικών Βαθιάς Μάθησης και Αναλυτικής Περιεχομένου σε ένα εύρος εφαρμογών. Συγκεκριμένα, με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/φοιτήτρια, θα:

- Έχει κατανοήσει τις δυνατότητες και τις προκλήσεις της Βαθιάς Μάθησης [deep learning] και θα είναι προετοιμασμένη/μένος για να συμμετάσχει στην ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης αιχμής.

- Είναι σε θέση να κατασκευάζει και να εκπαιδεύει βαθιά νευρωνικά δίκτυα, να προσδιορίζει τις παραμέτρους της αρχιτεκτονικής τους και να εφαρμόζει τις τεχνικές που έμαθε σε διάφορα πεδία και εφαρμογές.

- Έχει αποκτήσει προγραμματιστική εμπειρία σε τεχνολογίες αιχμής όπως το TensorFlow/Pytorch.

- Είναι σε θέση να σχεδιάζει και να συνθέτει λύσεις που ενσωματώνουν ροές εργασίας ανάλυσης περιεχομένου.

- Είναι σε θέση να συνεργαστεί με τους συμφοιτητές του για να επιλύσουν ένα πρόβλημα πραγματικού κόσμου και να παρουσιάσουν μια ολοκληρωμένη λύση.

Το μάθημα αυτό εισάγει την έννοια των πληροφοριακών συστημάτων (ΠΣ) που χρησιμοποιούνται στις επιχειρήσεις, εξηγεί πώς η τεχνολογία υποστηρίζει τις επιχειρηματικές λειτουργίες και τη στρατηγική μέσω της έννοιας της επιχειρηματικής αρχιτεκτονικής και αναλύει τις επιχειρηματικές διαδικασίες (BPs) ως το θεμελιώδες στοιχείο των σύγχρονων επιχειρήσεων και τη διαχείριση της απόδοσής τους. Το μάθημα παρέχει πρακτικές γνώσεις και δεξιότητες για τη μοντελοποίηση επιχειρηματικών διαδικασιών χρησιμοποιώντας τη γλώσσα μοντελοποίησης Archimate. Το μάθημα αναπτύσσει επίσης δεξιότητες για τον ορισμό των KPIs επιχειρήσεων και τη διαχείριση της απόδοσης των διαδικασιών, με βάση τη μέθοδο Balanced Scorecard. Οι φοιτητές εφαρμόζουν τις γνώσεις που αποκτήθηκαν σε ένα έργο ανάλυσης και σχεδιασμού σε έναν πραγματικό οργανισμό.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

- Κατανοούν και να εφαρμόζουν έννοιες σχεδιασμού και διαχείρισης ανάλυσης πληροφοριακών συστημάτων στο πλαίσιο μιας επιχείρησης (Enterprise Architecture).

- Κατανοούν τον τρόπο με τον οποίο οι επιχειρηματικές διαδικασίες συνδέουν το ανθρώπινο δυναμικό, τα πληροφοριακά συστήματα και τις τεχνολογίες με την επιχειρηματική στρατηγική.

- Εφαρμόζουν τεχνικές ανάλυσης και μοντελοποίησης επιχειρηματικών διαδικασιών (Enterprise Architecture Modelling) για την εξαγωγή απαιτήσεων και τη διαμόρφωση προδιαγραφών για την υποστήριξη των επιχειρήσεων μέσω ψηφιακών τεχνολογιών.

- Κατανοούν και εφαρμόζουν τεχνικές για τον καθορισμό βασικών δεικτών απόδοσης (KPIs) στο πλαίσιο της Διαχείρισης Επιχειρηματικών Διαδικασιών.

- Κατανοούν και εφαρμόζουν τεχνολογίες Επιχειρηματικής Ανάλυσης για τη διαχείριση των KPIs.  

- Κατανοούν και εφαρμόζουν την γλώσσα μοντελοποίησης Archimate για τον ορισμό της επιχειρηματικής και τεχνολογικής αρχιτεκτονικής των επιχειρήσεων.

- Κατανόηση της σχέσης των προβλημάτων βελτιστοποίησης και των Prescriptive Analytics.

- Κατανόηση της έννοιας μίας ολοκληρωμένης λύσης ενός σαφώς ορισμένου προβλήματος και πως η ποιότητα της λύσης μπορεί να ποσοτικοποιηθεί.

- Διαχωρισμός μεταξύ των βασικών κατηγοριών προβλημάτων συνδυαστικής βελτιστοποίησης.

- Αντίληψη της ανεπάρκειας των μαθηματικών μεθόδων να επιλύσουν άριστα εφαρμογές βελτιστοποίησης μεγάλης κλίμακας εντός λογικών υπολογιστικών χρόνων.

- Εξοικείωση με τις δυνατότητες που παρέχει μία σύγχρονη γλώσσα προγραμματισμού προς την εφαρμοσμένη αντιμετώπιση προβλημάτων βελτιστοποίησης.

- Σχεδιασμός και υλοποίηση πλεονεκτικών μεθοδολογιών για την επίλυση βασικών προβλημάτων βελτιστοποίησης.

- Κατανόηση της λογικής των τοπικών τροποποιήσεων μίας λύσης και πως αυτές οδηγούν στους αλγορίθμους τοπικής έρευνας.

- Ενσωμάτωση της τοπικής έρευνας σε έξυπνα μεταευρετικά πλαίσια έρευνας του χώρου των λύσεων.

Με την ολοκλήρωση του μαθήματος οι φοιτητές και οι φοιτήτριες θα είναι σε θέση:

- Να αναγνωρίζουν και να εντοπίζουν τα κανονιστικά, νομικά και ηθικά ζητήματα που σχετίζονται με την ιδιωτικότητα και τα προσωπικά δεδομένα και να κατανοούν την σημασία του ισχύοντος δικαίου και του κανονιστικού πλαισίου που διέπει την προστασία της ιδιωτικότητας και των προσωπικών δεδομένων.

- Να αναγνωρίζουν και να εντοπίζουν απειλές ασφάλειας και κινδύνους για τα δικαιώματα, να εξοικειωθούν με τις απαιτήσεις και τα τεχνικά μέτρα ασφάλειας και να αποκτήσουν ένα σχετικό τεχνικό επίπεδο ώστε να μπορούν να υποστηρίξουν δραστηριότητες ή επάγγελμα όπως αυτό του Υπευθύνου Προστασίας Δεδομένων.

- Να κατανοούν τις αρχές και τα πλεονεκτήματα της χρήσης ανοιχτών δεδομένων στην έρευνα και τις επιχειρήσεις.

- Να αντιλαμβάνονται τη σχέση και αλληλεπίδραση διάφορων τομέων και να χρησιμοποιούν αυτή την προσέγγιση κατά τον σχεδιασμό της τεχνολογίας ή/και των επιχειρηματικών σχεδίων.

- Να κατανοούν και να εντάσσουν τις σπουδές και το επαγγελματικό υπόβαθρό τους στο γενικό κοινωνικό, οικονομικό και θεσμικό πλαίσιο.

Β’ Μέρος
- Εκμάθηση εννοιών σχετικά με την Μηχανική Μάθηση ώστε οι φοιτητές να είναι σε θέση να σχεδιάζουν και να επιλύουν επιχειρησιακά προβλήματα εξόρυξης δεδομένων με εφαρμογές στην ανάλυση καλαθιού αγορών, τμηματοποίηση πελατειακής βάσης, βελτιστοποίηση προωθητικών καμπανιών κλπ.
- Εκμάθηση της χρήσης και ερμηνείας των αποτελεσμάτων των ακόλουθων λογισμικών: SAS Visual Analytics, SAS Visual Data Mining and Machine Learning on SAS Viya.

- Κατανόηση των δεξιοτήτων, της νοοτροπίας, και της απαραίτητης ώθησης για την επιχειρηματική επιτυχία.
- Προσδιορισμός των προσωπικών πλεονεκτημάτων και αδυναμιών όσον αφορά τις επιχειρηματικές δεξιότητες.
- Κατανόηση της μεθοδολογίας «lean startup» και των  διαδικασιών πίσω από την επιχειρηματικότητα μέσω μιας πρακτικής προσέγγισης που εστιάζει στο χώρο της επιχειρηματικής ανάλυσης και της τεχνολογίας.
- Ανάπτυξη μίας αρχικής ιδέας, δημιουργία πλάνου προώθησης πωλήσεων, επιχειρηματικού μοντέλου και μακέτας ενός καινοτόμου επιχειρηματικού εγχειρήματος που θα χρησιμοποιηθεί για την επιχειρηματική επιβεβαίωση (business validation).
- Προσδιορισμός των παραγόντων ώθησης και των εμποδίων πίσω από ένα επιτυχημένο επιχειρηματικό εγχείρημα καθώς και τη δύναμη της επιχειρηματικής ομάδας στο πλαίσιο αυτό.

 Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση:

- να κατανοούν πώς λειτουργεί η οπτικοποίηση δεδομένων, όσον αφορά την ανθρώπινη οπτική αντίληψη και γνώση.

- να κατανοήσουν τις καλές και κακές πρακτικές κατά τη σχεδίαση οπτικοποιήσεων δεδομένων.

- να μάθουν για την πρακτική οπτικοποίηση δεδομένων, συμπεριλαμβανομένων μεθόδων σχεδίασης διαφόρων τύπων δεδομένων, τεχνικές αλληλεπίδρασης, τη γραμματική των γραφικών κ.λπ.

- να δημιουργήσουν οπτικοποιήσεις δεδομένων χρησιμοποιώντας το R.

- να δημιουργήσουν μια εφαρμογή Qlik Sense σχεδιάζοντας ένα μοντέλο δεδομένων σχήματος αστεριών και δημιουργώντας διάφορες απεικονίσεις.

- να γνωρίζουν τις βασικές λειτουργίες του cloud computing.

- για τη δημιουργία ενός πλήρως ενσωματωμένου pipeline που βασίζεται σε cloud που παράγει προγνωστικά αναλυτικά στοιχεία σε πραγματικό χρόνο.

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

- Να κατανοήσουν τη διαδικασία end-to-end που υπάρχει σε υλοποιήσεις αναλυτικής (analytics)

- Nα κατανοήσουν τη διαφοροποίηση σε απαιτήσεις και είδος αναλυτικής σε διαφορετικούς κάθετους τομείς (π.χ. υγεία, οικονομία, χρηματοοικονομικά, ενέργεια, κ.λ.π.)

- Να σχεδιάσουν συνολικές αρχιτεκτονικές για εφαρμογές αναλυτικής (analytics) 

Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση:

- Να κατανοήσουν τις βασικές έννοιες των χρονοσειρών.

- Να εργαστούν με δεδομένα που είναι χρονολογικές σειρές και να τα εφαρμόσουν σε ένα ευρύ φάσμα προβλημάτων.-

- Να μπορούν να εφαρμόσουν στατιστική μοντελοποίηση σε δίκτυα.

- Να κατανοήσουν τις προκλήσεις της εποχής των μεγάλων δεδομένων στην εφαρμογή στατιστικών μοντέλων.

- Να εφαρμόσουν την R για να λύσουν τέτοια προβλήματα.

Οι δραστηριότητες επιστήμης δεδομένων, όπως η στατιστική ανάλυση και η μηχανική μάθηση, προτού χρησιμοποιηθούν για εξαγωγή γνώσης, απαιτούν να πραγματοποιηθεί επεξεργασία, καθαρισμός, και μετασχηματισμός των δεδομένων εισόδου. Όμως τα δεδομένα υπάρχουν σε διάφορα συστήματα, μοντέλα και μορφές. Τα συστήματα ποικίλουν από συστήματα τεχνολογικής αιχμής (π.χ. Hadoop) ως πεπαλαιωμένα (πχ IBM mainframes και Cobol). Τα δεδομένα μπορούν να αποθηκεύονται σε ακατέργαστα αρχεία (csv, json, xml), συμπιεσμένες μορφές (parquet, avro) ή διάφορες μορφές βάσεων δεδομένων (σχεσιακού μοντέλου, εγγράφων, γράφων). Τέλος τα δεδομένα μπορούν να είναι δομημένα ή αδόμητα, όπως κείμενο και εικόνες. Η θεματολογία του μαθήματος θα καλύπτει την πλήρη ροή εργασιών που είναι απαραίτητη στις πιο πολλές δραστηριότητες επιστήμης δεδομένων, συμπερλιαμβανομένων της εξαγωγής δεδομένων, μετασχηματισμού δεδομένων, συγχώνευση δεδομένων, εικονικοποίηση δεδομένων, ανάλυση οντοτήτων, και των κατάλληλων ευρετηριάσεων για οπτικοποίηση δεδομένων. Μετά την ολοκλήρωση του συγκεκριμένου μαθήματος, ο φοιτητής θα είναι ικανός:
- Να κατανοεί τους διαφορετικούς τύπους ελλιπών δεδομένων.
- Να αποδίδει τιμές σε ελλιπή δεδομένα επιλέγοντας κατάλληλες τεχνικές.
- Να κατανοεί την επίδραση των ελλιπών δεδομένων στις αναλύσεις δεδομένων.
- Να κατανοεί διαφορετικές τεχνολογίες για την υποστήριξη SQL ερωτημάτων σε μεγάλα δεδομένα.
- Να κατανοεί την έννοια της εικονικοποίησης δεδομένων.
- Να είναι εξοικειωμένος με το Apache Impala και το Apache Drill.
- Να είναι ενήμερος για τις διεργασίες μιας ροής εργασίας συγχώνευσης δεδομένων.
- Να κατανοεί τα ETL συστατικά μέρη των αποθηκών δεδομένων και των εμπορικών εργαλείων που χρησιμοποιούνται στην πράξη.
- Να είναι ενήμερος για τις κοινές εργασίες που χρησιμοποιούνται στη συγχώνευση δεδομένων από ετερογενείς πηγές, όπως ανάλυση οντοτήτων.

Με την επιτυχή ολοκλήρωση της διπλωματικής εργασίας, ο φοιτητής θα έχει μελετήσει σε βάθος ένα συγκεκριμένο θέμα από τις επιστημονικές περιοχές του ΠΜΣ, θα έχει αξιοποιήσει τις σχετικές γνώσεις που απέκτησε κατά τη φοίτησή του στο ΠΜΣ, θα έχει αναπτύξει τη συνθετική και αναλυτική ικανότητα, θα έχει μάθει να αναζητά την κατάλληλη επιστημονική πληροφορία από την σχετική επιστημονική βιβλιογραφία, θα έχει αποκτήσει δεξιότητα στη συγγραφή επιστημονικού κειμένου και στην παρουσίαση του θέματος της εργασίας.
Οι φοιτητές του προγράμματος μπορούν να επιλέξουν αντί βιβλιογραφικής διπλωματικής είτε α) την διενέργεια έρευνας πεδίου (Field Study Project), με ολιγόωρες εβδομαδιαίες συναντήσεις του φοιτητή στην εταιρεία, είτε β) Πρακτική Άσκηση, διάρκειας τουλάχιστον 3 μηνών και απασχόλησης έως 40 ωρών εβδομαδιαίως, σε μία εταιρεία-πάροχο με σκοπό την επίλυση πραγματικών προβλημάτων συναφών με το αντικείμενο/θέμα της Διπλωματικής Εργασίας. Οι ανωτέρω επιλογές θα έχουν ίδια βαρύτητα και ίδιες Πιστωτικές Μονάδες με την Διπλωματική εργασία.
Κατά την πρακτική άσκηση, οι φοιτητές:
- Συνδυάζουν τη θεωρητική κατάρτιση με την επαγγελματική εμπειρία.
- Αναπτύσσουν και αναδεικνύουν πρακτικές δεξιότητες.
- Αποκτούν μια μορφή εργασιακής προϋπηρεσίας που μπορούν μελλοντικά να την επικαλεστούν εργασιακής ηθικής και συμπεριφοράς.
- Διευκολύνονται στη λήψη αποφάσεων σχετικά με τον επαγγελματικό τους προσανατολισμό.
- Μπορούν να χρησιμοποιήσουν τις γνώσεις που απέκτησαν κατά την άσκησή τους στα πλαίσια της εκπόνησης της πτυχιακής τους εργασίας.
- Αποκτούν εξοικείωση με το εργασιακό περιβάλλον και τις απαιτήσεις του, και γνώση των κανόνων.