Θεωρία Λήψης Αποφάσεων

Κωδικός: 8.12S

Εξάμηνο: 8 / Έτος: 4 (Επιλογής)

Διδάσκοντες: Μπεληγιάννης Γρηγόριος

Ιστοσελίδα Μαθήματος: https://eclass.upatras.gr/courses/DEAPT112/

Ώρες Θεωρίας (ανά εβδομάδα): 2

Ώρες Φροντιστηρίου/Εργαστηρίου (ανά εβδομάδα): 1

Ύλη Μαθήματος

  1. Εισαγωγή στη Θεωρία Αποφάσεων
  2. Επίλυση Προβλημάτων με Αναζήτηση
  3. Πληροφορημένη Αναζήτηση και Εξερεύνηση
  4. Προβλήματα Ικανοποίησης Περιορισμών
  5. Αναζήτηση με Αντιπαλότητα
  6. Θεωρία Παιγνίων
  7. Αβεβαιότητα
  8. Θεωρία Απόφασης του Bayes
  9. Μέγιστη Πιθανοφάνεια και Bayesian Εκτίμηση Παραμέτρων
  10. Μη Παραμετρικές Τεχνικές
  11. Λήψη Απλών Αποφάσεων
  12. Λήψη Σύνθετων Αποφάσεων

Στόχοι Μαθήματος

Το μάθημα παρέχει τη δυνατότητα στους φοιτητές που θα το επιλέξουν, να εντρυφήσουν σε εξειδικευμένα θέματα και προβλήματα της Θεωρίας Λήψης Επιχειρηματικών Αποφάσεων.

Κύριος στόχος του μαθήματος είναι η αναλυτική παρουσίαση του θεωρητικού αλλά και του πρακτικού πλαισίου υποστήριξης της έννοιας και του περιεχομένου της Θεωρίας Αποφάσεων, καθώς και της σημασίας που αυτά έχουν για τη νέα ψηφιακή διαδικτυακή επιχείρηση. Επίσης, η μεθοδολογική τεκμηρίωση αποφάσεων, δράσεων και αλγορίθμων κατάλληλων για την αντιμετώπιση πραγματικών προβλημάτων και καταστάσεων σε επιχειρηματικό επίπεδο με αξιοποίηση της τεχνολογίας που προσφέρουν οι Η/Υ και το διαδίκτυο. 

Με τη βοήθεια συγκεκριμένων παραδειγμάτων και ασκήσεων οι φοιτητές μπορούν και κατανοούν σε βάθος πως επιλύονται διάφορα σύνθετα και εξειδικευμένα προβλήματα της Διοικητικής Επιστήμης, ενώ εκπαιδεύονται στο να μπορούν να εφαρμόζουν και οι ίδιοι τέτοιου είδους τεχνικές και εργαλεία για να επιλύσουν εξειδικευμένα προβλήματα του πραγματικού κόσμου.

Η ύλη του μαθήματος δίνει τη δυνατότητα στους φοιτητές να αποκτήσουν την επάρκεια και την εξειδικευμένη γνώση που απαιτούνται προκειμένου να μπορούν να εφαρμόσουν σύγχρονες μεθόδους και τεχνικές της Θεωρίας αποφάσεων για την επίλυση σύγχρονων δύσκολων προβλημάτων της Διοικητικής Επιστήμης. 

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/φοιτήτριες αναμένεται ότι θα έχουν αποκτήσει τις απαραίτητες προχωρημένες και εξειδικευμένες γνώσεις και δεξιότητες ώστε να:   

  • γνωρίζουν τη βασική θεωρία αποφάσεων του Bayes για συνεχή χρόνο, ταξινόμηση δύο κατηγοριών, περιοχές απόφασης και πιθανότητες λάθους. Επίσης, την κανονική πυκνότητα και τις διακρίνουσες συναρτήσεις για αυτή την πυκνότητα.
  • χρησιμοποιούν τις τεχνικές υπολογισμού παραμέτρων και την καθοδηγούμενη μάθηση ως εργαλεία ανάλυσης δεδομένων για λήψη οικονομικών και διοικητικών αποφάσεων.
  • χρησιμοποιούν τις μη παραμετρικές τεχνικές ως εργαλεία ανάλυσης δεδομένων για λήψη οικονομικών και διοικητικών αποφάσεων
  • χρησιμοποιούν τη Θεωρία Παιγνίων και τους βασικούς αλγόριθμους που χρησιμοποιούνται για την επίλυση παιγνίων ως εργαλεία ανάλυσης δεδομένων για λήψη οικονομικών και διοικητικών αποφάσεων
  • χρησιμοποιούν αλγορίθμους και τεχνικές Θεωρίας Αποφάσεων και να τις ενσωματώνουν στη διαδικασία ανάλυσης δεδομένων για τη λήψη οικονομικών και διοικητικών αποφάσεων
  • προσδιορίζουν τον/την κατάλληλο/η αλγόριθμο/τεχνική Θεωρίας Αποφάσεων, κατά περίπτωση, ανάλογα με τη φύση του Πληροφοριακού Συστήματος Διοίκησης και τους περιορισμούς που το διέπουν
  • ερευνούν με συστηματικό τρόπο τις επιπτώσεις εναλλακτικών  μεθοδολογιών, αλγορίθμων, τεχνικών και στρατηγικών της Θεωρίας Αποφάσεων στη λήψη οικονομικών και διοικητικών αποφάσεων.
  • αποτιμούν και να αξιολογούν τους/τις διάφορους/ες αλγόριθμους/τεχνικές της Θεωρίας Αποφάσεων που χρησιμοποιούνται ως εργαλεία στήριξης αποφάσεων στα Πληροφοριακά Συστήματα Διοίκησης
  • εφαρμόζουν τις τεχνικές αυτές, καθώς και τα εργαλεία που τις υποστηρίζουν, σε πραγματικά προβλήματα από το χώρο των οικονομικών και γεωπονικών επιστημών, αλλά και από την καθημερινότητά τους
  • χρησιμοποιούν τη γνώση και την κατανόηση που απέκτησαν με τρόπο που δείχνει επαγγελματική προσέγγιση της εργασίας ή του επαγγέλματός τους
  • διαθέτουν ικανότητες που κατά κανόνα αποδεικνύονται με την ανάπτυξη και υποστήριξη επιχειρημάτων και την επίλυση προβλημάτων στο πλαίσιο του γνωστικού τους πεδίου
  • κοινοποιούν πληροφορίες, ιδέες, προβλήματα και λύσεις τόσο σε ειδικευμένο όσο και σε μη- εξειδικευμένο κοινό
  • αναπτύσσουν δεξιότητες απόκτησης γνώσεων, που τους χρειάζονται για να συνεχίσουν σε περαιτέρω σπουδές με μεγάλο βαθμό αυτονομίας
  • συγκεντρώνουν και να ερμηνεύουν συναφή στοιχεία (εντός του γνωστικού τους πεδίου) για να διαμορφώνουν κρίσεις που περιλαμβάνουν προβληματισμό σε συναφή επιστημονικά ζητήματα
  • είναι σε θέση να χρησιμοποιούν τη γνώση και κατανόησή τους, και τις ικανότητές τους για επίλυση προβλημάτων σε εφαρμογές και στην επίλυση προβλημάτων, σε ένα νέο ή άγνωστο περιβάλλον, εντός ευρύτερου (ή διεπιστημονικού) πλαισίου, συναφούς προς το γνωστικό τους πεδίο
  • είναι σε θέση να κοινοποιούν με σαφήνεια και καθαρότητα τα συμπεράσματά τους αλλά και τη γνώση και το σκεπτικό το οποίο αυτά βασίζονται και λογικές παραδοχές στα οποία στηρίζονται, τόσο σε εξειδικευμένο όσο και σε μη εξειδικευμένο κοινό

Αποτίμηση

Γραπτή τελική εξέταση (100%) που περιλαμβάνει:

  • Ερωτήσεις πολλαπλής επιλογής
  • Επίλυση προβλημάτων Διοικητικής Επιστήμης με χρήση σύγχρονων μεθόδων Θεωρίας Αποφάσεων
  • Συγκριτική αξιολόγηση στοιχείων θεωρίας

Βιβλιογραφία

  1. Τεχνητή Νοημοσύνη: Μια σύγχρονη Προσέγγιση, S. Russell, P. Norvig, 2η Έκδοση, Εκδόσεις Κλειδάριθμος, 2005 (in Greke).
  2. Ποσοτική ανάλυση για τη λήψη διοικητικών αποφάσεων, τόμος Β’, Γ. Οικονόμου, Αν. Γεωργίου, 2η Έκδοση, Εκδόσεις Μπένου, 2011 (in Greke).
  3. Τεχνητή Νοημοσύνη, Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Γ' Έκδοση, ISBN: 960-387-431-0, Εκδόσεις Β .Γκιούρδας Εκδοτική (in Greke).
  4. Pattern Recognition and Machine Learning, Christopher M. Bishop Hardcover: 738 pages, Publisher: Springer; 1 edition (August 28, 2006), Language: English, ISBN: 0387310738.
  5. Introduction to Statistical Decision Theory, John W. Pratt, Howard Raiffa, Robert Schlaifer Hardcover: 904 pages, Publisher: The MIT Press (2 May 1995), Language English, ISBN: 0262161443.
  6. Pattern Classification, Richard O. Duda, Peter E. Hart, David G. Stork Hardcover: 654 pages, Publisher: Wiley-Interscience; 2nd edition (October 2000), Language: English, ISBN: 0471056693.  ΜαζίμετοComputer Manual in MATLAB to Accompany Pattern Classification, Second Edition, David G. Stork, Elad Yom-Tov, Paperback: 136 pages, Publisher: Wiley-Interscience; 2 edition (April 8, 2004), Language: English, ISBN: 0471429775.

Τελευταία Ενημέρωση: 2018-03-30