EC491 - Ψηφιακά Οικονομικά & Εφαρμογές της Τεχνητής Νοημοσύνης
Bachelor of Science στα Οικονομικά
Κύριο μάθημα
EC491 - Ψηφιακά Οικονομικά & Εφαρμογές της Τεχνητής Νοημοσύνης
Κωδικός Μονάδας Μαθήματος: EC491
Τύπος μονάδας: Επιλογή
Επίπεδο Μονάδας Μαθήματος: Πρώτος κύκλος
Έτος σπουδών: Τρίτο/τέταρτο έτος
Εξάμηνο: Κατά παραγγελία
Αριθμός μονάδων ECTS: 7.5
Τρόπος παράδοσης:
Προαπαιτούμενα
CS321- Μηχανική Μάθηση, Εξόρυξη Δεδομένων & Επιχειρηματική Ανάλυση
Στόχοι του μαθήματος
Ο στόχος του μαθήματος είναι διττός. Πρώτον, το μάθημα στοχεύει να παράσχει μια θεωρητική βάση για τα ψηφιακά οικονομικά και να δείξει πώς αυτές οι θεωρίες μπορούν να εφαρμοστούν στη μελέτη οικονομικών και επιχειρηματικών φαινομένων του πραγματικού κόσμου. Το μάθημα αναδεικνύει το πολύπλοκο οικοσύστημα και επιδιώκει να προετοιμάσει τους φοιτητές για επιτυχία στο διαρκώς εξελισσόμενο και πολύπλοκο πεδίο της ψηφιακής οικονομίας. Δεύτερον, το μάθημα στοχεύει να εισαγάγει τους φοιτητές στις σύγχρονες εφαρμογές της μηχανικής μάθησης (ML) στα οικονομικά και στις προβλέψεις. Διερευνά τον τρόπο με τον οποίο οι οικονομολόγοι έχουν χρησιμοποιήσει τεχνικές ML για την αντιμετώπιση αναδυόμενων ερευνητικών ερευνών, εστιάζοντας σε πρόσφατες εμπειρικές οικονομικές μελέτες που χρησιμοποιούν μοντέλα ML. Ο κύριος στόχος αυτού του μαθήματος είναι να παράσχει στους φοιτητές μια ολοκληρωμένη κατανόηση του τρόπου με τον οποίο οι τεχνικές ΤΝ μπορούν να χρησιμοποιηθούν για την ανάλυση οικονομικών δεδομένων, την πραγματοποίηση ακριβών προβλέψεων και τη δημιουργία πολύτιμων πληροφοριών για τη λήψη αποφάσεων σε διάφορα οικονομικά πλαίσια. Ο κύριος στόχος είναι οι φοιτητές να μπορούν να κατανοήσουν και να εφαρμόσουν εξελιγμένα μοντέλα σε οικονομικές εφαρμογές.
Μαθησιακά αποτελέσματα
Με την ολοκλήρωση αυτού του μαθήματος οι φοιτητές αναμένεται να:
CILO 1 Κατανόηση της έννοιας της ψηφιοποίησης της οικονομίας και του τρόπου με τον οποίο συνδέεται με την ψηφιοποίηση των δικτύων επικοινωνίας και την παραγωγή και αποθήκευση ψηφιακών πληροφοριών,
CILO 2 Εξηγήστε πώς η τεχνολογία πληροφοριών και επικοινωνιών έχει εξελιχθεί προς ολοένα και πιο πολύπλοκα συστήματα και εφαρμογές,
CILO 3 Κατανόηση των ψηφιακών αγορών και των αγορών ηλεκτρονικού εμπορίου
CILO 4 Κατανόηση των θεμελιωδών εννοιών της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML) όπως εφαρμόζονται στην οικονομική ανάλυση,
CILO 5 Εφαρμογή μεθόδων πρόβλεψης χρονοσειρών σε οικονομικά δεδομένα,
CILO 6 Αξιολόγηση της απόδοσης των διαφόρων τεχνικών μοντελοποίησης πρόβλεψης και επιλογή των κατάλληλων μεθόδων για συγκεκριμένα σενάρια πρόβλεψης,
CILO 7 Ενσωμάτωση τεχνικών μηχανικής μάθησης με παραδοσιακά οικονομετρικά μοντέλα πρόβλεψης για βελτιωμένη ακρίβεια πρόβλεψης,
CILO 8 Ανάπτυξη εξειδικευμένων τεχνικών πρόβλεψης για τις συναλλαγές υψηλής συχνότητας και τις χρηματοπιστωτικές αγορές,
CILO 9 Κατανόηση των αρχών της μοντελοποίησης και προσομοίωσης με βάση τους πράκτορες για τη μελέτη πολύπλοκων οικονομικών συστημάτων,
CILO 10 Αξιοποίηση τεχνικών NLP για την εξαγωγή πολύτιμων πληροφοριών για οικονομικές προβλέψεις από μη δομημένες πηγές δεδομένων κειμένου,
CILO 11 Ανάλυση μελετών περιπτώσεων και εφαρμογών πραγματικού κόσμου που αποδεικνύουν τη χρήση τεχνικών τεχνητής νοημοσύνης σε διάφορους οικονομικούς τομείς,
Περιεχόμενο μαθήματος
Η ψηφιακή οικονομία CILO 1
Τεχνολογίες Πληροφορικής και Επικοινωνιών CILO 2
Μοντελοποίηση της ψηφιακής αγοράς CILO 3
Οικονομικά των μεγάλων δεδομένων CILO 4
Θεμέλια της τεχνητής νοημοσύνης και της μηχανικής μάθησης στα οικονομικά και τις προβλέψεις CILO 4
Προβλεπτική μοντελοποίηση CILO 5
Μεγάλα δεδομένα και οικονομετρία CILO 6
Οικονομετρικά μοντέλα πρόβλεψης CILO 7
Προβλέψεις στις συναλλαγές υψηλής συχνότητας CILO 8
Μοντελοποίηση με βάση τους πράκτορες CILO 9
Προβλέψεις με μη δομημένα δεδομένα CILO 10
Μελέτες περιπτώσεων και εφαρμογές CILO 11
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας Διαλέξεις, συζητήσεις και αντιπαραθέσεις στην τάξη, ασκήσεις (ασκήσεις, βάσεις δεδομένων, λογισμικό κ.λπ.), ομαδικές εργασίες.
Μέθοδοι και κριτήρια αξιολόγησης Συμμετοχή στην τάξη και σύνολα προβλημάτων: 20%
Ομαδική εργασία ή ανάλυση περίπτωσης: 30%
Τελική εξέταση: 50%
Γλώσσα διδασκαλίας Αγγλικά
Πρακτική άσκηση Δεν εφαρμόζεται
Αναγνώσεις
Κύρια εγχειρίδια:
Øverby, Harald, και Jan Arild Audestad. Εισαγωγή στα ψηφιακά οικονομικά: Θεμέλια, επιχειρηματικά μοντέλα και μελέτες περιπτώσεων. Springer Nature, 2021.
Krohn, Jon, Grant Beyleveld και Aglaé Bassens. Deep Learning Illustrated. Addison-Wesley Professional, 2019.
Προαιρετικό βιβλίο:
Nguyen, O. "Η ψηφιακή οικονομία και οι συνιστώσες της: Η οικονομική ανάπτυξη της ΕΕ είναι μια από τις σημαντικότερες προκλήσεις της οικονομίας.
Συστάσεις". (2023).
Goldfarb, A., & Tucker, C. "Ψηφιακά οικονομικά. Journal of economic
βιβλιογραφία", 57(1), 3-43. (2019).
Τεχνητή νοημοσύνη: (4η έκδοση). Stuart Russell και
Peter Norvig, Pearson, 2020.
Επανεκκίνηση της τεχνητής νοημοσύνης: Δημιουργία τεχνητής νοημοσύνης που μπορούμε να εμπιστευτούμε. Gary Marcus και
Ernest Davis, Pantheon Books, 2019.
Άρθρα & περιοδικά:
Annor Antwi, Albert, και Ayman Abdulsalam Mohamed Al-Dherasi.
"Εφαρμογή της τεχνητής νοημοσύνης στην πρόβλεψη: Μια συστηματική
Ανασκόπηση." Διαθέσιμο στο SSRN 3483313 (2019).
Athey, Susan, και Guido W. Imbens. "Μέθοδοι μηχανικής μάθησης που
οι οικονομολόγοι πρέπει να γνωρίζουν". Annual Review of Economics 11 (2019).
Aldridge, Irene. Συναλλαγές υψηλής συχνότητας: ένας πρακτικός οδηγός για την αλγοριθμική
στρατηγικές και συστήματα συναλλαγών. Τόμος 604. John Wiley & Sons, 2013.
Tang, Yuk-Ming, et al. "Forecasting economic recession through share price in the logistics industry with artificial intelligence (AI)." Computation 8.3 (2020): 70.
Drachal, Krzysztof, και Michał Pawłowski. "Ανασκόπηση των εφαρμογών των γενετικών αλγορίθμων στην πρόβλεψη των τιμών των εμπορευμάτων". Economies 9.1 (2021): 6.
English (UK) 
Ελληνικά 
