Επιστροφή στα Επιμορφωτικά Προγράμματα
Προχωρημένη Python με εφαρμογές στη Μηχανική Μάθηση
Θεματική Κατηγορία: Στατιστική – Ανάλυση Δεδομένων, ΤΠΕ - Τεχνολογίες της Πληροφορίας & της Επικοινωνίας

Έναρξη Μαθημάτων: 17/02/2025

Πληροφορίες Προγράμματος

ΚΩΔΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΟΣ: 1711
ΠΡΟΩΡΗ ΕΓΓΡΑΦΗ: 18/12/2024 - 01/02/2025 (ΕΚΠΤΩΣΗ 20%)
ΠΕΡΙΟΔΟΣ ΑΙΤΗΣΕΩΝ ΕΓΓΡΑΦΩΝ: 18/12/2024 - 17/02/2025
ΠΕΡΙΟΔΟΣ Μαθηματων: 17/02/2025 - 16/04/2025
Διαρκεια: 2 μΗνες
ΩΡΕΣ ΕΠΙΜΟΡΦΩΣΗΣ: 80.00
Πιστωτικες Μοναδες ECTS: 3.20

Επιστημονική Ευθύνη: ΚΟΚΟΛΑΚΗΣ ΣΠΥΡΙΔΩΝ

Ακαδημαϊκή Ευθύνη: ΚΟΚΟΛΑΚΗΣ ΣΠΥΡΙΔΩΝ

Αρχικο Κοστος: 200,00 € (Εκπτώσεις προγράμματος)

Οδηγός Σπουδών


ΠΕΡΙΓΡΑΦΗ
ΠΕΡΙΓΡΑΜΜΑ
ΕΠΙΚΟΙΝΩΝΙΑ
ΕΚΠΤΩΣΕΙΣ - ΟΡΟΙ ΧΡΗΣΗΣ

Περιγραφή Προγράμματος

Αντικείμενο & Σκοπός Προγράμματος:
Ο σκοπός του προγράμματος είναι η επιμόρφωση φοιτητών και επαγγελματιών στην γλώσσα προγραμματισμού Python και τη Μηχανική Μάθηση. Οι εκπαιδευόμενοι θα γνωρίσουν βιβλιοθήκες της Python για Μηχανική Μάθηση (Scikit-learn, Tensorflow, keras). Θα μάθουν να κάνουν Προεπεξεργασία Δεδομένων (Data Munging), Οπτικοποίηση Δεδομένων (Data Visualization) καθώς και Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης. Θα παρουσιαστούν σημαντικά θέματα στη Μηχανική Μάθηση και οι επιμορφούμενες/οι θα γνωρίσουν και υλοποιήσουν με κώδικα Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis καθώς και Supervised Learning Algorithms Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor. Τέλος, θα μάθουν να δουλεύουν με Neural Networks and Deep Learning μεθόδους (Συνελικτικά νευρωνικά δίκτυα - Convolution Neural Networks).

Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να πιστοποιηθεί ως ειδικός Μηχανικής Μάθησης με τη χρήση της γλώσσας Python. Το πρόγραμμα απευθύνεται επίσης και σε επαγγελματίες που θέλουν να βελτιώσουν τις αντίστοιχες γνώσεις τους, κατόχους πτυχίου ή τελειόφοιτους που θέλουν να ακολουθήσουν καριέρα ως επιστήμονες δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ. Προϋποθέτει βασικές γνώσεις Python.
Μαθησιακοί Στόχοι Προγράμματος:
Με την ολοκλήρωση του προγράμματος, οι επιμορφούμενοι θα είναι σε θέση να:

1. Προεπεξεργασία Δεδομένων (Data Munging)
2. Οπτικοποίηση Δεδομένων (Data Visualization)
3. Κάνουν Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης.
4. Να δουλεύουν με Supervised Learning Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor.
5. Να δουλεύουν με Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis
6. Να δουλεύουν με Neural Networks and Deep Learning μεθόδους
Μεθοδολογία Υλοποίησης:
[Online εξ αποστάσεως]
Το εκπαιδευτικό υλικό θα χρησιμοποιηθεί για τη διδακτική στήριξη θα είναι κυρίως:
• Πλήρες ηλεκτρονικό σύγγραμμα.
• Παρουσιάσεις power point που θα κατευθύνουν τους φοιτητές και τις φοιτήτριες στη μελέτη και στην κατανόηση του εκπαιδευτικού υλικού.
• Σύντομες ασκήσεις αυτοαξιολόγησης και εργασίες.
Η μέθοδος εκπαίδευσης είναι η ασύγχρονη τηλεκπαίδευση. Το εκπαιδευτικό υλικό θα διατίθεται σταδιακά, ανά εβδομάδα, ακολουθώντας τη ροή του μαθήματος.
Μεθοδολογία αξιολόγησης:
Η μέθοδος αξιολόγησης θα αποτελείται από τρία μέρη:
α) Αυτοαξιολόγηση: 5 ασκήσεις πολλαπλής επιλογής, σωστό-λάθος, αντιστοίχιση, κ.τ.λ.
β) Αξιολόγηση: 1 εργασία ανάπτυξης κάθε εβδομάδα.
γ) Τελική εργασία.
Ελάχιστα Προσόντα Υποψηφίων:
Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να πιστοποιηθεί ως ειδικός Μηχανικής Μάθησης με τη χρήση της γλώσσας Python. Το πρόγραμμα απευθύνεται επίσης και σε επαγγελματίες που θέλουν να βελτιώσουν τις αντίστοιχες γνώσεις τους, κατόχους πτυχίου ή τελειόφοιτους που θέλουν να ακολουθήσουν καριέρα ως επιστήμονες δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ. Προϋποθέτει βασικές γνώσεις Python.

Περιγραφή Προγράμματος

Αντικείμενο & Σκοπός Προγράμματος:
Ο σκοπός του προγράμματος είναι η επιμόρφωση φοιτητών και επαγγελματιών στην γλώσσα προγραμματισμού Python και τη Μηχανική Μάθηση. Οι εκπαιδευόμενοι θα γνωρίσουν βιβλιοθήκες της Python για Μηχανική Μάθηση (Scikit-learn, Tensorflow, keras). Θα μάθουν να κάνουν Προεπεξεργασία Δεδομένων (Data Munging), Οπτικοποίηση Δεδομένων (Data Visualization) καθώς και Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης. Θα παρουσιαστούν σημαντικά θέματα στη Μηχανική Μάθηση και οι επιμορφούμενες/οι θα γνωρίσουν και υλοποιήσουν με κώδικα Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis καθώς και Supervised Learning Algorithms Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor. Τέλος, θα μάθουν να δουλεύουν με Neural Networks and Deep Learning μεθόδους (Συνελικτικά νευρωνικά δίκτυα - Convolution Neural Networks).

Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να πιστοποιηθεί ως ειδικός Μηχανικής Μάθησης με τη χρήση της γλώσσας Python. Το πρόγραμμα απευθύνεται επίσης και σε επαγγελματίες που θέλουν να βελτιώσουν τις αντίστοιχες γνώσεις τους, κατόχους πτυχίου ή τελειόφοιτους που θέλουν να ακολουθήσουν καριέρα ως επιστήμονες δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ. Προϋποθέτει βασικές γνώσεις Python.
Μαθησιακοί Στόχοι Προγράμματος:
Με την ολοκλήρωση του προγράμματος, οι επιμορφούμενοι θα είναι σε θέση να:

1. Προεπεξεργασία Δεδομένων (Data Munging)
2. Οπτικοποίηση Δεδομένων (Data Visualization)
3. Κάνουν Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης.
4. Να δουλεύουν με Supervised Learning Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor.
5. Να δουλεύουν με Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis
6. Να δουλεύουν με Neural Networks and Deep Learning μεθόδους
[Online εξ αποστάσεως]
Το εκπαιδευτικό υλικό θα χρησιμοποιηθεί για τη διδακτική στήριξη θα είναι κυρίως: • Πλήρες ηλεκτρονικό σύγγραμμα. • Παρουσιάσεις power point που θα κατευθύνουν τους φοιτητές και τις φοιτήτριες στη μελέτη και στην κατανόηση του εκπαιδευτικού υλικού. • Σύντομες ασκήσεις αυτοαξιολόγησης και εργασίες. Η μέθοδος εκπαίδευσης είναι η ασύγχρονη τηλεκπαίδευση. Το εκπαιδευτικό υλικό θα διατίθεται σταδιακά, ανά εβδομάδα, ακολουθώντας τη ροή του μαθήματος.
Μεθοδολογία αξιολόγησης:
Η μέθοδος αξιολόγησης θα αποτελείται από τρία μέρη:
α) Αυτοαξιολόγηση: 5 ασκήσεις πολλαπλής επιλογής, σωστό-λάθος, αντιστοίχιση, κ.τ.λ.
β) Αξιολόγηση: 1 εργασία ανάπτυξης κάθε εβδομάδα.
γ) Τελική εργασία.
Ελάχιστα Προσόντα Υποψηφίων:
Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να πιστοποιηθεί ως ειδικός Μηχανικής Μάθησης με τη χρήση της γλώσσας Python. Το πρόγραμμα απευθύνεται επίσης και σε επαγγελματίες που θέλουν να βελτιώσουν τις αντίστοιχες γνώσεις τους, κατόχους πτυχίου ή τελειόφοιτους που θέλουν να ακολουθήσουν καριέρα ως επιστήμονες δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ. Προϋποθέτει βασικές γνώσεις Python.

Περίγραμμα Προγράμματος

Διδακτική ενότητα 1: Σημαντικά θέματα στη Μηχανική Μάθηση και Unsupervised Learning Algorithms
ΠεριγραφήΣτην παρούσα ενότητα θα γίνει εισαγωγή στη χρήση της γλώσσας προγραμματισμού Python για machine learning. Επίσης, θα γίνει αναφορά σε Σημαντικά θέματα Μηχανικής Μάθησης και θα δούμε Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis.
Έναρξη17/02/2025
Λήξη16/03/2025
Ώρες40.00
Ακαδημαϊκή ΕυθύνηΣΠΥΡΙΔΩΝ ΚΟΚΟΛΑΚΗΣ
Συνεδρίες1 Python και Μηχανική Μάθηση.
2 Βιβλιοθήκες Python για Μηχανική Μάθηση (Pandas, NumPy, Matplotlib, Scikit-learn, Tensorflow, keras).
3 Machine Learning & Deep Learning
4 Unsupervised Learning Algorithms (K-Means, Principal Component Analysis).

Διδακτική ενότητα 2: Supervised Learning Algorithms - Neural Networks and Deep Learning
ΠεριγραφήΣτην παρούσα διδακτική ενότητα οι εκπαιδευόμενοι θα μάθουν Supervised Learning Algorithms όπως: Linear Regression, Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor. Επίσης θα μάθουν να δουλεύουν με Neural Networks and Deep Learning μεθόδους.
Έναρξη17/03/2025
Λήξη16/04/2025
Ώρες40.00
Ακαδημαϊκή ΕυθύνηΣΠΥΡΙΔΩΝ ΚΟΚΟΛΑΚΗΣ
Συνεδρίες1 Linear Regression, Logistic Regression, Support Vector Machines.
2 Decision Trees and Random Forests, K-Nearest Neighbor.
3 Neural Networks and Deep Learning: Συνελικτικά νευρωνικά δίκτυα (Convolution Neural Networks).
4 Τελική εργασία (Mini project).

Επικοινωνία:

ΥΠΕΥΘΥΝΟΣ/H ΕΠΙΚΟΙΝΩΝΙΑΣ: Ιωάννης Στύλιος [istylios(at)aegean.gr - Τηλ. -]

ΙΣΤΟΣΕΛΙΔΑ ΠΡΟΓΡΑΜΜΑΤΟΣ: https://elearn-aegean.gr/product/advanced-python-with-applications-in-machine-learning/


Εκπτώσεις - Όροι χρήσης:

Πολιτική Εκπτώσεων
Το Κ.Ε.ΔΙ.ΒΙ.Μ. διατηρεί το δικαίωμα να μεταβάλλει τα ποσοστά/ποσά και τις κατηγορίες των εκπτώσεων και λοιπών προσφορών επί των αρχικών τιμών των διδάκτρων, καθόλη τη διάρκεια του τρέχοντος Κύκλου Σπουδών χωρίς προηγούμενη ειδοποίηση. Οι όποιες αλλαγές δεν αφορούν τους/τις ήδη εγγεγραμμένους/νες.

Έκπτωση πρόωρης εγγραφής: 20%
Έκπτωση εφάπαξ πληρωμής: 20%
Έκπτωση για άνεργους/ες: 20%
Έκπτωση για φοιτητές/τριες: 20%
Έκπτωση Ευρωπαϊκής Κάρτας Νέων: 15%
Έκπτωση πολυτέκνων: 20%
Έκπτωση ΑΜΕΑ: 20%

Εγγραφή
Η «Αίτηση Εγγραφής» επέχει θέση Υπεύθυνης Δήλωσης και συνεπώς τα συμπληρωθέντα στοιχεία θα πρέπει να είναι αληθή και ακριβή ώστε τα εκδοθέντα Πιστοποιητικά Επιμόρφωσης, Βεβαιώσεις και λοιπά έγγραφα να είναι έγκυρα. Για οποιαδήποτε αναντιστοιχία προκύψει, το Κ.Ε.ΔΙ.ΒΙ.Μ. δεν υποχρεούται να επανεκδώσει τα ανωτέρω έγγραφα ενώ διατηρεί το δικαίωμα να το ανακαλέσει.

Εγκυρότητα υποβληθέντων δικαιολογητικών
Προκειμένου να τεκμηριώνεται η ισχύς των επιλεγμένων στη φόρμα εγγραφής εκπτώσεων, ο/η επιμορφούμενος/η οφείλει να αποστέλλει στη γραμματεία του εκάστοτε επιμορφωτικού προγράμματος τα σχετικά δικαιολογητικά, πριν την έναρξη του επιλεχθέντος Προγράμματος. Βάσει του άρθρου 28 του Ν.4305/2014, το Κ.Ε.ΔΙ.ΒΙ.Μ. δύναται να διενεργεί αυτεπάγγελτο έλεγχο της γνησιότητας των δικαιολογητικών που έχει υποβάλει ο/η επιμορφούμενος/η. Σε περίπτωση μη έγκαιρης αποστολής ή μη επιβεβαίωσης της εγκυρότητας των υποβληθέντων δικαιολογητικών, το Κ.Ε.ΔΙ.ΒΙ.Μ. διατηρεί το δικαίωμα της ανάκλησης της χορηγηθείσας έκπτωσης και να απαιτήσει την όποια προκύπτουσα χρηματική διαφορά καθώς και να ακυρώσει τυχόν έκδοση οποιαδήποτε Βεβαίωσης ή/και Πιστοποιητικού Επιμόρφωσης.

Υποχρεώσεις επισκέπτη/χρήστη
Ο/Η χρήστης/τρια της ιστοσελίδας, των εκπαιδευτικών πλατφορμών αλλά και των πλατφορμών τηλεδιάσκεψης οφείλει αφενός μεν να συμμορφώνεται με τους κανόνες και τις διατάξεις του Ελληνικού, Ευρωπαϊκού και Διεθνούς Δικαίου και τη σχετική νομοθεσία που διέπει τις τηλεπικοινωνίες, αφετέρου δε να απέχει από κάθε παράνομη και καταχρηστική χρήση του περιεχομένου και των υπηρεσιών της ιστοσελίδας. Ρητά διευκρινίζεται ότι δεν επιτρέπεται να παραχωρεί τους προσωπικούς κωδικούς πρόσβασης σε οποιοδήποτε τρίτο πρόσωπο. Επίσης, κάθε επισκέπτης / χρήστης της ιστοσελίδας οφείλει να συμπεριφέρεται κόσμια, ευγενικά και διακριτικά κατά τη διάρκεια χρήσης των ανωτέρω, ενώ απαγορεύεται η υιοθέτηση πρακτικών αθέμιτου ανταγωνισμού ή άλλων που αντίκεται στους κοινώς αποδεκτούς κανόνες συμπεριφοράς των χρηστών του Internet (Netiquette). Οιαδήποτε ζημία προκληθεί στην ιστοσελίδα ή/και στις πλατφόρμες σύγχρονης/ασύγχρονής εκπαίδευσης ή στο Δίκτυο γενικότερα απορρέουσα από την κακή ή αθέμιτη χρήση των σχετικών υπηρεσιών από τον χρήστη / επισκέπτη είναι αποκλειστικά δική του ευθύνη, και το Πανεπιστήμιο Αιγαίου δύναται να τον διαγράψει από μέλος της επιμορφωτικής του κοινότητας χωρίς οποιαδήποτε οικονομική αποζημίωση και επιστροφή διδάκτρων. Επιπλέον, οιαδήποτε ηθική ζημία ή ζημία φήμης προκληθεί απορρέουσα από την μη χρήση κόσμιας και διακριτικής συμπεριφοράς κατά την επικοινωνία του με τις επιμέρους ομάδες διδασκόντων, τεχνικής και διοικητικής υποστήριξης, είναι αποκλειστικά ευθύνη του χρήστη, και το Πανεπιστήμιο Αιγαίου δύναται να τον διαγράψει από μέλος της επιμορφωτικής του κοινότητας χωρίς οποιαδήποτε οικονομική αποζημίωση και επιστροφή διδάκτρων. Για οποιαδήποτε επισήμανση, παρατήρηση ή/και πρόταση, οι επιμορφούμενοι/ες θα πρέπει να απευθύνονται αποκλειστικά στις γραμματείες των επιμέρους επιμόρφωτικών προγραμμάτων ή στη γραμματεία του Κ.Ε.ΔΙ.ΒΙ.Μ.

Συμμετοχή στα μαθήματα & Έκδοση Πιστοποιητικών
• Δεν υφίσταται κανένας περιορισμός φύλου, φυλής, εθνικότητας, θρησκεύματος ή άλλη διάκριση στη συμμετοχή στα επιμορφωτικά προγράμματα του Κ.Ε.ΔΙ.ΒΙ.Μ.
• Η αποδοχή και η συμμετοχή των επιμορφούμενων προϋποθέτει την πλήρη εκ μέρους τους κατανόηση του και του εκάστοτε Οδηγού Προγράμματος
• Το Κ.Ε.ΔΙ.ΒΙ.Μ., διατηρεί το δικαίωμα να αναπροσαρμόζει το χρονοδιάγραμμα των μαθημάτων, τους/τις διδάσκοντες/ουσες καθώς και να αναβάλλει ή να ακυρώνει τη διάθεση Προγραμμάτων ενημερώνοντας τους/τις εγγεγραμμένους/ες
• Για την καλύτερη εξυπηρέτηση τους, οι επιμορφούμενοι/ες θα πρέπει κατά την επικοινωνία τους με το Κ.Ε.ΔΙ.ΒΙ.Μ. να αναφέρουν το ονοματεπώνυμο τους, τον ακριβή τίτλο του προγράμματος που συμμετέχουν, τον/την Ακαδημαϊκά Υπεύθυνο/η και την ημερομηνία έναρξης του προγράμματος.
• Εφόσον υφίστανται οικονομικής φύσης εκκρεμότητες, το Κ.Ε.ΔΙ.ΒΙ.Μ. διατηρεί το δικαίωμα να αναστέλλει προσωρινά ή/και να απενεργοποιεί την πρόσβαση των επιμορφούμενων στις ηλεκτρονικές πλατφόρμες σύγχρονης και ασύγχρονης μάθησης
• Η απονομή του Πιστοποιητικού Επιμόρφωσης προϋποθέτει τη συμμετοχή των επιμορφούμενων στις ανατεθείσες δραστηριότητες αξιολόγησης και βάσει των κριτηρίων αξιολόγησης που θέτει το εκάστοτε επιμορφωτικό πρόγραμμα
• Εφόσον υφίστανται οικονομικής φύσης εκκρεμότητες, δεν απονέμεται Πιστοποιητικό Επιμόρφωσης για καμία από τις επιμέρους Διδακτικές Ενότητες ενός Προγράμματος, αλλά ούτε για το σύνολο του Προγράμματος.
• Προϋπόθεση χορήγησης βεβαιώσεων πριν την ολοκλήρωση ενός επιμορφωτικού προγράμματος, είναι η εξόφληση τουλάχιστον μέρους των διδάκτρων αντιστοίχου των Διδακτικών Ενοτήτων που βεβαιώνεται ότι παρακολούθησε ο/η επιμορφούμενος/η.

Τεχνικές Προϋποθέσεις
Για τη συμμετοχή στην online επιμόρφωση απαιτούνται τουλάχιστον ένας σύγχρονος υπολογιστής και πρόσβαση στο διαδίκτυο.
Συγκεκριμένα, για τη βέλτιστη και απρόσκοπτη πρόσβαση και εργασία στο Σύστημα Ασύγχρονης και κυρίως της Σύγχρονης ηλεκτρονικής μάθησης, οι ενδιαφερόμενοι/ες προτείνεται να διαθέτουν τα εξής:
1. Σύγχρονο ηλεκτρονικό υπολογιστή που να διαθέτει multimedia δυνατότητες (μικρόφωνο, ηχεία ή ακουστικά, κάμερα).
2. Σύνδεση ADSL για πρόσβαση στο Διαδίκτυο, με ελάχιστη απαιτούμενη ταχύτητα σύνδεσης στο Διαδίκτυο 4 Mbps.
Είναι δυνατό ωστόσο να απαιτούνται από τα επιμέρους επιμορφωτικά προγράμματα και επιπρόσθετες τεχνικές προϋποθέσεις, εφόσον αυτό κρίνεται σκόπιμο για την ομαλή διεξαγωγή τους.

Πνευματική Ιδιοκτησία
Κάθε υλικό, εμπορικό σήμα ή λοιπή πνευματική ιδιοκτησία της παρούσας ιστοσελίδας αποτελεί περιουσιακό στοιχείο του Πανεπιστημίου Αιγαίου και υπάγεται στη σχετική νομοθεσία περί προστασίας της πνευματικής ιδιοκτησίας, με εξαίρεση τα ρητώς αναγνωρισμένα δικαιώματα τρίτων. Απαγορεύεται η αναπαραγωγή, η μετατροπή / αντιγραφή / ενοικίαση / δανεισμός / μετάδοση και εκπομπή του χωρίς σχετική άδεια. Κατ’ εξαίρεση, επιτρέπεται η μεμονωμένη αποθήκευση και αντιγραφή τμημάτων του περιεχομένου σε απλό προσωπικό υπολογιστή για αυστηρά προσωπική χρήση, χωρίς πρόθεση εμπορικής ή άλλης εκμετάλλευσης και πάντα υπό την προϋπόθεση της αναγραφής της πηγής προέλευσής του, χωρίς αυτό να σημαίνει κατά οποιονδήποτε τρόπο παραχώρηση δικαιωμάτων πνευματικής ιδιοκτησίας.

Μοριοδότηση Προγραμμάτων
Το Κ.Ε.ΔΙ.ΒΙ.Μ. δύναται στο πλαίσιο της προώθησης ενός προγράμματος, να ενημερώνει -συμβουλευτικά και μόνο- το ενδιαφερόμενο κοινό σχετικά με τη δυνατότητα αξιοποίησης ενός πιστοποιητικού επιμόρφωσης από πλευράς ενδεχόμενης μοριοδότησής του, βάσει του θεσμικού πλαισίου που ισχύει κατά την περίοδο της έναρξης του προγράμματος. Ωστόσο, η μοριοδότηση της επιμόρφωσης ως προσόν, εξαρτάται από τα εκάστοτε κριτήρια των προκηρύξεων/προσκλήσεων όπως αυτά καθορίζονται από τους φορείς που τις εκδίδουν κατά τη χρονική στιγμή της έκδοσης τους και οι ενδιαφερόμενοι/ες οφείλουν να επικοινωνούν με τους εν λόγω φορείς για διευκρινίσεις και φέρουν την αποκλειστική ευθύνη για τη διερεύνηση ζητημάτων μοριοδότησης.

Ακύρωση Προγραμμάτων-Επιστροφές Διδάκτρων
Τα επιμορφωτικά προγράμματα θα υλοποιούνται μόνο εφόσον έχει διασφαλιστεί ο απαιτούμενος αριθμός επιμορφούμενων.
Επιστροφή διδάκτρων είναι εφικτή μόνο σε εξαιρετικές περιπτώσεις και μόνο εφόσον ο/η αιτούμενος/η ενημερώσει γραπτά τη γραμματεία πριν την έναρξη του Προγράμματος ότι δεν επιθυμεί να παρακολουθήσει εκθέτοντας αναλυτικά τους λόγους διακοπής της επιμόρφωσης. Το έγγραφο αίτημα εξετάζεται από τον/την Επιστημονικά Υπεύθυνο/η του κάθε επιμορφωτικού προγράμματος και αποφαίνεται σχετικά. Στις περιπτώσεις αυτές και προκειμένου να μην επιβαρυνθεί με ενδεχόμενα τραπεζικά έξοδα ή έξοδα διαχείρισης του Ειδικού Λογαριασμού Κονδυλίων Έρευνας, δύναται να αιτηθεί πίστωση των διδάκτρων του για φοίτηση σε άλλο Πρόγραμμα της ίδιας επιμορφωτικής δράσης, δηλαδή σε Πρόγραμμα με τον/την ίδιο/α Επιστημονικά Υπεύθυνο/η. Το πιστωμένο ποσό σε περίπτωση που δεν εξαντληθεί, δεν επιστρέφεται, αλλά παραμένει στη διάθεση του/της συμμετέχοντα/ουσας για μελλοντική χρήση.
Σε περιπτώσεις απόφασης επιστροφής διδάκτρων, εάν η υπαιτιότητα της επιστροφής βαρύνει το Κ.Ε.ΔΙ.ΒΙ.Μ., η οφειλόμενη χρηματική διαφορά επιστρέφεται χωρίς καμία επιπλέον επιβάρυνση.
Σε περιπτώσεις μη υπαιτιότητας του Πανεπιστημίου Αιγαίου η όποια οφειλόμενη χρηματική διαφορά βαρύνει τον/την αιτούντα/ούσα, που επιβαρύνεται με τα όποια τραπεζικά έξοδα και επιπρόσθετα 10% με έξοδα διαχείρισης του Ειδικού Λογαριασμού Κονδυλίων Έρευνας.

Αξιολόγηση Προγράμματος
Συμμετοχή στην Αξιολόγηση Προγράμματος: Η συμπλήρωση του ανώνυμου Ερωτηματολογίου Αξιολόγησης Επιμορφωτικού Προγράμματος από τους εκπαιδευόμενους, στοχεύει στην διασφάλιση της ποιότητας των παρεχόμενων εκπαιδευτικών υπηρεσιών, σύμφωνα με τα οριζόμενα στο άρθρο 115 του ν. 4957/2022 και τον Κανονισμό Λειτουργίας του Κ.Ε.ΔΙ.ΒΙ.Μ. του Πανεπιστημίου Αιγαίου. Το ερωτηματολόγιο αναρτάται στην πλατφόρμα ασύγχρονης τηλεκπαίδευσης κατά τον τελευταίο μήνα υλοποίησης του προγράμματος, μαζί με την ενεργοποίηση της τελευταίας δραστηριότητας αξιολόγησης του προγράμματος. Η συμπλήρωση του ερωτηματολογίου είναι προαιρετική και εντάσσεται στις ακαδημαϊκές δραστηριότητες των εκπαιδευομένων.

Παράταση στις ακαδημαϊκές υποχρεώσεις
Τυχόν παράταση στις ακαδημαϊκές υποχρεώσεις των εκπαιδευομένων καθώς και η διαδικασία έκδοσης των πιστοποιητικών επιμόρφωσης για τους/τις εκπαιδευόμενους/ες που παρακολούθησαν επιτυχώς το πρόγραμμα, δεν μπορεί να υπερβαίνει τους έξι (6) μήνες από την, βάσει της απόφασης έγκρισης, ημερομηνία ολοκλήρωσης του προγράμματος. Σε εξαιρετικές περιπτώσεις, κατόπιν τεκμηριωμένου αιτήματος εκπαιδευόμενου/ης και αιτιολογημένης απόφασης του Συμβουλίου του Κ.Ε.ΔΙ.ΒΙ.Μ. μπορεί η προβλεπόμενη στο προηγούμενο εδάφιο παράταση να χορηγηθεί για χρονικό διάστημα έως ένα (1) έτος από την, βάσει της απόφασης έγκρισης, ημερομηνία ολοκλήρωσης του προγράμματος.