Πλοήγηση ανά Επιβλέποντα "Pramatari, Aikaterini"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 2 από 2

Entrepreneurship education: the measurement of entrepreneurial competencies and their development through innovation-driven entrepreneurial action
(2025-07-14) Chronaki, Vasiliki; Χρονάκη, Βασιλική; Doukidis, Georgios; Voudouris, Irini; Pouloudi, Nancy; Lekakos, George; Soderquist, Eric-Klas; Griva, Anastasia; Pramatari, Aikaterini
Καθώς η καινοτομία και η επιχειρηματικότητα αποτελούν βασικούς μοχλούς της σύγχρονης οικονομίας, τα Ανώτατα Εκπαιδευτικά Ιδρύματα καλούνται να ενισχύσουν τον ρόλο τους ως φορείς καλλιέργειας επιχειρηματικών δεξιοτήτων. Σε αυτό το πλαίσιο, η διδακτορική διατριβή εστιάζει στον σχεδιασμό, την εμπειρική αξιολόγηση και τη θεωρητική θεμελίωση ενός εκπαιδευτικού πλαισίου επιχειρηματικής εκπαίδευσης, του IDEA (Innovation-Driven Entrepreneurial Action). Η έρευνα βασίστηκε σε δύο αλληλένδετα ερευνητικά σκέλη. Το πρώτο αφορά την εννοιολόγηση, μέτρηση και επικύρωση εννέα επιχειρηματικών δεξιοτήτων, ενώ το δεύτερο αφορά την ανάπτυξη και αξιολόγηση του εκπαιδευτικού προγράμματος IDEA, το οποίο ενσωματώνει αρχές όπως η μάθηση μέσω δράσης, η καθοδήγηση, η διεπιστημονικότητα και η συνεχής ανατροφοδότηση και επικύρωση. Η παράλληλη εμπειρική μελέτη βασίστηκε σε τέσσερα προγράμματα επιχειρηματικής εκπαίδευσης που υλοποιούνται μέσα και από το Οικονομικό Πανεπιστήμιο Αθηνών, ακολουθώντας μεθοδολογία συμμετοχικής έρευνας (action research) και αξιοποιώντας μικτή μεθοδολογική προσέγγιση. Η διατριβή προσφέρει ένα επικυρωμένο εργαλείο μέτρησης της ανάπτυξης και ενίσχυσης επιχειρηματικών δεξιοτήτων και πρόθεσης για επιχειρηματική δράση, καθώς και ένα προσαρμόσιμο εκπαιδευτικό μοντέλο εφαρμόσιμο σε διαφορετικά εκπαιδευτικά περιβάλλοντα και σε συμμετέχοντες με διαφορετικό ακαδημαϊκό, κοινωνικό και εργασιακό υπόβαθρο. Επιπλέον, συνεισφέρει θεωρητικά στον διάλογο σε ότι αφορά στη μετάβαση των Ανώτερων Πανεπιστημιακών Ιδρυμάτων σε Επιχειρηματικά Πανεπιστήμια, παρέχοντας ένα σύνδεσμο ανάμεσα στη θεωρία των επιχειρηματικών δεξιοτήτων και την πρακτική της εκπαιδευτικής εφαρμογής. Συνολικά, η διατριβή γεφυρώνει το χάσμα μεταξύ θεωρίας και πράξης, συμβάλλοντας ουσιαστικά στον μετασχηματισμό της επιχειρηματικής εκπαίδευσης και της τρίτης πανεπιστημιακής αποστολής που στοχεύει στη μετάφραση της έρευνας και της μεταφοράς γνώσης σε αντίκτυπο για τη κοινωνία και την οικονομία.
Real-time pattern recognition in data streams in the IoT
(2025-07-31) Polytarchos, Elias; Πολύταρχος, Ηλίας; Doukidis, Georgios; Bardaki, Cleopatra; Lekakos, Georgios; Papakyriakopoulos, Dimitrios; Pnevmatikatos, Dionisios; Chatziantoniou, Damianos; Pramatari, Aikaterini
Η ταχεία ανάπτυξη του Διαδικτύου των Πραγμάτων (IoT), σε συνδυασμό με τις χρηματοοικονομικές συναλλαγές που βασίζονται σε τεχνολογία blockchain και τα παραδοσιακά οικονομικά δίκτυα, καθώς και τα κοινωνικά δίκτυα, έχει οδηγήσει στη δημιουργία τεράστιων ροών δεδομένων. Αυτές περιέχουν μια πρωτοφανή ποσότητα πληροφοριών που κινδυνεύουν να χαθούν, εκτός αν αναλυθούν και επεξεργαστούν, χωρίς την αυστηρή απαίτηση αποθήκευσής τους. Η παρούσα διατριβή εξετάζει τις προκλήσεις και τις ευκαιρίες που συνδέονται με την ανάλυση τέτοιων ροών δεδομένων, τονίζοντας την ανάγκη για μεθοδολογίες που μπορούν να διαχειριστούν τη συνεχόμενη εισροή δεδομένων χωρίς να βασίζονται σε μεγάλους όγκους αποθηκευμένων ιστορικών δεδομένων. Οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης αποτυγχάνουν σε αυτό το πλαίσιο λόγω της ανάγκης τους για πολλαπλές διαβάσεις των δεδομένων, της αδυναμίας προσαρμογής σε μεταβολές των στατιστικών ιδιοτήτων των ροών δεδομένων και των υψηλών υπολογιστικών απαιτήσεων. Η εργασία αυτή ερευνά την προσαρμογή διάφορων αλγορίθμων ομαδοποίησης και ταξινόμησης για την ανάλυση ροών δεδομένων σε πραγματικό χρόνο, μέσω της μεθοδολογίας BEReTiC, που έχει κατοχύρωθεί με δίπλωμα ευρεσιτεχνίας. Το BEReTiC αποτελεί έναν πολυπλέκτη και προσαρμογέα αλγορίθμων ομαδοποίησης και ταξινόμησης σε πραγματικό χρόνο, σχεδιασμένο να αντιμετωπίζει τις μοναδικές ιδιότητες των ροών δεδομένων, όπως το concept drift και evolution. Παρουσιάζεται ο αλγόριθμος CluNN, ένας καινοτόμος κατοχυρωμένος αλγόριθμος ομαδοποίησης, σχεδιασμένος για ομαδοποίηση ροών δεδομένων. Η απόδοση και η ακρίβεια της μεθοδολογίας και του αλγορίθμου αξιολογούνται μέσω ποιοτικών και εμπειρικών αξιολογήσεων σε πολλαπλούς πραγματικούς τομείς εφαρμογής, συμπεριλαμβανομένων εφαρμογών με ροές δεδομένων άγνωστης ή ασταθούς κατανομής, καθώς και εφαρμογών των οποίων οι ροές δεδομένων υπακούουν σε πιο προβλέψιμες κατανομές. Τα αποτελέσματα δείχνουν ότι το BEReTiC και ο CluNN επιτρέπουν την έγκαιρη, προσαρμοστική και ακριβή αναγνώριση προτύπων τόσο σε ασταθείς όσο και σε ντετερμινιστικά περιβάλλοντα, αντιμετωπίζοντας κρίσιμες προκλήσεις στην ανάλυση ροών δεδομένων σε πραγματικό χρόνο. Οι συνεισφορές αυτές ανοίγουν τον δρόμο για μια αποτελεσματική και πρακτική ενσωμάτωση δυνατοτήτων αναγνώρισης προτύπων σε πραγματικά συστήματα IoT.