Oρκωμοσία αποφοίτων – Data Science and Information Technologies
ΑΝΑΚΟΙΝΩΣΗ
Η ορκωμοσία των αποφοίτων των Διατμηματικών /Διιδρυματικών ΠΜΣ:
Data Science and Information Technologies
Αλγόριθμοι, Λογική και Διακριτά Μαθηματικά
Γλωσσική Τεχνολογία
Διαστημικές Τεχνολογίες, Εφαρμογές και Υπηρεσίες
Διοίκηση και Οικονομική των Τηλεπικοινωνιακών Δικτύων και Πληροφοριακών Συστημάτων
των εξεταστικών περιόδων Ιουνίου και Σεπτεμβρίου του ακαδημαϊκού έτους 2024-2025, θα πραγματοποιηθεί την Πέμπτη 15 Ιανουαρίου 2026 και ώρα 14:00 μ.μ., στο Αμφιθέατρο του Τμήματος, Πανεπιστημιούπολη, Ιλίσια. Απαραίτητη προϋπόθεση για τη συμμετοχή σας στην ορκωμοσία, είναι:
1) η δήλωση συμμετοχής σύμφωνα με το επισυναπτόμενο υπόδειγμα,
2) η δήλωση συγκατάθεσης για χρήση φωτογραφίας και βίντεο σε εκδηλώσεις του ΕΚΠΑ σύμφωνα με το επισυναπτόμενο υπόδειγμα.
Τα παραπάνω έντυπα θα πρέπει να αποσταλούν μέσω ηλεκτρονικού μηνύματος με Θέμα: ΣΥΜΜΕΤΟΧΗ ΣΤΗΝ ΟΡΚΩΜΟΣΙΑ ΠΜΣ στην διεύθυνση: secretpm@di.uoa.gr έως τις 15/12/2025. Σύμφωνα με απόφαση του Αντιπρύτανη Διοικητικών Υποθέσεων και Φοιτητικής Μέριμνας, επιτρέπονται έως και τέσσερεις (4) συνοδοί.
Οι ορκιζόμενοι θα πρέπει να βρίσκονται στην είσοδο του αμφιθεάτρου τουλάχιστον μισή ώρα πριν την έναρξη της τελετής, δηλαδή ως τις 13.30 μ.μ. αυστηρά, κρατώντας την αστυνομική τους ταυτότητα και την καθομολόγησή τους, την οποία θα λάβουν στο φοιτητικό τους λογαριασμό e-mail, μία εβδομάδα πριν από την Τελετή.
MSc Thesis presentation of Ms. Elianna Douka, Friday, November 14, 2025
On Friday, November 14, 2025, at 12.15 pm, ms Elianna Douka, student of the postgraduate program “Data Science and Information Technologies”, will present his MSc thesis titled: “On evaluating counterfactual explanations for Machine Learning Models”
Titlle: “On evaluating counterfactual explanations for Machine Learning Models”
Elianna Douka, DSIT MSc
Abstract
The need to interpret machine learning (ML) model outputs using counterfactual (CF) explanations, small, meaningful perturbations of input data, has gained increasing importance in the research community. While CF explanations provide valuable insight into model behavior, evaluating their performance remains challenging, especially when models are trained in distributed or federated settings. This work draws inspiration from interactive system evaluation and introduces a set of metrics designed to assess CF explanations in distributed learning environments. The proposed approach aims to ensure that CF examples contribute to unbiased, stable, and interpretable model training across decentralized data sources.
Preliminary experimental results demonstrate the effectiveness and robustness of the proposed metrics, highlighting their potential to improve model fairness, reliability, and transparency in distributed machine learning scenarios.
Examiners
Prof. M. Koubarakis,
Prof. V. Kalogeraki
link
https://uoa.webex.com/uoa/j.php?MTID=m593ef98086eb56ade69da482acb33294
10ο κύκλο του Προγράμματος Επιχειρηματικής Επιτάχυνσης «Αρχιμήδης»
Η Μονάδα Μεταφοράς Τεχνολογίας και Καινοτομίας «Αρχιμήδης», καλεί τους φοιτητές και ερευνητές του ΕΚΠΑ που ενδιαφέρονται να αναπτύξουν ή να εξελίξουν μία επιχειρηματική ιδέα, να υποβάλλουν Αίτηση για τη συμμετοχή τους στο 10ο κύκλο του Προγράμματος Επιχειρηματικής Επιτάχυνσης.
Μέσα από διαδραστικά εκπαιδευτικά εργαστήρια, coaching και mentoring από έμπειρους ανθρώπους της αγοράς και με την υποστήριξη ενός ενεργού δικτύου συνεργατών και επιχειρήσεων, το Πρόγραμμα δίνει τη δυνατότητα στα μέλη της Πανεπιστημιακής κοινότητας του ΕΚΠΑ να επεξεργαστούν τις επιχειρηματικές τους ιδέες, να δημιουργήσουν το MVP τους και να λάβουν ανατροφοδότηση, να προσδιορίσουν και να διερευνήσουν την αγορά στην οποία απευθύνονται και να αναζητήσουν ευκαιρίες χρηματοδότησης.
Λεπτομέρειες για το Πρόγραμμα Επιχειρηματικής Επιτάχυνσης, τις υπηρεσίες που προσφέρονται στους συμμετέχοντες, καθώς και η Αίτηση Συμμετοχής, είναι διαθέσιμα στο: https://archimedes.uoa.gr/accelerator–invitation/
MSc Thesis presentation of Mr. Konstantinos Panoutsakos, Monday, October 27, 2025
On Monday, October 27, 2025, at 16:00, Mr. Konstantinos Panoutsakos of the
postgraduate program “Data Science and Information Technologies”, track on “Big Data and Artificial Intelligence”, will present his MSc thesis
titled:
“From Audit Opinion Analysis to Stock Market Signals: Bankruptcy Prediction and Short Selling Strategies”
Abstract
This thesis examines the potential predictive value of audit opinions for forecasting corporate bankruptcy and subsequent stock price movements within the U.S. market. Most prior work on bankruptcy prediction relies on comprehensive financial disclosures (such as Item 10 filings) or combines these with audit opinion data. This research takes a distinct approach, isolating audit opinions as the sole predictive source due to their ready accessibility, interpretability, and computational efficiency for constrained modeling environments.
The study constructed its working dataset from a subset of the ECL data, focusing on U.S. stocks from 1998 to 2021. Critically, each stock required both an available audit opinion and a verifiable bankruptcy outcome (specifically, whether bankruptcy occurred within one year of the opinion’s issuance).
To address the severe class imbalance—where bankruptcies constituted less than 1% of the original sample—the minority class was augmented using lightweight large language models (LLMs), each having fewer than eight billion parameters. This technique effectively expanded the data, rebalancing the class distribution to approximately 86%–14%, thereby providing a more stable foundation for model training. Four machine learning models were then created: three stacked ensemble classifiers and a logistic regression baseline.
Moving beyond traditional bankruptcy forecasting, the resulting probabilities were employed as trading signals to initiate short positions immediately following the release of an audit opinion Interestingly, the model with the weakest F1 score for bankruptcy prediction produced the highest trading returns. This key finding suggests that audit opinions indicating significant financial uncertainty—even in cases that do not result in formal bankruptcy—can precede substantial declines in stock performance.
In sum, this research connects financial auditing, natural language processing, and quantitative finance, indicating that audit opinions, when processed via lightweight LLM-assisted augmentation and classical ensemble learning, may offer valuable predictive insights for both bankruptcy forecasting and anticipating adverse stock price movements.
EXAMINATION COMMITTEE:
Dr Perantonis Stavros, Head of CIL Lab, Institute of Informatics & Telecommunications (IIT), National Centre for Scientific Research “Demokritos”
Dr Zavitsanos Ilias, Research Scientist (C), National Centre for Scientific Research “Demokritos”
Assistant Prof. Panagiotis Stamatopoulos, Department of Informatics and Telecommunications of the University of Athens
Topic: DSIT: Master’s Thesis Presentation, Konstantinos Panoutsakos
Time: Oct 27, 2025 04:00 PM Athens
Join Zoom Meeting
https://us06web.zoom.us/j/81131108334?pwd=1UcoAO6e3AOsr7EjDtXsmFKLlrpEAm.1
Meeting ID: 811 3110 8334
Passcode: 382966
MSc Thesis presentation of Ms. Maria Chasapia, Wednesday, October 22, 2025
On Wednesday, October 22, 2025, at 11:00, Ms. Maria Chasapia of the postgraduate program “Data Science and Information Technologies”, track on “Bioinformatics – Biomedical Data Science”, will present her MSc thesis titled:
Analysis of Rhizosphere at a protein family level through global metagenomics
The plant root microbiome plays a vital role in plant health, nutrient uptake, and environmental resilience. Over millions of years, plants and microbes have developed various associations ranging from mutualistic to parasitic. Plants and their associated microbes can be considered holobionts, in which the host relies on its microbiome for specific functions and traits. To explore and harness this diversity, this thesis presents metagRoot, a specialized and enriched database, that is focused on the protein families of the plant root microbiome. This database holds a massive collection of over 71,000 protein families, each one of them containing at least 100 sequences. This resource was created by integrating data from 1,199 metagenomic studies, 327 metatranscriptomic datasets, and 2,978 reference genomes. The families are annotated with multiple sequence alignments, CRISPR elements, Hidden Markov Models, taxonomic and functional classifications, ecosystem and geolocation metadata, and predicted 3D structures using AlphaFold2. MetagRoot is a powerful tool for decoding the molecular landscape of root-associated microbial communities and advancing microbiome-informed agricultural practices by enriching protein family information with ecological and structural context.
Georgios A. Pavlopoulos, Research Director, IFBR – BSRC Alexander Fleming
Dimitrios J. Stravopodis, Associate Professor, Department of Biology, NKUA
Ioannis Z. Emiris, President & Director General, Athena Research Center & Professor, Department of Informatics and Telecommunications, National and Kapodistrian University of Athens.22 October 2025
11:00 – 12:00 (GTB)
Join Zoom Meeting
https://us05web.zoom.us/j/83982941566?pwd=uMkHSlPaIvgsDyhhTqI3R3f0uEVA1b.1
Meeting ID: 839 8294 1566
Passcode: hh4smK