ΕΛ.ΜΕ.ΠΑ:Αναγόρευση του Καθηγητή Roman Slowinski σε Επίτιμο Διδάκτορα του Τμήματος Λογιστικής

Αναγόρευση του Καθηγητή Roman Slowinski σε Επίτιμο Διδάκτορα
του Τμήματος Λογιστικής και Χρηματοοικονομικής της Σχολής Επιστημών Διοίκησης και Οικονομίας του Ελληνικού Μεσογειακού Πανεπιστημίου

Την Τετάρτη 14 Σεπτεμβρίου 2022 και ώρα 12.00 μ.μ. πραγματοποιήθηκε, στο Αμφιθέατρο Εκδηλώσεων της Σχολής Επιστημών Υγείας στην πανεπιστημιούπολη στο Ηράκλειο, η τελετή αναγόρευσης του Καθηγητή Roman Slowinski του Πανεπιστημίου Poznań University of Technology της Πολωνίας σε Επίτιμο Διδάκτορα του Τμήματος Λογιστικής και Χρηματοοικονομικής της Σχολής Επιστημών Διοίκησης και Οικονομίας του Ελληνικού Μεσογειακού Πανεπιστημίου σε αναγνώριση της συνεισφοράς του στην Επιστήμη της Επιχειρησιακής Έρευνας με Εφαρμογές στη Διαχείριση Κινδύνων.
Στην τελετή αναγόρευσης παρευρέθηκαν εκπρόσωποι της πανεπιστημιακής κοινότητας του ιδρύματος, προπτυχιακοί, μεταπτυχιακοί φοιτητές και διδακτορικοί ερευνητές του Τμήματος καθώς και συνεργάτες του Εργαστηρίου Λογιστικής και Χρηματοοικονομικής Διοίκησης (LAFIM).

Εκ μέρους του Ελληνικού Μεσογειακού Πανεπιστημίου, προσφώνησαν τον Καθηγητή Roman Slowinski και μίλησαν για το έργο του, ο Πρύτανης, Καθηγητής Νικόλαος Κατσαράκης, ο Πρόεδρος του Τμήματος Λογιστικής και Χρηματοοικονομικής, Αναπλ. Καθηγητής Ιωάννης Χατζηαντωνίου και ο Συνεργάτης του Εργαστηρίου LAFIM, Επίτιμος Καθηγητής του ΕΛΜΕΠΑ και Καθηγητής στο Πολυτεχνείο Κρήτης, Καθηγητής Κωνσταντίνος Ζοπουνίδης.

Η απονομή του Διδακτορικού Τίτλου στον τιμώμενο έγινε από τον Πρύτανη, Καθηγητή Νικόλαο Κατσαράκη ενώ ο Αντιπρύτανης Έρευνας και Δια Βίου Εκπαίδευσης του ΕΛΜΕΠΑ, Καθηγητής Χρήστος Φλώρος του παρέδωσε αναμνηστική Τιμητική Πλακέτα.

Ο τιμώμενος σε Επίτιμο Διδάκτορα , Καθηγητής Roman Slowinski, αφού ευχαρίστησε εγκάρδια την κοινότητα του Ελληνικού Μεσογειακού Πανεπιστημίου στο σύνολό της για την τιμή και την διάκρισή του, εξήρε το ίδρυμα για το υψηλό επίπεδο των προγραμμάτων σπουδών του και της έρευνας που επιτελείται καθώς και για την πολύ σημαντική προσπάθεια διεθνοποίησης που επιχειρεί τα τελευταία χρόνια.

Η εκδήλωση έκλεισε με μία εκτενή ανάλυση του νέου Επίτιμου Διδάκτορα πάνω στο θέμα «Preference Learning by Robust Ordinal Regression for Multiple Criteria Decision Aiding» η οποία είναι διαθέσιμη μαζί με το βίντεο της εκδήλωσης στο κανάλι του ΕΛΜΕΠΑ στο YouTube στον παρακάτω σύνδεσμο: https://www.youtube.com/watch?v=Inoon0jKzM4
 
Abstract of Roman Slowinski’s lecture:

Recognizing the preferences of Decision Makers (DM) is crucial for multi-criteria decision aiding. We present a constructive preference learning methodology, called robust ordinal regression. This methodology links Operational Research with Artificial Intelligence, and as such, it confirms the current trend in mutual relations between OR and AI.
The lecture starts from an observation that the dominance relation established in the set of alternatives evaluated on multiple attributes (criteria, or voters, or states of the nature) is the only objective information that stems from the formulation of a multiple attribute decision problem (ordinal classification, or ranking, or choice – with multiobjective optimization being a particular case). While it permits to eliminate many irrelevant (i.e., dominated) alternatives, it leaves many alternatives incomparable. This situation may be addressed by taking into account preferences of the DM. Therefore, decision aiding methods require some preference information exhibiting a value system of a single or multiple DMs. The preference information has often the form of decision examples. It is used by robust ordinal regression to build a preference model, which is then applied on a non-dominated set of alternatives to arrive at a recommendation presented to the DM(s). In practical decision aiding, the process composed of preference elicitation, preference modeling, and DM’s analysis of a recommendation, loops until the DM (or a group of DMs) accepts the recommendation or decides to change the problem setting. Such an interactive process is called constructive preference learning