cs@cs.ucy.ac.cy | +357-22-892700

| | | | MyCS Portal |

Περιγραφές Μαθημάτων Μεταπτυχιακών Προγραμμάτων

ΕΠΛ 601 Κατανεμημένα Συστήματα

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS Διδάσκων: Χρ. Γεωργίου

Στόχοι: Εξοικείωση με θεμελιώδεις έννοιες και αρχές των κατανεμημένων συστημάτων σε βάθος και σε πλάτος. Ανάπτυξη επιδεξιοτήτων σχεδίασης, ανάλυσης και προγραμματισμού κατανεμημένων συστημάτων και αλγορίθμων.

Περιεχόμενο: Βασικές έννοιες και αρχές κατανεμημένων συστημάτων. Επικοινωνία στα κατανεμημένα συστήματα. Ίνες, διεργασίες και συγχρονισμός. Ονοματολογία. Κατανεμημένα συστήματα αρχείων και κατανεμημένα λειτουργικά συστήματα. Ασφάλεια και κρυπτογραφία στα κατανεμημένα συστήματα. Κατανεμημένη κοινόχρηστη μνήμη, και θέματα συνέπειας της. Κατανεμημένοι αλγόριθμοι και κατανεμημένος προγραμματισμός. Ανοχή Σφαλμάτων. Σχεδίαση και ανάπτυξη εφαρμογών σε κατανεμημένα περιβάλλοντα. Περιπτωσιακές μελέτες συγκεκριμένων κατανεμημένων συστημάτων (π.χ. PlanetLab). Εξάσκηση με προγραμματιστικό θέμα ή προγραμματιστικές ασκήσεις.

Προαπαιτούμενα:---------------

Βιβλιογραφία:

  1. Α. S. Tanenbaum και Μ. van Steen, Κατανεμημένα Συστήματα: Αρχές και υποδείγματα, Εκδόσεις ΚΛΕΙΔΑΡΙΘΜΟΣ, 2005.
  2. G. Coulouris, J. Dollimore καιT. Kindberg, Distributed Systems – Concepts and Design, 4th Edition, Addison-Wesley, 2005.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία (προγραμματιστικές εργασίες).

ΕΠΛ 603 Χρήση Αρχιτεκτονικών Λογισμικού για Σχεδίαση και Υλοποίηση Λογισμικών Συστημάτων

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 ECTS μονάδες

Διδάσκων: Γ. Παπαδόπουλος

Στόχοι: Θα διδαχθούν οι θεμελιώδεις έννοιες, αρχές και μοντέρνες μέθοδοι στη χρήση Αρχιτεκτονικών Λογισμικού στο σχεδιασμό και υλοποίηση σύγχρονων συστημάτων λογισμικού. Θα γίνει κατανοητός ο ρόλος των Αρχιτεκτονικών Λογισμικού στην Τεχνολογία Λογισμικού, με έμφαση σε θέματα Επαναχρησιμοποίησης Λογισμικού..

Περιεχόμενο: Βασικές έννοιες. Σχεδιασμός Αρχιτεκτονικών. Σύνδεσμοι. Μοντελοποίηση. Οπτική Αναπαράσταση. Αρχιτεκτονικά Πρότυπα. Ανάλυση και Υλοποίηση. Μη λειτουργικές ιδιότητες. Ασφάλεια και εμπιστοσύνη. Πρότυπα. Ο ανθρώπινος παράγοντας. Συγκεκριμένες περιοχές εφαρμογών.

Προαπαιτούμενα: Προπτυχιακό μάθημα ισοδύναμο προς το ΕΠΛ 343 (Τεχνολογία Λογισμικού).

Βιβλιογραφία:

  1. R. Taylor, N. Medvidovic, E. Dashofy, Software Architecture: Foundations, Theory, and Practice, 2010, Wiley.

  2. L. Bass, P. Clemens, R. Kazman, Software Architecture in Practice, 4th Edition, 2022, Pearson.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Ενδιάμεση εξέταση, τελική εξέταση, εργαστηριακές ασκήσεις και ομαδικό project.

ΕΠΛ 604 Τεχνητή Νοημοσύνη

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο:Χειμερινό

Πίστωση 8 μονάδες ECTS

Διδάσκων: Γ. Δημόπουλος, Χρ. Χριστοδούλου

Στόχοι: Εισαγωγή σε εξειδικευμένα θέματα της Τεχνητής Νοημοσύνης, όπως μοντελοποίηση και επίλυση προβλημάτων Ικανοποίησης Περιορισμών και Αναπαράστασης Γνώσης, Συμβολική Μάθηση, Μάθηση με διάφορες μορφές Νευρωνικών Δικτύων, συμπεριλαμβανομένης Βαθιάς Μάθησης και Ενισχυτικής Μάθησης.

Περιεχόμενο: Εισαγωγή στην Τεχνητή Νοημοσύνη. Θέματα Ικανοποίησης Περιορισμών. Ικανοποιησιμότητα και Βελτιστοποίηση στη Λογική. Προγραμματισμός Συνόλου Απαντήσεων. Θέματα Μηχανικής Μάθησης, Εξόρυξης Πληροφορίας, και Μοντελοποίησης Αβεβαιότητας. Εισαγωγή στα Τεχνητά Νευρωτικά Δίκτυα. Μονοεπίπεδα και Πολυεπίπεδα perceptrons. Αλγόριθμος μάθησης ανάστροφης μετάδοσης σφάλματος. Βαθιά μάθηση και συνελικτικά νευρωνικά δίκτυα. Νευρωνικά Δίκτυα με ανάδραση. Αυτοοργανούμενοι Χάρτες. Δίκτυα με Συναρτήσεις Αξονικών Βάσεων. Ενισχυτική Μάθηση. Νευρωνικά Δίκτυα τύπου Hopfield και μηχανές Boltzmann.

Προαπαιτούμενα:---------------

Βιβλιογραφία:

  1. S. Russel και P. Norvig, Artificial Intelligence: A Modern Approach, 3rd Edition, Prentice Hall, 2014.
  2. S. Haykin, Neural Networks and Learning Machines, 3rd Edition, Pearson Education, 2009.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο (1,5 ώρες εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία.

ΕΠΛ 605 Προχωρημένη Αρχιτεκτονική Υπολογιστών

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό Εξάμηνο: ……………….

Πίστωση: 8 μονάδες ECTS

Διδάσκων: ………………

Στόχοι: Με την ολοκλήρωση του μαθήματος οι φοιτητές θα γνωρίζουν (α) τη σύγχρονη μεθοδολογία αξιολόγησης και σύγκρισης επίδοσης υπολογιστικών συστημάτων, (β) τις βασικές και προχωρημένες αρχές που διέπουν την οργάνωση μοντέρνων επεξεργαστών, και (γ) σύγχρονες τάσεις στην περιοχή της αρχιτεκτονικής υπολογιστών. Επίσης με τη χρήση των διαφόρων εργαλείων, που εισάγονται στο μάθημα, για την εκπόνηση εργασιών θα έχουν εξερευνήσει σε βάθος κάποιες πτυχές της αρχιτεκτονικής υπολογιστών.

Περιεχόμενο: Αξιολόγηση και σύγκριση της απόδοσης και συγκριτικά προγράμματα. Βασικές Αρχές Μικροαρχιτεκτονικής Μοντέρνων Επεξεργαστών. Διασωλήνωση, παράλληλη προσκόμιση και εκτέλεση εντολών, πρόβλεψη. Ιεραρχία (πολλαπλά επίπεδα) μνήμης, και στατική/δυναμική χρονοδρομολόγησης. Μοντέρνοι Επεξεργαστές. Σύγχρονη ερευνητική δραστηριότητα στην Αρχιτεκτονική Υπολογιστών.

Προαπαιτούμενα: Προπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ 221 (Οργάνωση Υπολογιστών και Συμβολικός Προγραμματισμός) και προπτυχιακό μάθημα ισοδύναμο με ΕΠΛ 222 (Λειτουργικά Συστήματα).

Βιβλιογραφία:

  1. J. Henessy και D. Patterson, Computer Architecture: A Quantitative Approach, 3rd Edition, Morgan Kaufmann, 2002.
  2. Επιλεγόμενα ερευνητικά άρθρα από τη βιβλιογραφία.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρες εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση, κατ’ οίκον εργασία (τελική εργασία, ενδιάμεσες εργασίες), συμμετοχή στην τάξη και σύντομη παρουσίαση.

ΕΠΛ 606 Δίκτυα Υπολογιστών και το Διαδίκτυο

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Β. Βασιλείου

Γλώσσα Διδασκαλίας: Αγγλικά

Στόχοι: Κατανόηση (σε μεταπτυχιακό επίπεδο) βασικών εννοιών και ζητημάτων αναφορικά με τα Δίκτυα Υπολογιστών και το Διαδίκτυο. Εξοικείωση με τις σύγχρονες αντιλήψεις για τα Δίκτυα Υπολογιστών και κατανόηση των σχετικών ανοικτών ερευνητικών προβλημάτων.

Περιεχόμενο: Εισαγωγή στα Δίκτυα Υπολογιστών και το Διαδίκτυο. TCP/IP σουίτα πρωτοκόλλων, ποιότητα υπηρεσίας, νέα γενεά πρωτοκόλλων για το Διαδίκτυο. Νέες αρχιτεκτονικές, πρωτόκολλα και πρότυπα (π.χ. DiffServ, IPv6, MPLS), διασύνδεση δικτύων, ανάλυση επιδόσεων (π.χ. θεωρία ουρών και ανάλυση επίδοσης δικτύων). Κριτική αξιολόγηση της αποδοτικότητας των δικτύων. Θέματα σχεδιασμού, βελτιστοποίησης και ελέγχου δικτύων.

Προαπαιτούμενα: Προπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ 324 (Επικοινωνίες και Δίκτυα).

Βιβλιογραφία:

  1. L. Peterson, B. Davies, Computer Networks: A Systems Approach, 5th Edition, Morgan Keufmenn, 2011.
  2. J. F. Kurose, K. W. Ross, Computers Networking – A Top Down Approach to the Internet, 7th Edition, Addison-Wesley, 2016.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση και κατ’ οίκον εργασία (Ατομική ή Ομαδική Εργασία και εργαστηριακές ασκήσεις).

ΕΠΛ 607 Γραφικός και Εικονικός Υπολογισμός

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS

Διδάσκοντες: Γ. Χρυσάνθου

Στόχοι: Διδασκαλία των βασικών αρχών της ψηφιακής επεξεργασίας εικόνας, της μηχανικής όρασης και γραφικών υπολογιστών. Οι τρεις αυτοί τομείς συναντώνται σε πληθώρα πρόσφατων εφαρμογών λόγω των ραγδαίων πρόσφατων εξελίξεων στην τεχνολογία υλικού και τους σχετικούς αλγόριθμους. Έμφαση σε βιομηχανικές και βιο-ιατρικές εφαρμογές, καθώς επίσης και σε εφαρμογές εικονικής πραγματικότητας.

Περιεχόμενο: Δυαδική επεξεργασία εικόνων, ιστόγραμμα εικόνας, διακριτός μετασχηματισμός fourier, γραμμικό και μη γραμμικό φιλτράρισμα εικόνων, συμπίεση εικόνας, ανάλυση εικόνας, ψηφιακή επεξεργασία βίντεο. Βασικές αρχές 3Δ γραφικών: αναπαράσταση αντικειμένων με πολυγωνική μορφή, μετασχηματισμοί, τοπικό και γενικό σύστημα συντεταγμένων, γράφημα σκηνής, ορισμός κάμερας και οπτικού πεδίου, προοπτική και ορθογραφική προβολή, αποκοπή στις δύο και τρείς διαστάσεις, σάρωση πολυγώνων, απόκρυψη πίσω επιφανειών, απόκρυψη επιφανειών με τις μεθόδους Z-byffer και BinarySpacePartitioningTrees, τοπικός φωτισμός με τις μεθόδους flat, Phong & Gouraudshading, δημιουργία εικόνων σε πραγματικό χρόνο, εφαρμογές.

Προαπαιτούμενα: Προγραμματισμός σε C, βασική Γραμμική Άλγεβρα

Βιβλιογραφία:

  1. A. Watt, F. Policarpo, The Computer Image, Addison–Wesley, 1998.
  2. R. C. Gonzalez, R. E. Woods, Digital Image Processing, Second Edition, Addison–Wesley, 2002.
  3. M.Slater, A. Steed, Y. Chrysanthou, Computer Graphics and Virtual Environments: From Realism to Real-Time, Addison-Wesley, 2001.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Τρόποι αξιολόγησης: Τελική εξέταση, ενδιάμεση εξέταση, κατ’ οίκον εργασία και μελέτη.

ΕΠΛ 646 Προχωρημένα Θέματα Βάσεων Δεδομένων

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ………….

Πίστωση: 8 μονάδες ECTS

Διδάσκοντες: Δ. Ζεϊναλιπούρ

Στόχοι: Κατανόηση προχωρημένων εννοιών και νέων ερευνητικών κατευθύνσεων στο πεδίο των Βάσεων Δεδομένων. Διερεύνηση των ακόλουθων τεσσάρων αξόνων: (1) Θεωρία και Υλοποίηση Συστημάτων Βάσεων Δεδομένων, (2) Κατανεμημένες Βάσεις, Διαδικτυακές Βάσεις και Βάσεις Νεφέλης, (3) Χωρό-χρονική Διαχείριση Δεδομένων, Διαχείριση Δεδομένων σε Δίκτυα Αισθητήρων, Διαχείριση Δεδομένων σε Κινητές Συσκευές, άλλα προχωρημένα και επιλεγμένα θέματα από την πρόσφατη ερευνητική βιβλιογραφία.

Περιεχόμενο: (i) Ανασκόπηση βασικών αρχών που διέπουν τη λειτουργία σύγχρονων σχεσιακών βάσεων δεδομένων για την αποθήκευση και ευρετηρίαση δεδομένων, τη βελτιστοποίηση επερωτήσεων, τη διαχείριση δοσοληψιών, ταυτοχρονίας και επαναφερσιμότητας. (ii) Θεμελιώσεις Κατανεμημένων Βάσεων, Δικτυακών Βάσεων και Βάσεων Νεφέλης (ΝoSQL και NewSQL): Αλγόριθμοι επεξεργασίας επερωτημάτων και διαχείριση δοσοληψιών σε κατανεμημένες βάσεις δεδομένων, Διαχείριση Ημι-δομημένων Δεδομένων (XML/JSON, XPath/XQuery, CouchDB/Couchbase), εισαγωγή σε υπολογισμούς νεφέλης (GFS, NFS, Hadoop, Αρχές Επανάληψης/Συνέπειας δεδομένων), Μεγάλα Δεδομένα (Map-Reduce, Apache Hadoop, PIG), Βάσεις Στηλών (Bigtable, HBase, Cassandra), Βάσεις Γράφων (Twitter FlockDB) και Ανασκόπηση NewSQL (Google Spanner και F1); (iii) Διαχείριση Χώρο-Χρονικών Δεδομένων (τροχιές, ιδιωτικότητα, ανάλυση) και εξειδικευμένα ευρετήρια (R-Trees, Αρχεία Πλέγματος) άλλα και επιλεγμένα και προχωρημένα θέματα όπως: Ενσωματωμένες Βάσεις (sqlite), Διαχείρισης Δεδομένων σε Δίκτυα Αισθητήρων, Έξυπνων Κινητών Συσκευών και Συστημάτων Πληθοπορισμού, Ενεργειακά-συνειδητή Επεξεργασία Δεδομένων, Μνήμες Flash και Διαχείρισης Δεδομένων σε Συστήματα Ροών.

Προαπαιτούμενα: Προπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ 342 (Βάσεις Δεδομένων).

Βιβλιογραφία:

  1. S. Abiteboul, I. Manolescu, P. Rigaux, M.-C. Rousset, P. Senellart, Web Data Management, Cambridge University Press, 2011.
  2. R. Elmasri, S. Navathe, Fundamentals of Database Systems, 6th Edition, Addison-Wesley, 2011.
  3. T. Özsu, P. Valduriez, Principles of Distributed Database Systems, 3rd Edition, Springer Press, 2011.
  4. R. Ramakrishnan, J. Gehrke, Database Management Systems, Thrid Edition, McGraw-Hill, 2003.
  5. Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Τρόποι αξιολόγησης: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία (εργασίες και παρουσίαση ερευνητικού άρθρου).

ΕΠΛ 651 Κινητός Υπολογισμός και Διαχείριση Δεδομένων

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS Διδάσκων: Γ. Σαμάρας

Στόχοι: Εισαγωγή στις θεμελιώδεις έννοιες, εφαρμογές και περιορισμούς του κινητού υπολογισμού. Εξοικείωση με πρακτικές εφαρμογές και ερευνητικά θέματα.

Περιεχόμενο: Εισαγωγή (Ασύρματες τεχνολογίες, Αρχιτεκτονικές, Εφαρμογές, Περιορισμοί). Αρχιτεκτονική λογισμικού για κινητούς υπολογισμούς. Θεωρητικά μοντέλα για κινητούς υπολογισμούς. Υποστήριξη ανάκτησης πληροφοριών. Διαχείριση πληροφοριών. Δυναμική διακίνηση υπολογισμού. Ενδεικτικές εφαρμογές. Ανοικτά προβλήματα.

Προαπαιτούμενα: Προπτυχιακά μαθήματα ισοδύναμα με το ΕΠΛ 446 (Προχωρημένα Θέματα Βάσεων Δεδομένων) και ΕΠΛ 324 (Επικοινωνίες και Δίκτυα).

Βιβλιογραφία:

  1. E. Pitoura, G. Samaras, Data Management for Mobile Computing, Kluwer Academic Publisher, 1998.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία.

ΕΠΛ 653 Ανάπτυξη Λογισμικού Ηλεκτρονικών Παιχνιδιών

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: ……………….

Στόχοι: Παροχή των απαραίτητων γνώσεων για το σχεδιασμό και την υλοποίηση ενός ηλεκτρονικού παιχνιδιού. Διδασκαλία του σχεδιασμού της δομής ενός ηλεκτρονικού παιχνιδιού και των επιμέρους τμημάτων, της εικονικής εξομοίωσης φυσικών μοντέλων, της χρήσης διαφόρων τεχνικών ρεαλιστικής απεικόνισης κίνησης και αλλαγής μορφής αντικειμένων και αρθρωτών χαρακτήρων, της εφαρμογής αρχών τεχνητής νοημοσύνης στο σχεδιασμό συμπεριφοράς αυτόνομων χαρακτήρων, καθώς και των μεθόδων βελτιστοποίησης του επιδιωκόμενου λογισμικού με σκοπό την αποδοτική εκτέλεση των υπολογισμών σε πραγματικό χρόνο. Στο εργαστήριο εκμάθηση της χρήσης των παραπάνω τεχνικών μαζί με μια βιβλιοθήκη γραφικών (όπως η DirectX ή η OpenGL) για την υλοποίηση των συστατικών μερών ενός παιχνιδιού και της σύνθεσης του τελικού λογισμικού.

Περιεχόμενο: Σχεδιασμός και δομή παιχνιδιού, αναπαράσταση και απεικόνιση εικονικού κόσμου, εικονικές εξομοιώσεις φυσικών μοντέλων, σχεδιασμός αρθρωτών χαρακτήρων, animation, κίνηση και αλλαγή μορφής, χρήση συστημάτων μορίων για ειδικά εφέ, μοντέλα διαδραστικής κάμερας, αποδοτική ανίχνευση επαφής, πλοήγηση σε εικονικό περιβάλλον και άλλα μοντέλα συμπεριφορών για αυτόνομους χαρακτήρες.

Προαπαιτούμενα: ------------

Βιβλιογραφία:

  1. R. Parent, Computer Animation: Algorithms and Techniques, Morgan Kaufmann, 2002.
  2. A. Watt, M. Watt, Advanced Animation and Rendering Techniques, Addison-Wesley, 1992.
  3. I. Millngton, Artificial Intelligence for Games, Morgan Kaufmann, 2006.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία.

ΕΠΛ 655 Προχωρημένη Παράλληλη Επεξεργασία

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ………….

Πίστωση: 8 μονάδες ECTS Διδάσκων: ………….

Στόχοι: Εισαγωγή βασικών εννοιών και μηχανισμών αρχιτεκτονικής για την παράλληλη εκτέλεση προγραμμάτων. Διερεύνηση των προκλήσεων και δυσκολιών για παράλληλη επεξεργασία.

Περιεχόμενο: Υποστήριξη για εκτέλεση παράλληλων προγραμμάτων, παράλληλες αρχιτεκτονικές, διαφορετικοί τύποι δικτύων για πολυεπεξεργαστές, μεταγλωττισμός παράλληλων προγραμμάτων, και ανάλυση επίδοσης εφαρμογών για παράλληλη εκτέλεση. Προαπαιτούμενα: Προπτυχιακό ή Μεταπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ 420 (Αρχιτεκτονική Υπολογιστών) ή ΕΠΛ 605 (Προχωρημένη Αρχιτεκτονική Υπολογιστών Ι) ή συναίνεση του διδάσκοντος.

Βιβλιογραφία:

  1. J. Henessy, D. Patterson, Computer Architecture: A Quantitative Approach, Third Edition, Morgan Kaufmann , 2002.
  2. D. E. Culler, J. P. Singh. Parallel Computer Architecture: A Hardware/Software Approach, Morgan Kaufmann, 1998.
  3. Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία (ομαδική εργασία και ασκήσεις).

ΕΠΛ 656 Γραφικά Υπολογιστών: Μοντελοποίηση και Ρεαλισμός

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS Διδάσκων: ………….

Στόχοι: Παροχή μιας γενικής άποψης των Γραφικών Υπολογιστών και των εφαρμογών τους. Αυτό προχωρά πέρα από τη δημιουργία απλών εικόνων και προς την αναζήτηση της αληθοφάνειας. Απαραίτητα συστατικά είναι η δημιουργία ρεαλιστικών και λεπτομερών μοντέλων καθώς και η πιστή προσομοίωση της συμπεριφοράς του φωτός. Εξοικείωση με εφαρμογές, όπως η εικονική και επαυξημένη πραγματικότητα, οι συνθετικές ταινίες, η οπτικοποίηση της πολιτιστικής κληρονομιάς.

Περιεχόμενο: Μοντελοποίηση. Παραμετρικές και πεπλεγμένες επιφάνειες. Τοποθέτηση κάμερας. Προβολές. Γραφική Σωλήνωση. Γενικός φωτισμός και Ρεαλισμός. Παρακολούθηση ακτίνας. Απόδοση μεγάλων μοντέλων και τεχνικές επιτάχυνσης. Προαπαιτούμενα: Προγραμματισμός στη γλώσσα C και Βασική Γραμμική Άλγεβρα. Βιβλιογραφία:

  1. M. Slater, A. Steed, Y. Chrysanthou, Computer Graphics and Virtual Environments: From Realism to Real-Time, Addison-Wesley, 2001.
  2. A. Watt, 3D Computer Graphics, 3rd Edition, Addison-Wesley, 2001.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία.

ΕΠΛ 657 Ασύρματα Δίκτυα Υπολογιστών

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Α. Πιτσιλλίδης

Στόχοι: Εισαγωγή σε ασύρματα δίκτυα, με έμφαση σε θεμελιώδεις έννοιες και αρχές της τεχνολογίας οι οποίες είναι ενδιαφέρουσες για τη σχεδίαση, εφαρμογή, αξιολόγηση και ανάπτυξη των συστημάτων αυτών, καθώς και των νέων αρχιτεκτονικών, τοπολογιών, και πρωτοκόλλων. Μελέτη στα υπάρχοντα και προτεινόμενα πρότυπα, και συζήτηση θεμάτων ερευνητικού ενδιαφέροντος.

Περιεχόμενο: Ασύρματο περιβάλλον, Παρεμβολές στο ασύρματο περιβάλλον, Βασικές αρχές συστημάτων κινητών επικοινωνιών και ασυρμάτων δικτύων, Tοπολογίες δικτύων: Infrastructure (π.χ. WLANs, LTE, 5G/6G) και Infrastructureless (π.χ. εμβαλωματικά δίκτυα και δίκτυα σενσόρων, VANETs). Ασύρματα τοπικά δίκτυα (π.χ. ΙΕΕΕ 802.11x), Προσωπικά Δίκτυα (PAN: π.χ. Bluetooth, ZigBee), και μητροπολιτικά ασύρματα δίκτυα LoRa, NB-IOTs). Eμβαλωματικά δίκτυα και δίκτυα σενσόρων (ad-hoc networks, sensor networks), Αρχιτεκτονική των κυψελωτών δικτύων, Κινητά δίκτυα τρίτης, τέταρτης και πεμπτης γενεάς (5G/6G), τεχνικές διάθεσης ασύρματων πόρων σε ασύρματα δίκτυα (RRM). Ιντερνέτ των Πραγμάτων (Internet of Things (IoTs)). Νεες ερευνητικες τασεις, οπως τα Programmable Wireless Environments and Intelligent Surfaces.

Προαπαιτούμενα: Προπτυχιακό Μάθημα ισοδύναμο προς το ΕΠΛ 324 (Επικοινωνίες και Δίκτυα).

Βιβλιογραφία:

  1. Επίκαιρα άρθρα και βιβλιογραφία

  2. Διαλέξεις μαθήματος

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση και κατ’ οίκον εργασία (ατομική ή ομαδική Εργασία και εργαστηριακές ασκήσεις).

ΕΠΛ 658 Ψηφιακή Επεξεργασία Βίντεο

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ………………

Πίστωση: 8 μονάδες ECTS Διδάσκων: Κ. Παττίχης

Στόχοι: Βασική εξοικείωση με την εφαρμογή σύγχρονων τεχνικών επεξεργασίας και κωδικοποίησης βίντεο.

Περιεχόμενο: Βασικές αρχές αναλογικού και ψηφιακού βίντεο. Ανάλυση βίντεο στις συχνότητες, χωρική και χρονική ανάλυση οπτικού ανθρώπινου συστήματος. Σκηνή, κάμερα, και μοντελλοποίηση κίνησης, 3Δ κίνηση και προβολή. Δισδιάστατος υπολογισμός κίνησης. Βασικές τεχνικές συμπίεσης. Κωδικοποίηση βάση κυματομορφής. Πρότυπα συμπίεσης βίντεο (Η.261 &ηά Η.263, ΜΡΕΟ-1, ΜΡΕΟ-2, ΜΡΕΟ-4, ΜΡΕΟ-7, ΜΡΕΟ-21).
Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. Y. Wang, J. Ostermann, Y. Q. Zhang, Video Processing and Communications, Prentice Hall, Inc, 2002.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρες εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’οίκον εργασία (εργαστηριακές ασκήσεις, επιπρόσθετες ασκήσεις, τελική μελέτη).

ΕΠΛ 659 Προχωρημένος Σχεδιασμός με Ενσωματωμένους Επεξεργαστές

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: …………..

Πίστωση: 8 μονάδες ECTS

Διδάσκων: …………..

Στόχοι: Προσφορά προηγμένων γνώσεων για το σχεδιασμό συστημάτων με τη χρήση ενσωματωμένων υπολογιστών.

Περιεχόμενο: Η επισκόπηση των αρχιτεκτονικών ενσωματωμένων (embedded) επεξεργαστών. Οργάνωση ενός συστήματος ενσωματωμένου επεξεργαστή: επεξεργαστής, RAM, ROM, αρτηρία (bus), περιφερειακά, αισθητήρες, ενεργοποιητές, διεπαφές. Παραδείγματα δημοφιλών επεξεργαστών, αρτηριών και περιφερειακών. Επικοινωνία με περιφερειακά: δειγματοληψία, διακοπές, πλεονεκτήματα και μειονεκτήματα. Διαμοιρασμός λειτουργιών μεταξύ υλικού και λογισμικού. Εργαλεία ανάπτυξης ενσωματωμένου λογισμικού: assemblers, cross-compilers, loaders, monitors, microkernels, και λειτουργικά συστήματα πραγματικού χρόνου. Πρακτικές όψεις σχεδίασης και θέσης σε λειτουργία συστημάτων ενσωματωμένων επεξεργαστών.

Προαπαιτούμενα: Γνώσεις στα θέματα Ψηφιακών Συστημάτων, Οργάνωσης Υπολογιστών και Συμβολικού Προγραμματισμού

Βιβλιογραφία:

  1. F. Vahid, T. Givargis, Embedded System Design: A Unified Hardware/Software Introduction, John Wiley & Sons, 2002.
  2. W. Wolf, High-Performance Embedded Computing: Architectures, Applications and Methodologies, Morgan Kaufman.
  3. W. Wolf, Computers as Components: Principles of Embedded Computing System Design,  Morgan Kaufman.
  4. P. Raghavan, A. Lad, S. Neelakandan, Embedded Linux System Design and Development, Auerbach Publications

Μέθοδοι Διδασκαλίας: Διαλέξεις (3 εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική Εξέταση, ενδιάμεση εξέταση και κατ’οίκον εργασία.

ΕΠΛ 660 Ανάκτηση Πληροφοριών και Μηχανές Αναζήτησης

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Γ. Πάλλης

Στόχοι: Εισαγωγή σε Θέματα και Τεχνικές Ανάκτησης Πληροφοριών (Information Retrieval) και Μηχανών Αναζήτησης Διαδικτύου (Search Engines).

Περιεχόμενο: Μπούλειος Ανάκτηση Πληροφοριών. Κωδικοποίηση κειμένου, λημματοποίηση, στελέχωση κειμένων. Λεξικά και ανάκτηση ανεκτική σε σφάλματα. Κατασκευή και συμπίεση ευρετηρίων. Διαβάθμιση όρων. Ανάκτηση διανυσματικού χώρου. Αξιολόγηση ανάκτησης πληροφοριών. Μηχανισμοί ανάδρασης και διαστολή επερωτήσεων. Ταξινόμηση κειμένου και απλοϊκές τεχνικές Bayes. Ταξινόμηση διανυσματικού χώρου. Επίπεδη ομαδοποίηση. Ιεραρχική ομαδοποίηση. Βασικές έννοιες αναζήτησης στον Ιστό. Ιχνηλασία και ευρετηριασμός Ιστού. Ανάλυση υπερσυνδέσμων.

Προαπαιτούμενα: Αλγόριθμοι, Δομές Δεδομένων, Τεχνολογίες Διαδικτύου και Βασική Γραμμική Άλγεβρα

Βιβλιογραφία:

  1. C. D. Manning, P. Raghavan, H. Schutze, An Introduction to Information Retrieval, Cambridge University Press, 2008.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία.

ΕΠΛ 662 Μηχανική Μάθηση και Εξόρυξη Δεδομένων

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: .....................

Πίστωση: 8 μονάδες ECTS Διδάσκων: Κ. Παττίχης

Στόχοι: Εισαγωγή στις θεμελιώδεις αρχές και τεχνικές ανάπτυξης και υλοποίησης συστημάτων εξόρυξης δεδομένων που υποστηρίζουν την εξαγωγή γνώσης.

Περιεχόμενο: Αποθήκες Δεδομένων και Τεχνολογία OLAP για την Εξόρυξη Δεδομένων. Προεπεξεργασία Δεδομένων. Βασικές έννοιες, Γλώσσες και Αρχιτεκτονικές για Εξόρυξη Δεδομένων. Περιγραφή Εννοιών: Χαρακτηρισμός και Σύγκριση. Κανόνες Συσχέτισης σε Μεγάλες Βάσεις Δεδομένων. Κατηγοριοποίηση και Πρόβλεψη. Ανάλυση Συγκεντροποίησης. Εξόρυξη Σύνθετων Τύπων Δεδομένων. Εφαρμογές και Τάσεις στην Εξόρυξη Δεδομένων.

Προαπαιτούμενα:---------------

Βιβλιογραφία:

  1. J. Han, M. Kamber, Data Mining – Concepts and Techniques, Morgan Kaufmann, 2000.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρες εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση, κατ’οίκον εργασία (μελέτες, ασκήσεις) και παρουσίαση περιπτωσιακής μελέτης.

ΕΠΛ 663 Υπολογιστική Λογική

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ……………….

Πίστωση: 8 μονάδες ECTS Διδάσκων: Α. Κάκας

Στόχοι: Εξοικείωση με θεμελιώδεις έννοιες και εφαρμογές Υπολογιστικής Λογικής. Εξοικείωση με τρέχοντα ερευνητικά θέματα στην Υπολογιστική Λογική.

Περιεχόμενο: Ιστορική εισαγωγή. Αναδρομή στην Κλασική Λογική. Απαγωγή και Επαγωγή. Αναπαράσταση Γνώσης και Συλλογισμός. Μη-μονοτονικός Συλλογισμός. Συλλογισμός Δράσεων και Αλλαγής. Εφαρμογές Υπολογιστικής Λογικής: Δηλωτικός Προγραμματισμός. Αυτόνομοι Πράκτορες. Γνωστική Ρομποτική. Ευφυής Ολοκλήρωση Πληροφοριών.

Προαπαιτούμενα: Προπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ324 (Λογικός Προγραμματισμός και Τεχνητή Νοημοσύνη).

Βιβλιογραφία:

  1. Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση και κατ’οίκον εργασία.

ΕΠΛ 664 Ανάλυση και Επαλήθευση Συστημάτων

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS Διδάσκων: Ά. Φιλίππου

Στόχοι: Εξοικείωση με σύγχρονες τεχνολογίες μοντελοποίησης, ανάλυσης και επαλήθευσης υπολογιστικών συστημάτων.

Περιεχόμενο: Τυπικές μέθοδοι για περιγραφή και ανάλυση συστημάτων. Συντρέχοντα συστήματα και σημασιολογία παρεμβαλλόμενης και μερικής διάταξης. Συστήματα μεταβάσεων και δομές Kripke. Χρονική Λογική (γραμμική και διακλαδωμένη). Αυτοματοποιημένη επαλήθευση και μοντέλο-έλεγχος. Άλγεβρες Διεργασιών: σύνταξη, σημασιολογία, σχέσεις ισοδυναμίας και συστήματα εξισώσεων. Ανάλυση συστημάτων πραγματικού χρόνου (χρονικά αυτόματα, χρονικές άλγεβρες διεργασιών και χρονική λογική). Τα εργαλεία SPIN και Concurrency Workbench.

Προαπαιτούμενα ---------------

Βιβλιογραφία:

  1. Peled, Software Reliability Methods, Springer-Verlag, 2001.
  2. Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’οίκον εργασία.

ΕΠΛ 665 Μέθοδοι Επίλυσης Προβλημάτων Περιορισμών

Τύπος Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο Μεταπτυχιακό

Εξάμηνο ……………….

Πίστωση 8 μονάδες ECTS

Διδάσκων: Γ. Δημόπουλος

Στόχοι Ένας σημαντικός αριθμός προβλημάτων στην Επιστήμη των Υπολογιστών που καλύπτουν ένα ευρύ φάσμα εφαρμογών από τη μηχανική όραση και τεχνητή νοημοσύνη μέχρι διαχείριση δικτύων υπολογιστών, χρονοπρογραμματισμό εργασιών και διαμόρφωση (configuration) βιομηχανικών προϊόντων, αποτελούν ειδικές περιπτώσεις προβλημάτων ικανοποίησης περιορισμών. Το μάθημα αυτό πραγματεύεται προχωρημένες τεχνικές επίλυσης προβλημάτων περιορισμών και περιγράφει πως αυτές μπορούν να εφαρμοστούν στην επίλυση πρακτικών προβλημάτων. Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να μοντελοποιήσουν προβλήματα ικανοποίησης περιορισμών, να κατανοούν τη δομή και συμπεριφορά τους, και να τα επιλύουν κάνοντας χρήση των σχετικών αλγορίθμων και του διαθέσιμου λογισμικού.

Περιεχόμενο Ανασκόπηση Βασικών Εννοιών Ικανοποίησης Περιορισμών με Πεπερασμένα Πεδία. Προχωρημένες Τεχνικές Συνέπειας σε Δυαδικά και μη Δυαδικά Προβλήματα. Ικανοποίηση Περιορισμών και Προτασιακή Λογική: Σύγχρονοι αλγόριθμοι και Τεχνικές Αναγωγής. Ικανοποίηση Περιορισμών σε Λογικό Προγραμματισμό. Λογικά Προγράμματα με Άρνηση και τα συστήματα Smodels και DLV. Σχέση μεταξύ μεθόδων πεπερασμένων πεδίων και μεθόδων προτασιακής λογικής. Μέθοδοι εξαγωγής νέων περιορισμών από προβλήματα. Το πρόβλημα του Προγραμματισμού Δράσης και μέθοδοι επίλυσης του. Αλγόριθμοι ικανοποίησης χρονικών περιορισμών. Εισαγωγή στην Κατανεμημένη Ικανοποίηση Περιορισμών. Η γλώσσα CHIP και οι περιορισμοί της. Μοντελοποίηση προβλημάτων στην CHIP.

Προαπαιτούμενα ΕΠΛ 604 ή ΕΠΛ 433

Βιβλιογραφία:

  1. R. Dechter, Constraint Processing, Morgan Kaufmann, 2003.
  2. Επιλεγμένα ερευνητικά άρθρα από τη Διεθνή Βιβλιογραφία.

Μέθοδοι διδασκαλίας Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο/Εργαστήριο (1 ρα εβδομαδιαίως).

Αξιολόγηση Τελική εξέταση, ενδιάμεση εξέταση και προγραμματιστικές ασκήσεις.

ΕΠΛ 667 / ΜΑΙ 647 Υπολογιστική Νευροεπιστήμη

Τύπος Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ, ΜΑΙ

Επίπεδο Μεταπτυχιακό

Εξάµηνο: Εαρινό

Πίστωση 8 µονάδες ECTS

∆ιδάσκων: Χρ. Χριστοδούλου

Στόχοι: Η Υπολογιστική Νευροεπιστήµη (Computational Neuroscience) είναι ένα αναδυόμενο και δυναµικά αναπτυσσόµενο θέµα και ερευνητικό αντικείµενο που σκοπό έχει να διασαφηνίσει τις αρχές επεξεργασίας πληροφοριών από το νευρικό σύστηµα του εγκεφάλου. Το μάθημα στοχεύει να αναπτύξει και να εφαρµόσει υπολογιστικές µεθόδους για την μελέτη του εγκεφάλου και συµπεριφοράς καθώς και της κατανόησης της δοµής του συνειδητού μυαλού.

Περιεχόµενο: Εισαγωγή στην Υπολογιστική Νευροεπιστήμη. Βασική νευροβιολογία: από τον εγκέφαλο σε μονούς νευρώνες· βιοφυσική μονών νευρώνων. Μοντέλα νευρώνων βασισµένα σε διαγωγιµότητα: παραγωγή δυναµικών δράσης (action potentials) και οι εξισώσεις/μοντέλο Hodgkin και Huxley (ΗΗ). Μοντέλα νευρώνων καρφοειδούς εκτόξευσης σηµάτων και μεταβλητότητα πυροδότησης: μοντέλα νευρώνων τύπου leaky integrate-and-fire, μεταβλητότητα χρόνου εξαπόλυσης καρφοειδών σηµάτων. Διδυάστατα (2D) μοντέλα νευρώνων: μείωση διαστάσεων του μοντέλου τεσσάρων διαστάσεων ΗΗ σε 2D μοντέλο· ανάλυση επιπέδου φάσης μοντέλων 2D/σημεία μηδενικής αλλαγής· μοντέλο FitzHugh-Nagumo· δυναμική νευρώνων. Μοντελοποίηση συνάψεων/εισόδων στους νευρώνες. Μοντέλα νευρώνων πέραν του ΗΗ - περισσότερα ιονικά κανάλια και η λειτουργεία τους. Θεωρία καλωδίων: παθητικές και ενεργές μεμβράνες· μοντελοποίηση αξόνων και δενδριτών· διάδοση δυναµικών δράσης. Μοντέλα με χωρίσµατα. Νευρωνικός κώδικας: συχνότητα πυροδότησης· κώδικας συχνότητας· χρονικός κώδικας· τρόπος λειτουργίας νευρώνων - χρονική συνάθροιση/αναγνώριση ταυτόχρονων εισερχόμενων σημάτων. Συναπτική πλαστικότητα: μάθηση Hebbian/πλαστικότητα εξαρτώμενη από τον χρόνο των πυροδοτήσεων. Μοντελοποίηση του εγκεφάλου από κάτω προς τα πάνω και από πάνω προς τα κάτω: µοντελοποίηση συµπεριφοράς αυτοελέγχου σαν ένα παράδειγµα μοντελοποίησης από πάνω προς τα κάτω. Μοντελοποίηση συνείδησης/συναίσθησης.

Προαπαιτούµενα: Γραµµική Άλγεβρα, Διαφορικές εξισώσεις.

Βιβλιογραφία:

  1. P. Dayan, L. Abbott, Theoretical Neuroscience: Computational and Mathematical Modelling of Neural Systems, MIT Press, 2001.
  2. D. Sterratt, B. Graham, A. Gilles, D. Willshaw, Principles of Computational Modelling in Neuroscience, Cambridge University Press, 2011.
  3. W. Gerstner, W. M. Kistler, R. Naud, L. Paninski, Neuronal Dynamics: From single neurons to networks and models of cognition, Cambridge: Cambridge University Press, 2014.
  4. C. Koch, Biophysics of Computation: Information Processing in Single Neurons, Oxford University Press, 1998.
  5. E. M. Izhikevich, Dynamical Systems in Neuroscience: the Geometry of Excitability and Bursting, MIT Press, 2007.

Μέθοδοι ∆ιδασκαλίας: ∆ιαλέξεις (3 ώρες εβδοµαδιαίως), Εργαστήριο/Φροντιστήριο (1.5 ώρες εβδοµαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάµεση εξέταση και εργαστηριακές ασκήσεις.

ΕΠΛ 668 Μηχανική Όραση

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Κ. Παττίχης / Γ. Χρυσάνθου

Στόχοι: Κάλυψη κυρίων θεμάτων και εννοιών που αφορούν το αντικείμενο της Μηχανικής Όρασης. Κατανόηση των θεμελιωδών προβλημάτων της μηχανικής όρασης και των μεθοδολογιών που χρησιμοποιούνται για την επίλυση υπολογιστικών προβλημάτων με τη χρήση μαθηματικών μοντέλων και υπολογιστικών αλγόριθμων που αφορούν τη μηχανική όραση.

Περιεχόμενο: Βασικές έννοιες και μεθοδολογίες που αφορούν το αντικείμενο της Μηχανικής Όρασης. Σχηματισμός Εικόνας, επεξεργασία εικόνας, ανίχνευση χαρακτηριστικών, κατάτμηση εικόνων και ομαδοποίηση χαρακτηριστικών, επεξεργασία πολλαπλών εικόνων, μελέτη εφαρμογών.

Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. D. Forsyth, J. Ponce, Computer Vision: A Modern Approach, Prentice-Hall, 2003.
  2. R. Hartley, A. Zeisserman, Multiple View Geometry, Cambridge University Press, 2003.
  3. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2007.
  4. O. Faugeras, Q. T. Luong, Geometry of Multiple Images, MIT Press, 2001.
  5. B. Horn, Robot Vision, MIT Press, Cambridge, Massachusetts, 1986.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’οίκον εργασία (προγραμματιστικές ασκήσεις).

ΕΠΛ 670 Ερευνητικές Μέθοδοι και Επαγγελματικές Πρακτικές στην Πληροφορική

Τύπος: Υποχρεωτικό Μάθημα για ΜΕΠ και ΜΕΠΤ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 4 μονάδες ECTS

Διδάσκων: Γ. Δημόπουλος

Στόχοι: Προώθηση της ερευνητικής, τεχνολογικής και επαγγελματικής κουλτούρας της Πληροφορικής. Εξοικείωση με μεθόδους ανάγνωσης, επισκόπησης και αναζήτησης βιβλιογραφίας. Ανάπτυξη δεξιοτήτων τεχνικής συγγραφής και παρουσίασης. Εξοικείωση με τις σύγχρονες μεθόδους εφαρμογής της Πληροφορικής και της Πληροφορικής Τεχνολογίας στη Βιομηχανία και τις Υπηρεσίες Πληροφορικής. Προετοιμασία των αποφοίτων του μεταπτυχιακού προγράμματος για την εμπλοκή τους σε έργα με καινοτομικό ή ερευνητικό χαρακτήρα.

Περιεχόμενο: Σεμινάρια/διαλέξεις γύρω από την έρευνα και την πρακτική στην Πληροφορική. Μελέτη/επισκόπηση ερευνητικής ή τεχνικής βιβλιογραφίας σε περιοχή της Πληροφορικής. Παρουσίαση τεχνικής μελέτης.

Προαπαιτούμενα: Επιτυχής ολοκλήρωση δύο μαθημάτων μεταπτυχιακού επιπέδου.

Βιβλιογραφία:

  1. Άρθρα από τη διεθνή βιβλιογραφία.
  2. Διαφάνειες διαλέξεων του μαθήματος.

Μέθοδοι διδασκαλίας: Διαλέξεις, ερευνητικά σεμινάρια, ατομικές εργασίες (περιλήψεις σεμιναρίων) και ομαδική βιβλιογραφική μελέτη/επισκόπηση ερευνητικού/τεχνολογικού θέματος.

Αξιολόγηση: Παρουσία και συμμετοχή σε διαλέξεις και αριθμό ερευνητικών σεμιναρίων, γραπτές μελέτες, ομαδική επισκόπηση/μελέτη ερευνητικού/τεχνολογικού θέματος, τεχνική παρουσίαση ομαδικής μελέτης. Η βαθμολογία θα είναι της μορφής Επιτυχία/Αποτυχία.

ΕΠΛ 673 Αλγοριθμική Θεωρία Παιγνίων

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ……………….

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Μ. Μαυρονικόλας

Στόχοι: Εξοικείωση με αλγοριθμικά προβλήματα στη Θεωρία Παιγνίων. Έμφαση σε 3 άξονες: εξοικείωση με τεχνικές για τη σχεδίαση αλγορίθμων στην Θεωρία Παιγνίων, εξοικείωση με θεμελιώδη αποτελέσματα πολυπλοκότητας για δύσκολα προβλήματα στη Θεωρία Παιγνίων και εξοικείωση με τεχνικές για την ανάλυση υπολογιστικών συστημάτων με εγωιστικές συνιστώσες. Εξοικείωση με τα διάφορα κόστη που έχουν οριστεί στη βιβλιογραφία και τεχνικές για την ανάλυσή τους.

Περιεχόμενο: Στρατηγικά παίγνια: Γνήσιες και μικτές στρατηγικές, οφέλη, βέλτιστες αποκρίσεις. Ισορροπίες: Γνήσιες και μικτές ισορροπίες Nash, οι εκλεπτύνσεις και γενικεύσεις τους. Κλασσικά θεωρήματα ύπαρξης ισορροπιών και οι αλγοριθμικές πτυχές τους. Αλγόριθμοι και πολυπλοκότητα για την εύρεση ισορροπιών. Οι υπολογιστικές κλάσεις PLS και PPAD και η σχέση τους με το πρόβλημα υπολογισμού ισορροπιών. Παίγνια διπίνακα. και αλγόριθμοι για τον υπολογισμό των προσεγγιστικών ισορροπιών τους. Το κόστος αναρχίας και οι παραλλαγές τους. Ανάλυση του κόστους αναρχίας για γενικά και ειδικά παίγνια (π.χ παίγνια για εγωιστική δρομολόγηση, παίγνια συμφόρησης, παίγνια ασφαλείας). Εφαρμογές σε ρεαλιστικές περιπτώσεις (π.χ. κοινωνικά δίκτυα, εγωιστικός σχηματισμός του Internet).

Προαπαιτούμενα: Προπτυχιακά μαθήματα ισοδύναμα με τα ΕΠΛ 211 (Θεωρία Υπολογισμού) και ΕΠΛ 436 (Αλγόριθμοι και Πολυπλοκότητα).

Βιβλιογραφία:

  1. M. Mavronicolas καιP. Spirakis, Algorithmic Game Theory, Springer, 2011 (Προσχέδιοβιβλίου).
  2. Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο/Recitation (1 ώρα εβδομαδιαίως)

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ΄ οίκον εργασία (θεωρητικές ασκήσεις)

ΕΠΛ 674 Ασφάλεια Συστημάτων και Δικτύων

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ……………….

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Α. Πιτσιλλίδης, Β. Βασιλείου

Στόχοι: Κατανόηση αρχών ασφάλειας συστημάτων και δικτύων. Απόκτηση γνώσης σε θέματα βασικής κρυπτογραφίας, ταυτοποίησης και επαλήθευσης. Εισαγωγή στην αξιολόγηση ρίσκων, στρατηγικών προφύλαξης και τεχνικών και εργαλείων παροχής ασφάλειας με σκοπό την ανάπτυξη ολοκληρωμένων λύσεων για προστασία δικτύων, λειτουργικών συστημάτων, λογισμικού, εφαρμογών και ψηφιακής πληροφορίας.

Περιεχόμενο Εισαγωγή σε απειλές και επιθέσεις, Τεχνικές Κρυπτογραφίας και Κρυπτανάλυσης, Διαχείριση ανταλλαγής Κλειδιών (PKI), Πρωτόκολλα ασφάλειας δικτύων και διαδικτύου (IPSec, SSL/TLS), Πρότυπα ταυτοποίησης και επαλήθευσης (Kerberos, AAA), Ασφάλεια συστημάτων (Firewalls, IDS), Αντιμετώπιση απειλών σε συστήματα (viruses, worms, trojan horses, stack overflow, rootkits) Αναγνώριση και αντιμετώπιση προβλημάτων και ευπαθών σημείων στην ανάπτυξη λογισμικού και σε λειτουργικά συστήματα. Εισαγωγή στη Δικανική συστημάτων (computer system forensics), Πολιτικές Ασφάλειας, Διαχείριση Ασφάλειας, Οικονομικά, Νομικά και Ηθικά θέματα στην ασφάλεια Συστημάτων.

Προαπαιτούμενα: Εισαγωγικό μεταπτυχιακό μάθημα ισοδύναμο με το ΕΠΛ606 (Δίκτυα Υπολογιστών και το Διαδίκτυο).

Βιβλιογραφία:

  1. Kaufman, R. Perlman, καιM. Speciner, Network Security: PRIVATE communication in a PUBLIC world, Second Edition, Prentice Hall, 2002.
  2. P. Pfleeger και S. L. Pfleeger, Security in Computing, Fourth Edition, Prentice Hall, 2006.
  3. Dowd, J. McDonald καιJ. Schuh, The Αrt of Software Security Assessment, Addison Wesley, 2006.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρες εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ΄ οίκον εργασία (μελέτες ή/και εργαστηριακές ασκήσεις)

ΕΠΛ 675 Υπηρεσίες Διαδικτύου και Υπολογισμός Προσανατολισμένος προς τις Υπηρεσίες

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ……………….

Πίστωση: 8 μονάδες ECTS

Διδάσκων: ……………….

Στόχοι: Οι υπηρεσίες διαδικτύου επιτρέπουν σε προγράμματα τα οποία εκτελούνται σε κατανεμημένο περιβάλλον στο οποίο δεν υπάρχει κανενός είδους συνοχή σε επίπεδο πλατφόρμων αρχιτεκτονικής, λειτουργικών συστημάτων ή γλωσσών προγραμματισμού, να επικοινωνούν μεταξύ τους και να συνεργάζονται στην υλοποίηση διαφόρων εφαρμογών. Κατανόηση των αρχών που διέπουν το σχεδιασμό υπηρεσιών διαδικτύου, του προγραμματισμού τους, των βασικών προτύπων και πρωτοκόλλων επικοινωνίας μεταξύ των υπηρεσιών και της ανάπτυξης σχετικών εφαρμογών. Κατανόηση τεχνικών απεικόνισης οντολογιών και αλληλεπίδρασης πληροφορίας. Εξοικείωση με αρχές σημασιολογικού ιστού και γλώσσες μοντελοποίησης. Κατανόηση αρχιτεκτονικών microservices.

Περιεχόμενο: Εισαγωγικές έννοιες. Η σχέση και διαφορά του υπολογισμού προσανατολισμένου προς τις υπηρεσίες με άλλες συγγενείς έννοιες (κατανεμημένα συστήματα, σπονδυλωτά συστήματα, κλπ.). Βασικές αρχιτεκτονικές και πρότυπα υπηρεσιών διαδικτύου (REST, SOAP, WSDL, UDDI). Βασικές πλατφόρμες ανάπτυξης υπηρεσιών διαδικτύου (J2EE, . JAX-RS, κλπ.). Νέα πρότυπα (microservices). Προβλήματα και προκλήσεις. Μοντελοποίηση και αναπαράσταση πληροφοριών (οντολογίες, πρότυπα RDF, OWL, κλπ.). Γλώσσες εξόρυξης (SPARQL). Σημασιολογικές υπηρεσίες διαδικτύου και αναπαράσταση (OWL-S, SAWSDL). Συνεταιριστικά συστήματα και σύνθεση υπηρεσιών. Επιχειρησιακές διαδικασίες με υπηρεσίες διαδικτύου (WS-BPEL). Συνδεδεμένα δεδομένα (LinkedData).

Προαπαιτούμενα -------------

Βιβλιογραφία:

  1. M. P. Papazoglou, Web Services: Principles and Technology, 2nd edition, Pearson Prentice Hall, 2012.
  2. TR. Daigneau, Service Design Patterns Fundamental Design Solutions for SOAP/WSDL and RESTful Web Services, 2010.
  3. D. Allemang, J. Hendler, Semantic Web for the Working Ontologist: Effective Modeling in RDFS and OWL, Morgan Kaufman, 2011.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ΄ οίκον εργασία (μελέτες ή/και εργαστηριακές ασκήσεις).

ΕΠΛ 678 Χρονικά Πληροφοριακά Συστήματα στην Ιατρική

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Ε. Κεραυνού-Παπαηλιού

Στόχοι: Συχνά τίθεται το ερώτημα κατά πόσον η ιατρική είναι τέχνη ή επιστήμη. Η στήριξη των διαφόρων ιατρικών εργασιών (διάγνωση, πρόγνωση, θεραπευτική αγωγή, παρακολούθηση ασθενών) μέσω υπολογιστικών συστημάτων απασχολεί διάφορες επιστημονικές κοινότητες (τεχνητής νοημοσύνης, βάσεων δεδομένων, ιατρικής πληροφορικής), όπου η διάσταση του χρόνου αποτελεί αναπόσπαστο στοιχείο. Πρόσφατα παρουσιάζεται μία αλλαγή προσέγγισης, από εφαρμογές με επίκεντρο τη γνώση σε εφαρμογές με επίκεντρο τα δεδομένα, και από συστήματα που συμβουλεύουν σε συστήματα που πληροφορούν. Κύρια πρόκληση θεωρείται πλέον η ευφυής αξιοποίηση δεδομένων και όχι κατ’ ανάγκη η μηχανοποίηση της γνώσης. Τα ιατρικά προβλήματα και η αξιοποίηση ιατρικών δεδομένων προβάλλουν ιδιαίτερες προκλήσεις όταν μάλιστα η διάσταση του χρόνου αποτελεί κεντρική συνιστώσα. Το μάθημα στοχεύει στην παρουσίαση και κριτική ανάλυση των διαφόρων πτυχών των Χρονικών Πληροφοριακών Συστημάτων στην Ιατρική (θεωρητικό υπόβαθρο, εφαρμογές, ανοικτά ερευνητικά θέματα) όπου τέτοια συστήματα μπορεί να ορισθούν ως πληροφοριακά συστήματα τα οποία μπορούν να αποθηκεύουν, να διαχειρίζονται και να θέτουν ερωτήματα αναφορικά με κλινικά δεδομένα προσανατολισμένα στο χρόνο και να υποστηρίζουν διάφορες εργασίες συλλογισμού σε σχέση με αυτά τα δεδομένα.

Περιεχόμενο: Η σημασία του χρόνου στην ιατρική. Μοντελοποίηση και συλλογισμός με βάση το χρόνο (μοντελοποίηση του χρόνου και των χρονικών οντοτήτων). Απαιτήσεις, οντολογίες και μοντέλα χρονικού συλλογισμού. Γενικές θεωρίες χρόνου σε σχέση με τον τομέα της ιατρικής. Χρονικοί περιορισμοί. Χρονικές βάσεις δεδομένων και η επέκτασή τους για κλινικά δεδομένα. Χρονική αφαιρετικότητα ιατρικών δεδομένων (μορφές αφαιρετικότητας, παρακολούθηση ασθενών με βάση το χρόνο). Χρόνος και κλινική διάγνωση (διαγνωστικές έννοιες, παραδείγματα εφαρμογών, απαγωγικός συλλογισμός με χρήση χρονικών αντικειμένων, χρονικοί περιορισμοί). Αυτοματοποιημένη στήριξη του καταρτισμού και της εφαρμογής σχεδίων θεραπευτικής αγωγής (μοντελοποίηση κλινικών κατευθύνσεων και πρωτοκόλλων). Προκλήσεις για περαιτέρω έρευνα.

Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. Combi, E. Keravnou-Papailiou, Y. Shahar, Temporal Information Systems in Medicine, Springer, 2010.
  2. Fisher, D. Gabbay, L. Vila (eds), Handbook of Temporal Reasoning in Artificial Intelligence, Elsevier, 2005.
  3. Bettini, S. Jajodia, S. X. Wang, Time Granularities in Databases - Data Mining and Temporal Reasoning, Springer, 2000.
  4. Mani, J. Pustejovsky, R. Gaizauskas (eds.), The Language of Time: A Reader, Oxford University Press, 2005.
  5. Άρθρα από επιστημονικά περιοδικά όπως το περιοδικό Artificial Intelligence in Medicine.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και συζητήσεις/παρουσιάσεις σε μορφή σεμιναρίων (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Γραπτές εξετάσεις (ενδιάμεση και τελική), εκπόνηση εργασιών (μελέτες ή/και εργαστηριακές ασκήσεις)

ΕΠΛ 679 Ηλεκτρονική Υγεία

Τύπος: Μάθημα εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: ..................

Στόχοι: Εισαγωγή των φοιτητών στις δυνατότητες που παρέχουν οι τεχνολογίες πληροφορικής στην ιατρική και κλινική πράξη κυρίως μέσα από τη μοντελοποίησης της ιατρικής πρακτικής, των διαδικασιών και της γνώσης, από τους τρόπους διαχείρισης, προτυποποίησης, και παρουσίασης της πληροφορίας.

Περιεχόμενο: Μέθοδοι για την αξιοποίηση της πληροφορικής για την εξόρυξη ιατρικών πληροφοριών και δεδομένων από βάσεις γνώσης, δεδομένων και ιατρικών πληροφοριών. Εφαρμογές συστημάτων πληροφορικής που χρησιμοποιούνται σήμερα για την διακίνηση της ιατρικής γνώσης, την διαχείριση της ιατρικής πληροφορίας, την χρήση ηλεκτρονικού φακέλου για τους ασθενείς και την στήριξη της ιατρικής απόφασης.

Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. J. H. van Bemmel, M. Musen, Handbook of Medical Informatics, (Edts), Springer, 1997.
  2. E. H. Shortliffe (Editor), L. M. Fagan, G. Wiederhold, L. E. Perreault MedicalInformatics: Computer Applications in Health Care and Biomedicine, Publisher: Springer Verlag; 2nd edition (November 2000).
  3. L Burke, B. Weill, Information Technology for the health professionals, Prentice Hall, 2000.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και συζητήσεις/παρουσιάσεις σε μορφή σεμιναρίων (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ΄ οίκον εργασία (μελέτες ή/και εργαστηριακές ασκήσεις).

ΕΠΛ 680 Γνωστικός Προγραμματισμός

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ και ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάµηνο: Εαρινό

Πίστωση 8 µονάδες ECTS

∆ιδάσκων: Α. Κάκας

Στόχοι Η εισαγωγή των φοιτητών στο νέο πλαίσιο ανάπτυξης ευφυών συστημάτων βασιζόμενο στη σύνθεση της Γνωστικής Ψυχολογίας / Επιστήμης και της Τεχνητής Νοημοσύνης. Η θεωρητική αντίληψη των προκλήσεων τέτοιων γνωστικών συστημάτων και η ανάπτυξη γνώσεων για την πρακτική εφαρμογή τους.

Περιεχόµενο: Βασικά στοιχεία της Γνωστικής Επιστήμης και η σχέση της με την Λογική και την Επιχειρηματολογία. Υπολογιστικά μοντέλα γνωστικής νοημοσύνης βασιζόμενα στη λογική επιχειρηματολογία, ακολουθώντας μοντέλα αναπαράστασης γνώσης από τη Γνωστική Ψυχολογία. Η δομή της κοινής γνώσης και του ανθρώπινου συλλογισμού εξαγωγής συμπερασμάτων κοινής λογικής. Μηχανική μάθηση κοινής γνώσης μέσα από το διαδίκτυο. Η Αρχιτεκτονική γνωστικών συστημάτων και ο δυναμικός κύκλος ανάπτυξής τους. Αξιοποίηση συστημάτων Γοργία, Σταρ, και IBM Watson για την ανάπτυξη γνωστικών συστημάτων. Εφαρμογές σε συστήματα αποφάσεων και συστάσεων στοχευμένα στις προτιμήσεις του χρήστη και στο συγκεκριμένο περιβάλλον στο οποίο ευρίσκεται. Γνωστικοί βοηθοί σε υπηρεσίες διαδικτύου τηλεφωνίας.

Προαπαιτούµενα: Βασικές Γνώσεις Τεχνητής Νοημοσύνης

Βιβλιογραφία:

  1. Journal of Cognitive Systems Research, Elsevier.
  2. Journal of Advances of Cognitive Systems.
  3. Journal of Computational Cognitive Science .
  4. Principles of Synthetic Intelligence, Oxford University Press, 2009.
  5. Research Documents of Cognitive Computing and the Watson machine.

Μέθοδοι ∆ιδασκαλίας: ∆ιαλέξεις (3 ώρες εβδοµαδιαίως) και συζητήσεις/παρουσιάσεις σε μορφή σεμιναρίων (1 ώρα εβδομαδιαίως).

Αξιολόγηση Τελική εξέταση, ενδιάµεση εξέταση, μελέτες ή/και εργαστηριακές ασκήσεις.

ΕΠΛ 681 Θέματα Επαναχρησιμοποίησης Λογισμικού και Εξόρυξης Δεδομένων από Αποθετήρια

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάµηνο: Εαρινό  (ή Χειμερινό)

Πίστωση: 8 µονάδες ECTS

∆ιδάσκων: Γ. Καπιτσάκη

Στόχοι: Να διδαχθούν θέματα επαναχρησιμοποιήσης λογισμικού. Να μελετηθούν σχεδιαστικά πρότυπα λογισμικού. Να γίνει κατανοητή η διαδικασία, χρήση και χρησιμότητα εξόρυξης δεδομένων από αποθετήρια λογισμικού και πλατφόρμες ερωτοαπαντήσεων.

Περιεχόµενο: Επίπεδα επαναχρησιμοποίησης. Καλές πρακτικές επαναχρησιμοποίησης. Εξέλιξη της επαναχρησιμοποίησης. Σχεδιαστικά πρότυπα. Πρότυπα αντικειμενοστρεφούς προγραμματισμού. Αποθετήρια λογισμικού (π.χ. GitHub). Αναζήτηση και ανάκτηση πληροφορίας. Εξόρυξη πληροφορίας (mining software repositories). Βήματα εξόρυξης δεδομένων. Προεπεξεργασία και επεξεργασία δεδομένων (π.χ. σε γλώσσα προγραμματισμού R). Χρήση προγραμματιστικών διεπαφών. Πλατφότμες ερωτοαπαντήσεων (Q&A sites), π.χ. Stack Exchange, και εξόρυξη δεδομένων. Λογισμικό ανοικτού κώδικα. Κατηγορίες αδειών ανοικτού κώδικα και νομικά ζητήματα. Συμβατότητα αδειών. Θέματα επιλογής αδειών. Τελευταίες εξελίξεις και ερευνητικές εργασίες.

Προαπαιτούµενα: Βασικές γνώσεις αντικειμενοστρεφούς προγραμματισμού και τεχνολογίας λογισμικού.

Βιβλιογραφία:

  1. Τ. Diamantopoulos, Α. L. Symeonidis, Mining Software Engineering Data for Software Reuse, Springer, 2020.

  2. Μ. Ezran, Μ. Morisio, C. Tully, Practical Software Reuse, Practitioner Series, 2002.

  3. Head First Design Patterns, O'Reilly Media, 2004.

  4. C. Horstmann, A Practical Guide to Open Source Licensing, Wiley, 2nd Edition, 2006.

  5. Επιλεγμένα άρθρα από επιστημονικά συνέδρια και περιοδικά.

Μέθοδοι ∆ιδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα) και Εργαστήριο (1.5 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία (πρακτικές ασκήσεις και ερευνητική εργασία).

ΕΠΛ 682 Προχωρημένα Θέματα Ασφάλειας

Τύπος: Μάθημα Εξειδίκευσης για ΕΜ - Μάθημα Περιορισμένης Επιλογής για ΜΕΠ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Η. Αθανασόπουλος

Στόχοι: Σύντομη περίληψη βασικών εννοιών σε θέματα εφαρμοσμένης κρυπτογραφίας, ασφάλειας συστημάτων και δικτύων με στόχο την περαιτέρω κάλυψη σύνθετων ερευνητικών προβλημά-των ασφάλειας. Τα σύνθετα θέματα περιλαμβάνουν μια σειρά από προβλήματα προχωρημένου επιπέδου σε εφαρμοσμένη κρυπτογραφία, σφάλματα μνήμης, επιθέσεις και άμυνες δικτύου, εφαρμογές κινητών τηλεφώνων, ανωνυμία και ιδιωτικότητα.

Περιεχόμενο: Σύντομη περιγραφή βασικών εννοιών ασφάλειας και εν συνεχεία παρουσίαση ειδικών θεμάτων. Τα ειδικά θέματα περιλαμβάνουν σφάλματα μνήμης (buffer overflows, integer overflows, use-after-free, dangling pointers) στον σωρό (heap), και επιθέσεις επαναχρησιμοποίηση κώδικα (code reuse, ROP), επιθέσεις μέσω side channels, προχωρημένες άμυνες (advanced soft-ware hardening), σύνθετες επιθέσεις σε γνωστές εφαρμογές δικτύου (DNS, NTP, κ.λπ.), και θέματα ιδιωτικότητας. Το μάθημα έχει εν μέρη τη μορφή σεμιναρίου. Αρχικά ο διδάσκων ανα-λύει τις βασικές έννοιες και ύστερα τα σύνθετα θέματα παρουσιάζονται μέσα από επιλεγμένες δημοσιεύσεις.

Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. Α. J. Menezes, Π. C. van Oorschot, S. A. Vanstone. Handbook of Applied Cryptography, CRC Press.
  2. R. Anderson. Security Engineering: A Guide to Building Dependable Distributed Systems, 2nd Edition, Wiley.
  3. W. R. Cheswick, S. M. Bellovin, A. D Rubin. Firewalls and Internet Security: Repelling the Wily Hacker, 2nd Edition, Addison-Wesley Professional, 2003.
  4. C. Anley, J. Heasman, F. Lindner, G. Richarte. The Shellcoder's Handbook: Discovering and Exploiting Security Holes, 2nd Edition. Wiley, 2007.
  5. Επιλεγμένα άρθρα

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και κατ' οίκον εργασία (συμπεριλαμβανομένων εργαστηριακών ασκήσεων).

ΕΠΛ 683 Τεχνολογική Επιχειρηματικότητα

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΠ, ΕΜ
Μάθημα Περιορισμένης Επιλογής για Διδακτορικούς Φοιτητές
Ελεύθερη Επιλογή για φοιτητές άλλων Τμημάτων

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Χειμερινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Μ. Δικαιάκος

Γλώσσα: Αγγλικά

Στόχοι: Το μάθημα εξετάζει τις βασικές προκλήσεις που αντιμετωπίζονται κατά τη μετατροπή επιστημονικών ή τεχνολογικών ιδεών σε προϊόντα ή υπηρεσίες παγκόσμιας εμβέλειας και την ανάληψη καινοτομικών επιχειρηματικών δραστηριοτήτων σε τομείς όπως η ανάπτυξη λογισμικού και οι διαδικτυακές υπηρεσίες. Επιδίωξη του μαθήματος είναι όπως οι φοιτητές αναπτύξουν γνώσεις και δεξιότητες για να μπορούν να αναγνωρίσουν και να αντιμετωπίσουν τις πολυποίκιλες προκλήσεις που αντιμετωπίζουν οι ιδρυτές και τεχνικοί διευθυντές νεοφυών επιχειρήσεων, οι οποίοι καλούνται να καινοτομήσουν στο σύνορο της τεχνολογίας και της επιχειρηματικότητας, αναπτύσσοντας μια συνδυαστική κατανόηση των δύο αυτών τομέων.

Περιεχόμενο: Γνωριμία και πειραματισμός με αναγνωρισμένες μεθοδολογίες καινοτομικής επιχειρηματικότητας και σχετικά εργαλεία λογισμικού ώστε να μπορούν οι φοιτητές να μετατρέπουν τις ιδέες τους σε επιχειρηματικές προσπάθειες. Συγκεκριμένα, εξέταση και αξιοποίηση μέσω πρακτικής άσκησης: των βασικών βημάτων μετατροπής μιας ιδέας ή επινόησης σε ένα εμπορικό προϊόν· οι μεθοδολογίες Lean Product Process και Business Model Canvas, στο πλαίσιο της Πληροφορικής Τεχνολογίας και των Θετικών ή Εφαρμοσμένων Επιστημών· η μεθοδολογία Disciplined Entrepreneurship· τεχνικές για καινοτομική ανάπτυξη ιδεών εφαρμογών λογισμικού και διαδικτύου και χρηστικών αντικειμένων με ενσωματωμένο λογισμικό, όπως Design Thinking, Innovators’ Compass και Sprint· θέματα προσέλκυσης χρηματοδοτήσεων και επενδύσεων · βασικά στοιχεία σύστασης και διοικητικής οργάνωσης εταιρείας· θέματα δημιουργίας, οργάνωσης και ηγεσίας ομάδας· ανασκόπηση και εξάσκηση με εργαλεία για διαχείριση έργου, ομάδας, συνεργασίας, ταχείας κατασκευής πρωτοτύπων, διαφήμισης: Trello, Slack, SimpleMind, Proto.io, Github, Google AdService, Google Cloud, Heroku· προετοιμασία παρουσιάσεων και προβολής ιδεών για προσέλκυση επενδύσεων (pitching).

Προαπαιτούμενα: -------------

Βιβλιογραφία:

  1. B. Aulet, Disciplined Entrepreneurship, Wiley, 2013.

  2. B. Aulet, Disciplined Entrepreneurship Workbook, Wiley, 2017.

  3. D. Olsen, The Lean Product Playbook. How to Innovate with Minimum Viable Products and Rapid Customer Feedback, Wiley, 2015.

  4. A. Osterwalder et al, Value Proposition Design: How to Create Products and Services Customers Want, Wiley, 2014.

  5. L. Klein, UX for Lean Startups, O’Reilly, 2013.

  6. B. Horowitz, The Hard Thing about Hard Things, Harper Business, 2014.

  7. St. G. Blank, The Four Steps to the Epiphany. Successful Strategies for Products that Win, Lulu, 2006.

  8. Cl. Christensen, The Innovator's Dilemma: When New Technologies Cause Great Firms to Fail (Management of Innovation and Change), Harvard Business Review Press, 2016.

  9. E. Ries, The Lean Startup, Penguin, 2011.

  10. T. Brown, Change by Design, Harper Collins, 2009.

  11. T. Kelley, D. Kelley, Creative Confidence, Harper Collins, 2014.

  12. P. Thiel, B. Masters, Zero to One: Notes on Startups, or How to Build the Future, Virgin Books, 2015.

  13. J. Bezos, The Everything Store: Jeff Bezos and the Age of Amazon, Corgi, 2014.

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Κατ’ οίκον εργασίες, ομαδική εργασία εξαμήνου (γραπτή αναφορά και προφορική εξέταση).

ΕΠΛ 699 Προχωρημένα Θέματα Αναλυτικών σε Γράφους

Τύπος: Μάθημα Περιορισμένης Επιλογής για Διδακτορικούς Φοιτητές (υπό συνθήκες Μάθημα Περιορισμένης Επιλογής για ΜΕΠ)

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Χαράλαμπος Τσουρακάκης

Στόχοι: Students will become familiar with random graph models, algorithm design techniques for large-scale networks, and deep learning tools for node representations. Applications of interest will include link prediction, node classification, community detection, anomaly detection, and the design of recommender systems using graph embeddings.Graphs naturally model complex social, biological, and financial systems. Graph analytics have important real-world applications ranging from understanding how people form communities in online social networks, to detecting money laundering activity from financial transactions, and driver gene mutations in biology. This course will cover foundational and modern research topics in graph analytics including models, algorithms, modern deep learning techniques, and real-world applications

Περιεχόμενο: Graphs naturally model complex social, biological, and financial systems. Graph analytics have important real-world applications ranging from understanding how people form communities in online social networks, to detecting money laundering activity from financial transactions, and driver gene mutations in biology. This course will cover foundational and modern research topics in graph analytics including models, algorithms, modern deep learning techniques, and real-world applications.

Προαπαιτούμενα: Knowledge of Data Structures and Algorithms (equivalent to CS 231). Familiarity with basic linear algebra is welcome

Βιβλιογραφία: 

  1. Graph representation learning by William Hamilton
  2. Introduction to random graphs by Frieze and Karonski
  3. Networks, Crowds and Markets, by Easley and Kleinberg
  4. Spectral and algebraic graph theory by Spielman

Μέθοδοι διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως).

Αξιολόγηση: Κατ’οίκον εργασίες (25%) και εξαμηνιαία εργασία (75%).

DSC 516 Υπολογισμός Νέφους

Τύπος: Μάθημα Περιορισμένης Επιλογής για ΜΕΔ, ΜΑΙ, ΜΕΠ, ΕΜ / Μάθημα Περιορισμένης Επιλογής για Διδακτορικούς Φοιτητές

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Μ. Δικαιάκος

Γλώσσα Διδασκαλίας: Αγγλικά

Στόχοι: Επιδίωξη του μαθήματος είναι όπως οι φοιτητές αναπτύξουν γνώσεις και δεξιότητες ανάπτυξης και λειτουργίας εφαρμογών νεφο-υπολογιστικής, διαχείρισης υποδομών Νέφους και λήψη σχετικών βιομηχανικών πιστοποιήσεων: (i) Με την εις βάθος κατανόηση θεμελιωδών εννοιών του Υπολογισμού Νέφους (Cloud Computing), μοντέλων παροχής υπηρεσιών νέφους και του τεχνολογικού υποστρώματος των υπηρεσιών αυτών. Ανασκόπηση της αρχιτεκτονικής υλικού και λογισμικού Μεγάλων Κέντρων Δεδομένων. (ii) Την απόκτηση εξοικείωσης με τεχνολογίες εικονικοποίησης υπολογιστών (virtualization) και εγκιβωτισμού εφαρμογών (containers). (iii) Την κατανόηση και δυνατότητα αξιοποίησης προγραμματιστικών υποδειγμάτων, μεθόδων ανάπτυξης και διαχείρισης εφαρμογών νεφο-υπολογιστικής (προγραμματισμός εφαρμογών μεγάλων δεδομένων, μικροϋπηρεσίες, ανάπτυξη και λειτουργία υπηρεσιών Devops). (iv) Την εξοικείωση με τεχνολογίες ενορχήστρωσης πόρων και παρακολούθησης υπηρεσιών.

Περιεχόμενο: Το μάθημα είναι οργανωμένο σε τέσσερα μέρη: (i) Εισαγωγή, ορολογία, θεμελιώδεις έννοιες, ιστορική εξέλιξη των υπολογιστικών συστημάτων, μοντέλα παροχής υπηρεσιών Νέφους. (ii) Τεχνολογικό υπόστρωμα υπηρεσιών Νέφους: αρχιτεκτονική μεγάλων κέντρων δεδομένων, εικονικοποίηση πόρων και εγκιβωτισμός. (iii) Yποδείγματα προγραμματισμού εφαρμογών Νέφους (πλατφόρμες προγραμματισμού μεγάλων δεδομένων, μικροϋπηρεσίες, υπολογισμός χωρίς εξυπηρετητές), υπηρεσίες αποθήκευσης δεδομένων. (iv) Διαχείριση υπηρεσιών και εφαρμογών Νέφους: ενορχήστρωση και παρακολούθηση πόρων.

Προαπαιτούμενα: Προπτυχιακές γνώσεις λειτουργικών συστημάτων, δικτύων υπολογιστών, αρχιτεκτονικής Η/Υ.

Βιβλιογραφία: 

  1. L. Peterson, S. Baker, A. Bavier, Z. Williams, B. Davie, Edge Cloud Operations: A Systems Approach, Systems Approach LLC, 2022.

  2. L. A. Barroso, U. Hölzle, P. Ranganatha. The Datacenter as a Computer: Designing Warehouse-Scale Machines, 3rd edition Morgan & Claypool , 2019.

  3. I. Foster, D. B. Gannon, Cloud Computing for Science and Engineering, MIT Press, 2017.

  4. J. Nickoloff, St. Kuenzli, Docker In Action, Manning, 2019.

  5. M. Lukša, Kubernetes in Action, Manning 2017.

Μέθοδοι Διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο/Εργαστήριο (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Γραπτή τελική εξέταση, ενδιάμεση εξέταση, κατ’ οίκον εργασίες, ομαδική εργασία εξαμήνου.

MAI 611 Artificial Intelligence Fundamentals

Τύπος: Υποχρεωτικό Μάθημα για ΜΑΙ / Μάθημα Περιορισμένης Επιλογής για ΜΕΠ, ΕΜ

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: ---------

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Ε. Κεραυνού

Γλώσσα Διδασκαλίας: Αγγλικά

Στόχοι: Upon completion of this course, students will have acquired a good understanding of modern Artificial Intelligence, the problems that it addresses and the fundamental solution methods that it uses. More specifically the students will know the main knowledge representation techniques and reasoning methods that underlie artificial intelligence problem solving and be able to develop simple solvers for artificial intelligence systems.

Περιεχόμενο: The purpose of the course is to introduce students to the fundamental principles and techniques that underline software systems that exhibit “intelligent” behavior.

Προαπαιτούμενα: Knowledge of a high-level programing language, object-based data concepts and structures.

Βιβλιογραφία: 

  1. S. Russel, P. Norvig, Artificial Intelligence: A Modern Approach, 4th Edition, Pearson, 2021.

Μέθοδοι Διδασκαλίας: Lectures, discussions of practical examples and (unsupervised) lab activities.

Αξιολόγηση: Final exam, midterm exam and homework (theoretical and/or programming assignments).

MAI 622 Επιχειρηματικότητα της Tεχνητής Nοημοσύνης

Τύπος: Υποχρεωτικό Μάθημα για ΜΑΙ / Μάθημα Περιορισμένης Επιλογής για ΜΕΔ, ΜΕΠ, ΕΜ / Μάθημα Περιορισμένης Επιλογής για Διδακτορικούς Φοιτητές

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Μ. Δικαιάκος

Γλώσσα Διδασκαλίας: Αγγλικά

Στόχοι: Το μάθημα εξετάζει τις βασικές προκλήσεις που αντιμετωπίζονται κατά τη μετατροπή επιστημονικών ή τεχνολογικών επινοήσεων στην περιοχή της Τεχνητής Νοημοσύνης σε προϊόντα ή υπηρεσίες παγκόσμιας εμβέλειας και την ανάληψη καινοτομικών επιχειρηματικών δραστηριοτήτων σε τομείς όπως η ανάπτυξη λογισμικού και οι διαδικτυακές υπηρεσίες. Το μάθημα εισάγει τους φοιτητές στον κόσμο της επιχειρηματικότητας της τεχνητής νοημοσύνης μέσω μελετών περιπτώσεων που καταδεικνύουν επιτυχίες, αποτυχίες και προκλήσεις. Το μάθημα παρέχει επίσης μια εισαγωγή σε βασικά βήματα για την ανάπτυξη μιας εταιρείας, τον σχεδιασμό ενός επιχειρηματικού μοντέλου, τη διερεύνηση της προσαρμογής προϊόντος με αγορά, τη διαχείριση της πνευματικής ιδιοκτησίας και την προσέλκυση επενδύσεων. Οι φοιτητές θα εξερευνήσουν αναγνωρισμένες μεθοδολογίες επιχειρηματικότητας με γνώμονα την καινοτομία και θα πειραματιστούν με αυτές και τα σχετικά εργαλεία για να επιδιώξουν τη μετάφραση των ιδεών τους σε επιχειρηματικές προσπάθειες. Επιδίωξη του μαθήματος είναι όπως οι φοιτητές αναπτύξουν γνώσεις και δεξιότητες για να μπορούν να αναγνωρίσουν και να αντιμετωπίσουν τις πολυποίκιλες προκλήσεις που αντιμετωπίζουν οι ιδρυτές και τεχνικοί διευθυντές νεοφυών επιχειρήσεων Τεχνητής Νοημοσύνης, οι οποίοι καλούνται να καινοτομήσουν στο σύνορο της τεχνολογίας Τεχνητής Νοημοσύνης και της επιχειρηματικότητας, αναπτύσσοντας μια συνδυαστική κατανόηση των δύο αυτών τομέων.

Περιεχόμενο: Εισαγωγή, Ορολογία, Βασικές Έννοιες (Καινοτομία, Επιχειρηματικότητα, Οικοσύστημα, Νεοφυείς Επιχειρήσεις, Βασικά στάδια μετατροπής επινοήσεων σε εμπορικά προϊόντα, Επιχειρηματικότητα με Αρχές, Μελέτες περιπτώσεων επιχειρήσεων Τεχνητής Νοημοσύνης). Προκαταρκτική Ανάλυση αγοράς, πελατών, αγοράς προγεφυρώματος, καθορισμός κύκλου ζωής. Δημιουργία εταιρείας: δομή, χρηματοδότηση, προσέλκυση επενδυτών, δημιουργία και διαχείριση ομάδας. Καθορισμός πρότασης αξίας και δημιουργία πρωτοτύπου προϊόντος. Ανάλυση αγοράς και ανταγωνισμού. Επιχειρηματικά Μοντέλα Εταιρειών Τεχνητής Νοημοσύνης και Βασικές έννοιες: Οικονομία Πλατφορμών και Δεδομένων. Προσέλκυση Πελατών και Πωλήσεις. Πειραματισμός και πρακτική άσκηση με αναγνωρισμένες μεθοδολογίες καινοτομικής επιχειρηματικότητας και σχετικά εργαλεία λογισμικού.

Προαπαιτούμενα: ----------

Βιβλιογραφία: 

  1. B. Aulet, Disciplined Entrepreneurship, Wiley, 2013.

  2. B. Aulet, Disciplined Entrepreneurship Workbook, Wiley, 2017.

  3. A. Osterwalder et al, Value Proposition Design: How to Create Products and Services Customers Want, Wiley, 2014.

  4. A. Fontana, The AI-First Company: How to Compete and Win with Artificial Intelligence, Penguin, 2021.

  5. P. Thiel, B. Masters, Zero to One: Notes on Startups, or How to Build the Future, Virgin Books, 2015.

Μέθοδοι Διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο (1 ώρα εβδομαδιαίως).

Αξιολόγηση: Κατ’ οίκον εργασίες, ομαδική εργασία εξαμήνου (γραπτή αναφορά και προφορική εξέταση).

ΜΑΙ 649 Principles of Ontological Databases

Τύπος: Restricted Choice for MAI

Επίπεδο: Μεταπτυχιακό

Εξάμηνο: Εαρινό

Πίστωση: 8 μονάδες ECTS

Διδάσκων: Α. Πιερής

Γλώσσα Διδασκαλίας: Αγγλικά

Στόχοι: Nowadays we need to deal with data that is very large, heterogeneous, distributed in different sources, and incomplete. At the same time, we have very large amounts of knowledge about the application domain of the data in the form of ontologies that can be used to provide end users with flexible and integrated access to data. This gave rise to ontological databases, which lie at the intersection of traditional databases, and knowledge representation and reasoning. The purpose of the course is to introduce students to the principles of ontological databases and demonstrate the importance of studying data-intensive problems in a mathematically rigorous way, as well as the implications of such studies for real-life applications.

Περιεχόμενο: Towards the main goal of the course, it is vital to first cover the principles of relational databases, without taking ontologies into account, on top of which the principles of ontological databases are built. In particular, the course will cover the following topics: (i) relational model: data model, relational algebra, relational calculus (first-order queries), first-order query evaluation, static analysis of first-order queries, (ii) conjunctive queries (CQs): syntax and semantics, CQ evaluation, static analysis of CQs, minimization of CQs, acyclicity of CQs, evaluation of acyclic CQs (Yannakaki’s algorithm), semantically acyclic CQs and their evaluation, (iii) adding recursion - Datalog: inexpressibility of recursive queries, syntax and semantics of Datalog, Datalog query evaluation, static analysis of Datalog queries, (iv) ontological databases: rule-based ontologies (syntax and semantics), combining relational databases with rule-based ontologies, ontological query answering (OQA), universal models, ontology-based data access, (v) ontological query answering: forward-chaining (the chase procedure), backward-chaining (resolution-based query rewriting), linear rule-based ontologies (tractable data complexity, intractable combined complexity), (vi) advanced topics (time permitting): expressive rule-based ontology languages, chase termination, static analysis of ontological queries.

Προαπαιτούμενα: While there are no formal prerequisites, it is recommended that students have passed a Discrete Mathematics course, and an introductory course in Databases (some familiarity with the relational model, and the main relational query languages). It is also recommended that students have some basic familiarity with computational logic (first-order logic), and complexity theory (standard complexity classes such as PTIME and NP).

Βιβλιογραφία: 

  1. S. Abiteboul, R. Hull, V. Vianu, Foundations of Databases, 1995.

  2. M. Arenas, P. Barcelo, L. Libkin, W. Martens, A. Pieris, Principles of Databases (currently under development, a preliminary version is accessible at https://github.com/pdm-book/community)

  3. F. Baader, I. Horrocks, C. Lutz, U. Sattler, An Introduction to Description Logic, 2017.

  4. L. Libkin, Elements of Finite Model Theory, 2012.

Μέθοδοι Διδασκαλίας: Lectures (3 hours weekly), Recitation (1 hour weekly).

Αξιολόγηση: Coursework (20%), essays (50%), in-class presentations (30%).