Περιγραφές Μαθημάτων Μεταπτυχιακού Προγράμματος

Σε κάθε περιγραφή εμφανίζεται το όνομα του διδάσκοντος κατά το ακαδημαϊκό έτος 2025/2026 ή του εισηγητή του μαθήματος για μαθήματα που δεν προσφέρονται κατά το ακαδημαϊκό έτος 2025/2026.

Τίτλος Μαθήματος: Κατανεμημένα Συστήματα

Κωδικός Μαθήματος: ΕΠΛ 601

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Χρ. Γεωργίου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Εξοικείωση με θεμελιώδεις έννοιες και αρχές των κατανεμημένων συστημάτων σε βάθος και σε πλάτος. Ανάπτυξη επιδεξιοτήτων σχεδίασης, ανάλυσης και προγραμματισμού κατανεμημένων συστημάτων και αλγορίθμων. Απόκτηση αντίληψης των δυνατοτήτων που προσφέρουν αλλά και των προβλημάτων που αντιμετωπίζονται στα κατανεμημένα συστήματα.

Μαθησιακά Αποτελέσματα: Ο/η φοιτητής/φοιτήτρια που θα έχει ολοκληρώσει επιτυχώς το μάθημα αυτό, αναμένεται ότι θα είναι σε θέση να:

• Κατανοεί τις θεμελιώδεις έννοιες και αρχές των κατανεμημένων συστημάτων.
• Επιδεικνύει επιδεξιότητα στη σχεδίαση, ανάλυση και προγραμματισμό κατανεμημένων συστημάτων και αλγορίθμων.
• Γνωρίζει και συγκρίνει διαφορετικά συστήματα Ονοματοδοσίας, Κατανεμημένων Αρχείων, Ασφάλειας, και Ανοχής Σφαλμάτων, βασισμένα στο μοντέλο Πελάτη-Εξυπηρετητή.
• Κατανοεί τα κύρια χαρακτηριστικά των Ομότιμων Δικτυακών Συστημάτων και των Κατανεμημένων Κατάστιχων.
• Υλοποιεί και αναπτύσσει κατανεμημένες εφαρμογές και αλγορίθμους κάνοντας χρήση του κατανεμημένου πλαισίου ZeroMQ.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Βασικές έννοιες και αρχές κατανεμημένων συστημάτων. Επικοινωνία στα κατανεμημένα συστήματα. Ίνες, διεργασίες και συγχρονισμός. Ονοματολογία. Κατανεμημένα συστήματα αρχείων, κατανεμημένα λειτουργικά συστήματα και ενδιάμεσο λογισμικό. 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. Κατανεμημένα Κατάστιχα). Εξάσκηση με προγραμματιστικό θέμα και προγραμματιστικές ασκήσεις.

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

Βιβλιογραφία:

• Α. S. Tanenbaum και Μ. van Steen, Κατανεμημένα Συστήματα: Αρχές και Υποδείγματα, Εκδόσεις ΚΛΕΙΔΑΡΙΘΜΟΣ, 2005.
• G. Coulouris, J. Dollimore, T. Kindberg, and G. Blair, Distributed Systems – Concepts and Design, 5th Edition, Pearson, 2011.
• Σχετικά δημοσιευμένα άρθρα.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Υπολογισμός Νέφους

Κωδικός Μαθήματος: ΕΠΛ 602

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Μάριος Δικαιάκος

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Εξοικείωση και κατανόηση βασικών αρχών και τεχνολογιών που σχετίζονται με το σχεδιασμό και τη λειτουργία Κέντρων Δεδομένων, Υπηρεσιών και Εφαρμογών Υπολογιστικού Νέφους. Μελέτη βασικών εννοιών και πρόσφατης βιβλιογραφίας. Πειραματισμός και εξοικείωση με αναγνωρισμένες τεχνολογίες όπως Amazon Web Services.

Μαθησιακά Αποτελέσματα: Ο/η φοιτητής/φοιτήτρια που θα έχει ολοκληρώσει επιτυχώς το μάθημα αυτό, αναμένεται ότι θα είναι σε θέση να:

• Κατανοεί τις θεμελιώδεις έννοιες, αρχές και βασικές τεχνολογίες και προγραμματιστικά υποδείγματα των σύγχρονων υποδομών και εφαρμογών υπολογιστικού Νέφους.
• Κατανοεί τις μεθοδολογίες και τεχνικές σχεδιασμού, υλοποίησης και λειτουργίας κλιμακώσιμων εφαρμογών Νέφους και σχετικών τεχνολογιών όπως εικονικές μηχανές, κιβώτια (containers) και μικροϋπηρεσίες.
• Συγκρίνει, αντιπαραβάλει και αξιολογεί εναλλακτικές προσεγγίσεις στον σχεδιασμό συστημάτων και εφαρμογών υπολογιστικού νέφους.
• Συντάσσει ολοκληρωμένες μελέτες περίπτωσης που αναλύουν και αντιπαραβάλλουν διαφορετικές λύσεις υπολογιστικού νέφους. Write comprehensive case studies analyzing and contrasting different cloud computing solutions.
• Προετοιμάζει συστάσεις σχετικά με λύσεις υπολογιστικού νέφους για επιχειρήσεις.
• Προετοιμασθεί για εξετάσεις πιστοποίησης γνώσεων, όπως το AWS Certification.

Προαπαιτούμενα: Βασικές γνώσεις προγραμματισμού και δομών δεδομένων, λειτουργικών συστημάτων, παραλληλίας και δικτύων Η/Υ. Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Μέρος I: Βασικές Έννοιες και Μοντέλα

• Ενότητα 1: Θεμελιώδεις έννοιες, ορολογία, Εξέλιξη του Υπολογιστικού Νέφους.
• Ενότητα 2: Μοντέλα Υπολογιστικού Νέφους.

Μέρος II: Δομικά Στοιχεία

• Ενότητα 3: Κέντρα δεδομένων και υπολογιστές μεγάλης κλίμακας.
• Ενότητα 4: Εικονικοποίηση, Containers και Διαχείριση Πόρων.
• Ενότητα 5: Αποθήκευση στο Νέφος.

Μέρος III: Παραδείγματα Προγραμματισμού Εφαρμογών Νέφους

• Ενότητα 6: Υπολογισμός χωρίς διακομιστή (Serverless Computing).
• Ενότητα 7: Microservices και DevOps.

Μεθοδολογία Διδασκαλίας: Υβριδική

• Διαλέξεις με φυσική παρουσία: 3 ώρες ανά εβδομάδα (13 x 3 ω.)
• Παρακολουθήσεις διαδικτυακών διαλέξεων: 1 ώρα ανά εβδομάδα (13 x 1 ω.). Αφορά σε βίντεο, ερωτήσεις και εργασίες του διαδικτυακού μαθήματος Amazon Cloud Foundations του προγράμματος Amazon Web Services Academy program.
• Εργαστήρια με φυσική παρουσία (4 x 1.5 ώ) και μέσω διαδικτύου (9 x 1,5 ω). Το διαδικτυακό σκέλος αφορά σε βίντεο, ερωτήσεις και εργασίες του διαδικτυακού μαθήματος Introduction to Cloud του προγράμματος Amazon Web Services Academy program.

Βιβλιογραφία: Η βιβλιογραφία περιλαμβάνει κεφάλαια από βιβλία, άρθρα από την επιστημονική βιβλιογραφία και σημειώσεις από την AWS Academy. Οι απαιτούμενες και επιπλέον αναγνώσεις θα αναρτώνται στη σελίδα του μαθήματος. Συγκεκριμένα, θα χρησιμοποιήσουμε υλικό από τα ακόλουθα βιβλία:

• Barroso, L. A., Holzle, U. & P. Raganathan (2018) The data center as a Computer. An Introduction to the Design of Warehouse-Scale Machines. Third Edition. In Synthesis Lectures on Computer Architecture (Vol. 2, Issue 1). Morgan & Claypool Publishers.
• Marinescu, D. (2017) Cloud Computing: Theory and Practice. Morgan Kaufmann.
• Foster I. and Gannon Dennis B. (2017) Cloud Computing for Science and Engineering. The MIT Press.
• Peterson, Baker, Bavier, Williams and Davie (2022) Edge Cloud Operations: A Systems Approach. version v0.2.
• Jeff Nickoloff and Stephen Kuenzli (2019) Docker In Action. Manning.

Αξιολόγηση: Η πρόοδος των φοιτητών αξιολογείται συνεχώς μέσω της συμμετοχής στην τάξη και της αξιολόγησης των παρουσιάσεων στην τάξη, των γραπτών εργασιών, των παραδοτέων ομαδικών εργασιών και της τελικής εξέτασης.

Γλώσσα: Αγγλική

Τίτλος Μαθήματος: Χρήση Αρχιτεκτονικών Λογισμικού για Σχεδίαση και Υλοποίηση Λογισμικών Συστημάτων

Κωδικός Μαθήματος: ΕΠΛ 603

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Γιώργος Παπαδόπουλος

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Κατανόηση των βασικών εννοιών των Αρχιτεκτονικών Λογισμικού και των συναφών Γλωσσών Περιγραφής Αρχιτεκτονικών. Σχεδιασμός και υλοποίηση μοντέρνων συστημάτων λογισμικού με χρήση συγκεκριμένης Γλώσσας Περιγραφής Αρχιτεκτονικών. Συσχέτιση της φάσης της μοντελοποίησης με αυτής της υλοποίησης μέσω χρήσης μοντέρνων ενδιάμεσων πλατφόρμων και περιβαλλόντων ανάπτυξης λογισμικών εφαρμογών (Javabeans, .Net, Eclipse, κλπ.).

Προαπαιτούμενα: Προπτυχιακό μάθημα Τεχνολογίας Λογισμικού. Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

• Taylor, R., Medvidovic, N., Dashofy, E., Software Architecture: Foundations, Theory, and Practice, 2010, Wiley
• Bass, L., Clemens, P., Kazman, R., Software Architecture in Practice, 4th Edition, 2022, Pearson

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

Γλώσσα: Ελληνική (ή Αγγλική)

Τίτλος Μαθήματος: Τεχνητή Νοημοσύνη

Κωδικός Μαθήματος: ΕΠΛ 604

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Γ. Δημόπουλος, Χρ. Χριστοδούλου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Αυτό το μάθημα καλύπτει εξειδικευμένα θέματα της Τεχνητής Νοημοσύνης, όπως μοντελοποίηση και επίλυση προβλημάτων Ικανοποίησης Περιορισμών, Συμβολική Μάθηση, Μάθηση με διάφορες μορφές Νευρωνικών Δικτύων, συμπεριλαμβανομένης της Βαθιάς Μάθησης και Ενισχυτική Μάθηση.

Μαθησιακά Αποτελέσματα: Κατανόηση διαφορετικών μεθόδων επίλυσης Προβλημάτων Ικανοποίησης Περιορισμών, όπως προβλήματα Πεπερασμένων Πεδίων, Προτασιακή Ικανοποιησιμότητα και Προγραμματισμός Συνόλου Απαντήσεων. Μάθηση σε διάφορους τύπους Νευρωνικών Δικτύων, συμπεριλαμβανομένης της επιβλεπόμενης και της βαθιάς μάθησης, όπως επίσης και της μη επιβλεπόμενης μάθησης, καθώς και της Ενισχυτικής Μάθησης. Εξοικείωση με συστήματα λογισμικού για μοντελοποίηση και επίλυση πρακτικών προβλημάτων στη Συλλογιστική και τη Μάθηση.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Εισαγωγή στην Τεχνητή Νοημοσύνη. Θέματα Ικανοποίησης Περιορισμών. Ικανοποιησιμότητα και βελτιστοποίηση στη Λογική. Προγραμματισμός Συνόλου Απαντήσεων. Θέματα στη Συμβολική Μάθηση, Εξόρυξη Δεδομένων και Συλλογιστική υπό αβεβαιότητα. Εισαγωγή στα Τεχνητά Νευρωνικά 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, καθώς και περιορισμένες μηχανές Boltzmann.

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

Βιβλιογραφία:

• S. Russell και P. Norvig, Artificial Intelligence: A Modern Approach, Second Edition, Prentice Hall, 2002.
• S. Haykin, Neural Networks and Learning Machines, Third Edition, Pearson Education, 2009.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Προχωρημένη Αρχιτεκτονική Υπολογιστών

Κωδικός Μαθήματος: ΕΠΛ 605

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Γ. Σαζεϊδης / Χάρης Βώλος

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Εισαγωγή στις προχωρημένες αρχές οργάνωσης, λειτουργίας και ανάλυση απόδοσης μοντέρνων υπολογιστικών συστημάτων

Μαθησιακά Αποτελέσματα:

• Εξοικείωση με τις τάσεις της τεχνολογίας υπολογιστών
• Μέτρηση και ανάλυση της απόδοσης μοντέρνων υπολογιστικών συστημάτων
• Κατανόηση των τεχνικών για την οργάνωση των πυρήνων σε μοντέρνες Κεντρικές Μονάδες Επεξεργασίας για αύξηση του παραλληλισμού σε επίπεδο εντολών
• Κατανόηση προχωρημένων τεχνικών για βελτίωση της απόδοσης της ιεραρχίας μνήμης
• Μικροαρχιτεκτονική Ασφάλεια
• Εξοικείωση με παραλληλία σε επίπεδο νημάτων, παράλληλες αρχιτεκτονικές με κοινή μνήμη και τα προβλήματα συνοχής και συνέπειας μνήμης
• Εισαγωγή των τεχνικών που χρησιμοποιούνται στην οργάνωση μοντέρνων Γραφικών Μονάδων Επεξεργασίας και Παραλληλισμός σε Επιπέδου Δεδομένων
• Ετερογενείς Μονάδες Επεξεργασίας για Μηχανική Μάθηση
• Εκτίμηση αρχιτεκτονικής μεγάλης κλίμακας υπολογιστικών συστημάτων (φάρμες υπολογιστών)
• Εξοικείωση με μεθόδους μέτρησης αξιοπιστίας υπολογιστικών συστημάτων
• Διάβασμα και κριτική ερευνητικών άρθρων

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

Περιεχόμενο Μαθήματος: Αξιολόγηση και σύγκριση της απόδοσης και συγκριτικά προγράμματα. Βασικές Αρχές Μικροαρχιτεκτονικής Μοντέρνων Επεξεργαστών. Διασωλήνωση, παράλληλη προσκόμιση και εκτέλεση εντολών, πρόβλεψη, στατική/δυναμική χρονοδρομολόγηση, Ιεραρχία (πολλαπλά επίπεδα) μνήμης, μικροαρχιτεκτονική ασφάλεια, διανυσματικοί επεξεργαστές, simd, γραφικοί επεξεργαστές, πολυεπεξεργαστές, συνοχή και συνέπεια μνήμης, tpus, μοντέρνοι Επεξεργαστές. Σύγχρονη ερευνητική δραστηριότητα στην Αρχιτεκτονική Υπολογιστών.

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

Βιβλιογραφία:

• J. Henessy και D. Patterson, Computer Architecture: A Quantitative Approach, 6th Edition, Morgan Kaufmann, 2020.
• Επιλεγμένα ερευνητικά άρθρα από τη βιβλιογραφία.

Αξιολόγηση: Τελική εξέταση, κατ’ οίκο εργασία, συμμετοχή στην τάξη και περίληψη και συζήτηση άρθρων.

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Δίκτυα Υπολογιστών και το Διαδίκτυο

Κωδικός Μαθήματος: ΕΠΛ 606

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Β. Βασιλείου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα:

• Επεξηγεί τις εξής θεμελιώδεις έννοιες των Δικτύων Επικοινωνίας/Δικτύων Υπολογιστών: Τεχνολογίες δικτύωσης και διάφορες τοπολογίες δικτύων. Διαστρωμάτωση δικτύων. Βασικές αρχές πρωτοκόλλων. Εφαρμογές και ποιότητα υπηρεσίας. Νέες τεχνικές δικτύωσης και διαχείρισης δικτύων.
• Επεξηγεί τα εξής ουσιώδη θέματα στα Δίκτυα Υπολογιστών: σουίτα πρωτοκόλλων TCP/ΙP, Βασικές τεχνολογίες δικτύωσης όπως δρομολογητές, switches. Πρωτόκολλα επιπέδου εφαρμογής, επίπεδο μεταφοράς, φιλοσοφία σχεδιασμού αξιόπιστων υπηρεσιών στο επίπεδο μεταφοράς, νέες τεχνολογίες επιπέδου δικτύου και σύνδεσης επιπέδου.
• Επιδεικνύει δεξιότητες στην επίλυση θεμάτων δικτύωσης και ανάλυσης πρωτοκόλλων επικοινωνίας.
• Επιδεικνύει δεξιότητες στην αξιοποίηση και ανάλυση διαφόρων αλγόριθμων δρομολόγησης και ελέγχου συμφόρησης.
• Επιχειρηματολογεί αναφορικά με την δόμηση ενός δικτύου και αξιολογεί βάσει ποιοτικών και άλλων κριτηρίων την επίδοση των δικτύων.
• Επιδεικνύει ικανότητα επίλυσης προβλημάτων δικτύου και αξιολόγησης διάφορων πρωτοκόλλων διαδικτύου.
• Επιδεικνύει ικανότητα στη χρήση προσομοιωτών διαδικτύου για σχεδιασμό και αξιολόγηση δικτύων.
• Επιδεικνύει ικανότητα στη χρήση εργαλείων παρακολούθησης και ανάλυσης κίνησης δεδομένων και των διάφορων πρωτοκόλλων που χρησιμοποιούνται ανά πάσα στιγμή για την εύρυθμη λειτουργία των δικτύων, με στόχο τη αφομοίωση των πρωτοκόλλων και της κίνησης δεδομένων, αλλά και για ανάλυση πιθανών σφαλμάτων/προβλημάτων στη λειτουργία του δικτύου.
• Να αναζητεί συνεχώς νέους βελτιωμένους τρόπους και μηχανισμούς στα πρωτοκόλλα δικτύων.
• Να αναζητεί συνεχώς και να αναλύει νέες τεχνικές και τεχνολογίες δικτύων, όπως το Ιντερνέτ των Πραγμάτων και το διαδίκτυο των πραγμάτων.

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

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

• L. Peterson και B. Davies, Computer Networks: A Systems Approach, Sixth Edition, Morgan Kaufmann, 2020.
• J. F. Kurose και K. W. Ross, Computers Networking – A Top Down Approach to the Internet, 8th Edition, Addison-Wesley, 2020.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Γραφικός και Εικονικός Υπολογισμός

Κωδικός Μαθήματος: ΕΠΛ 607

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Γιώργος Χρύσανθου / Ανδρέας Αριστείδου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Με την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να εφαρμόζουν τους βασικούς αλγόριθμους 3Δ γραφικών καθώς και τεχνικές ανάλυσης και επεξεργασίας εικόνας/μηχανικής όρασης. Για τον σκοπό αυτό θα αποκτηθούν γνώσεις και δεξιότητες για τα παρακάτω θέματα: Βασικές αρχές 3Δ γραφικών:

• Αναπαράσταση αντικειμένων με πολυγωνική μορφή
• Μετασχηματισμοί
• Σύστηματα συντεταγμένων και προβολές
• Γράφημα σκηνής, ορισμός κάμερας, γραφική σωλήνωση
• Τοπικός και γενικός φωτισμός
• Δημιουργία εικόνων σε πραγματικό χρόνο
• Βασικές αρχές επεξεργασίας εικόνας και μηχανικής όρασης:
• Εξαγωγή χαρακτηριστικών στις εικόνες
• Η βαθμονόμηση της κάμερας
• Προοπτικές προβολές
• Ανάκτησης 3D Πληροφοριών με βάση πολλαπλές οπτικές γωνίες
• Επιλεγμένα θέματα της υπολογιστικής

Προαπαιτούμενα: Προγραμματισμός σε C, βασική Γραμμική Άλγεβρα Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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 Binary Space Partitioning Trees, τοπικός φωτισμός με τις μεθόδους flat, Phong & Gouraud shading, δημιουργία εικόνων σε πραγματικό χρόνο, εφαρμογές.

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

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Επιχειρηματικότητα Τεχνητής Νοημοσύνης

Κωδικός Μαθήματος: ΕΠΛ 622

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Μάριος Δ. Δικαιάκος

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Η πρόοδος στις σύγχρονες οικονομίες διαμορφώνεται από επιστημονικές εφευρέσεις και τεχνολογικές καινοτομίες που παρέχουν βελτιωμένα προϊόντα ή λύσεις στις παραδοσιακές ανάγκες, ανατρέπουν τα παραδοσιακά επιχειρηματικά μοντέλα ή ικανοποιούν τις απρόβλεπτες ανάγκες των καταναλωτών, ανοίγοντας νέες αγορές. Η επιχειρηματικότητα είναι ο πρωταρχικός μηχανισμός μέσω του οποίου οι εφευρέσεις και οι καινοτομίες μεταφέρονται στις παγκόσμιες αγορές. Τα τελευταία χρόνια, η επιτυχία των παγκόσμιων διαδικτυακών πλατφορμών, η ταχεία πρόοδος της ψηφιοποίησης σε πολλούς τομείς και η επακόλουθη αφθονία ψηφιακών δεδομένων που διατίθενται στο Διαδίκτυο έχουν μετατρέψει την τεχνητή νοημοσύνη (AI) και τη μηχανική μάθηση (ML) σε σημαντικές κινητήριες δυνάμεις στην καινοτόμο επιχειρηματικότητα, οδηγώντας σε πρωτοφανείς οικονομικές, κοινωνικές και πολιτιστικές ευκαιρίες, προκλήσεις και παγκόσμιο αντίκτυπο. Το μάθημα αυτό επιδιώκει να βοηθήσει τους φοιτητές να εξερευνήσουν και να εμπεδώσουν βασικές έννοιες και προκλήσεις που σχετίζονται με την τεχνητή νοημοσύνη και την επιχειρηματικότητα που βασίζεται στα δεδομένα. Το μάθημα εισάγει τους φοιτητές στον κόσμο της τεχνολογικής επιχειρηματικότητας μέσω περιπτωσιολογικών μελετών που αποδεικνύουν επιτυχίες, αποτυχίες και προκλήσεις. Το μάθημα παρέχει επίσης μια επισκόπηση και μια εισαγωγή σε βασικά βήματα για την ανάπτυξη μιας εταιρείας, το σχεδιασμό ενός επιχειρηματικού μοντέλου, τη διερεύνηση της προσαρμογής στην αγορά προϊόντων, τη διαχείριση της πνευματικής ιδιοκτησίας και την προσέλκυση επενδύσεων. Οι φοιτητές θα διερευνήσουν αναγνωρισμένες μεθοδολογίες επιχειρηματικότητας με γνώμονα την καινοτομία και θα πειραματιστούν μαζί τους και τα σχετικά εργαλεία για να συνεχίσουν τη μετάφραση των ιδεών τους σε επιχειρηματικές προσπάθειες. Το μάθημα εξετάζει θέματα που αντιμετωπίζουν οι Ιδρυτές νεοφυών επιχειρήσεων και οι Chief Technology Officers που πρέπει να καινοτομήσουν στα όρια της AI, της Τεχνολογίας Πληροφορικής και των Επιχειρήσεων κατανοώντας τις προκλήσεις και τις προοπτικές.

Μαθησιακά Αποτελέσματα: Μετά την επιτυχή παρακολούθηση του μαθήματος, οι φοιτητές θα πρέπει να είναι σε θέση να:

• Κατανοούν και να εξηγούν την αλληλεπίδραση μεταξύ του Υπολογιστικού Νέφους, των Μεγάλων Δεδομένων, της Μηχανικής Μάθησης και διαφόρων τομέων εφαρμογών.
• Αξιολογούν τεχνολογικές ιδέες και να εφαρμόζουν τα βασικά στάδια της μετατροπής μιας ιδέας ή μιας εφεύρεσης σε εμπορικό προϊόν.
• Προβαίνουν σε εφαρμογή των μεθοδολογιών Business Model Canvas σε πλαίσια Πληροφορικής και Επιστημονικών Εφαρμογών.
• Αναγνωρίζουν και να εφαρμόζουν τα βήματα της μεθοδολογίας Πειθαρχημένης Επιχειρηματικότητας (Disciplined Entrepreneurship) και να διαχειρίζονται τις βασικές δραστηριότητες που απαιτούνται για την εισαγωγή ενός καινοτόμου προϊόντος ή υπηρεσίας στην αγορά: ορισμός του προϊόντος και ανάλυση αγοράς· ανάλυση της πρότασης αξίας και προδιαγραφές προϊόντος υψηλού επιπέδου· ανάλυση του ανταγωνισμού· καθορισμός επιχειρηματικού μοντέλου και μοντέλα εσόδων· απόκτηση πελατών και χρηστών· ελάχιστος βιώσιμος ορισμός προϊόντων και σχεδιασμός υλοποίησης προϊόντων.
• Κατανοούν τα βασικά στοιχεία της άντλησης κεφαλαίων και των επιλογών χρηματοδότησης για μια νεοφυή επιχείρηση.
• Κατανοούν τα βασικά στοιχεία της σύστασης και της εταιρικής δομής μιας νεοφυούς επιχείρησης.
• Κατανοούν τις βασικές προκλήσεις για την προσέλκυση ταλέντων, τη δημιουργία και τη διαχείριση μιας αρχικής επιχειρηματικής ομάδας.
• Εφαρμόζουν εργαλεία για τη διαχείριση έργου και ομάδας, τη συνεργασία, τον ιδεασμό, την ταχεία διαμόρφωση πρωτοτύπων: Trello, Slack, SimpleMind, Proto.io, Github, Google AdService, Google Cloud, Heroku, κ.λπ.
• Προετοιμάζουν παρουσιάσεις της ιδέας και επιχείρησης (pitch) μπροστά σε πιθανούς επενδυτές για την προσέλκυση χρηματοδοτήσεων.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Το μάθημα περιλαμβάνει εβδομαδιαίες ζωντανές και ηχογραφημένες διαλέξεις από τον καθηγητή και από προσκεκλημένους ομιλητές για διάφορες πτυχές της επιχειρηματικότητας και της καινοτομίας. Οι μαθητές θα πρέπει να δημιουργήσουν ομάδες και να εργαστούν σε μια ιδέα, την παραγωγή ενός επιχειρηματικού σχεδίου και ενός πρωτοτύπου, και αρκετές γραπτές αναφορές. Οι διαλέξεις θα καλύψουν επίσης μελέτες περιπτώσεων στην τεχνολογική επιχειρηματικότητα, Βασικές έννοιες Επιχειρηματικότητας και Καινοτομίας, και τα βήματα για την ίδρυση μιας νεοφυούς εταιρείας, τη σύσταση μιας εταιρείας, την πρόταση αξίας, την ανάλυση της αγοράς και τον ανταγωνισμό, την επιχειρηματική μοντελοποίηση για προϊόντα και υπηρεσίες τεχνολογιών πληροφορικής, την απόκτηση πελατών και τις πωλήσεις. Το μάθημα αποτελείται από τις ακόλουθες ενότητες:

• 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

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

Βιβλιογραφία:

• Bill Aulet, Disciplined Entrepreneurship, Wiley, 2013.
• Bill Aulet, Disciplined Entrepreneurship Workbook, Wiley, 2017.
• Alexander Osterwalder et al, Business Model Generation, Wiley, 2010.
• Ash Fontana, The AI-First Company: How to Compete and Win with Artificial Intelligence, Penguin, 2021.
• Peter Thiel και Blake Masters, Zero to One: Notes on Startups, or How to Build the Future, Virgin Books, 2015.
• Cade Metz (2021). “The Genius Makers: The Mavericks Who Brought A.I. to Google, Facebook, and the World.” Random House Business.
• Lee, Kai-Fu (2018). “AI Superpowers: China, Silicon Valley, And The New World Order.” Houghton Mifflin Harcourt Company.
• Smith, B. and Browne C.A. (2019). “Tools and Weapons. The Promise and the Peril of the Digital Age.” Penguin.
• O’Neil, C. (2016). “Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy.” Crown.
• Alexander Osterwalder et al, “Value Proposition Design: How to Create Products and Services Customers Want.” Wiley, 2014.
• Ben Horowitz, “The Hard Thing about Hard Things.” Harper Business, 2014.
• Steven G. Blank, “The Four Steps to the Epiphany. Successful Strategies for Products that Win.” Lulu, 2006.
• Clayton Christensen, “The Innovator's Dilemma: When New Technologies Cause Great Firms to Fail (Management of Innovation and Change).” Harvard Business Review Press, 2016.
• Jeff Bezos, “The Everything Store: Jeff Bezos and the Age of Amazon.” Corgi, 2014.
• Geoffrey G. Parker, Marshall W. Van Alstyne and Angeet Paul Choudary, “Platform Revolution.” W.W. Norton and Co., 2016.
• European Patent Office. Inventors’ Handbook.
• Y Combinator’s Resources, https://www.ycombinator.com/resources/
• Steve Blank, “How to build a startup?” Udacity, https://classroom.udacity.com/courses/ep245
• Sam Altman, “How to start a startup?” http://startupclass.samaltman.com/

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

Γλώσσα: Αγγλική

Τίτλος Μαθήματος: Προχωρημένα Θέματα Βάσεων Δεδομένων

Κωδικός Μαθήματος: ΕΠΛ 646

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Δ. Ζεϊναλιπούρ

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

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

Μαθησιακά Αποτελέσματα: Με την επιτυχή ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τον φυσικό σχεδιασμό και την υλοποίηση της σχεσιακής βάσης δεδομένων και τους ανάλογους μηχανισμούς για αποθήκευση και ευρετηρίαση δεδομένων.
• Αντιλαμβάνονται σε βάθος θεμάτων βελτιστοποίησης επερωτήσεων, ελέγχου ταυτοχρονίας, παραλληλισμού και ανάκαμψης δεδομένων στο πεδίο της διαχείρισης των δεδομένων.
• Διατυπώνουν επερωτήσεις σε διαφορετικές δηλωτικές και προστακτικές μορφές.
• Κατανοούν σύγχρονες και ανερχόμενα έννοιες σε Κατανεμημένες Βάσεις, Μεγάλα Δεδομένα, NoSQL, Βάσεις Γράφων, OLAP και Αποθήκες Δεδομένων.
• Προτείνουν μεθόδους διαχείρισης εξειδικευμένων τύπων δεδομένων, όπως για παράδειγμα χρονικά δεδομένα, πολυμεσικά δεδομένα και χωρικά δεδομένα.
• Διαβάζουν, αναλύουν και κατανοούν, με κριτικό τρόπο σκέψης, τις τελευταίες εξελίξεις και αποτελέσματα στο χώρο της διαχείρισης δεδομένων.

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

Περιεχόμενο Μαθήματος: (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 (Postgres/Citus), Διαχείριση Ημι-δομημένων Δεδομένων (XML/JSON, XPath/XQuery), Βάσεις Εγγράφων (CouchDB, MongoDB), Key-Value stores (e.g., BerkeleyDB, MemCached), εισαγωγή σε υπολογισμούς νεφέλης (GFS, NFS, Hadoop, αρχές κλωνοποίησης/συνέπειας δεδομένων), Μεγάλα Δεδομένα και Επεξεργασία Δεδομένων(Apache Hadoop, Map-Reduce, Spark, Flink), Βάσεις Στηλών (Google's BigTable, Apache's HBase, Apache's Cassandra, DuckDB), Βάσεις Γράφων (Neo4J και Kùzu) και Ανασκόπηση NewSQL (Google F1 και VoltDB); (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), Διαχείριση Δεδομένων σε Συστήματα Ροών / Δίκτυα Αισθητήρων / Δικτυα Κινητών με Χρονικές Βάσεις (Postgres/TimescaleDB, InfluxDB) και Χωρικές Βάσεις (PostGIS), Ενεργειακά- και Περιβαλλοντικά-συνειδητή Επεξεργασία Δεδομένων.

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

Βιβλιογραφία:

• R. Elmasri, S. Navathe, Fundamentals of Database Systems, 7th Edition, Pearson, 2016.
• R. Ramakrishnan και J. Gehrke, Database Management Systems, 3rd Edition, McGraw-Hill, 2003.
• S. Abiteboul, I. Manolescu, P. Rigaux, M.-C. Rousset, P. Senellart, Web Data Management, Cambridge University Press, 2011.
• Petrov, Database Internals: A Deep Dive into How Distributed Data Systems Work, O'Reilly Media; 1st Edition, 2019.
• Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement 2nd Edition, Pragmatic Bookshelf; 2nd edition, 2018.
• T. Özsu, P. Valduriez,, Principles of Distributed Database Systems, 3rd Edition, Springer Press, 2011.
• Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Αρχές Οντολογικών Βάσεων Δεδομένων

Κωδικός Μαθήματος: ΕΠΛ 649

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Αντρέας Πιερής

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 0 ώρες

Στόχοι Μαθήματος: Στις μέρες μας καλούμαστε να ασχοληθούμε με δεδομένα μεγάλου μεγέθους, ετερογενή, κατανεμημένα σε διαφορετικές πηγές και ημιτελής. Ταυτόχρονα, έχουμε διαθέσιμη γνώση σχετικά με τον τομέα εφαρμογής των δεδομένων, η οποία παρέχεται σε μορφή οντολογιών, που μπορεί να χρησιμοποιηθεί για να παρέχουμε στους τελικούς χρήστες ευέλικτη και ολοκληρωμένη πρόσβαση στα δεδομένα. Αυτό οδήγησε στις οντολογικές βάσεις δεδομένων, οι οποίες βρίσκονται στη διασταύρωση των παραδοσιακών βάσεων δεδομένων και της αναπαράστασης γνώσης και συλλογισμού. Σκοπός του μαθήματος είναι να εισαγάγει τους φοιτητές στις αρχές των οντολογικών βάσεων δεδομένων και να καταδείξει τη σημασία της μελέτης προβλημάτων που εμπλέκουν μεγάλα δεδομένα με μαθηματικά αυστηρό τρόπο, καθώς και τις επιπτώσεις τέτοιων μελετών σε πραγματικές εφαρμογές.

Μαθησιακά Αποτελέσματα: Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:

• Να αναπαριστούν αφαιρετικά σχεσιακές βάσεις δεδομένων και σχεσιακά ερωτήματα και να τα ορίζουν με αυστηρό τρόπο.
• Να αναλύουν την πολυπλοκότητα απάντησης σχεσιακών ερωτημάτων και να απομονώνουν την πηγή πολυπλοκότητας.
• Να εξηγούν τη σημασία αναδρομικών ερωτημάτων γραμμένα σε Datalog, να αναλύουν την πολυπλοκότητα απάντησης τέτοιων ερωτημάτων, και να ορίζουν ερωτήματα στη γλώσσα Datalog.
• Να αναπαριστούν αφαιρετικά οντολογίες βασισμένες σε κανόνες και να τις ορίζουν με αυστηρό τρόπο.
• Να εξηγούν και να χρησιμοποιούν τις κύριες αλγοριθμικές τεχνικές στις οποίες βασίζεται η απάντηση οντολογικών ερωτημάτων.
• Να αναλύουν την πολυπλοκότητα απάντησης οντολογικών ερωτημάτων και να απομονώνουν την πηγή πολυπλοκότητας.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Αν και δεν υπάρχουν επίσημα προαπαιτούμενα, συνιστάται οι φοιτητές να έχουν παρακολουθήσει κάποιο εισαγωγικό μάθημα Βάσεων Δεδομένων (δηλαδή, να έχουν κάποια εξοικείωση με το σχεσιακό μοντέλο και τις κύριες γλώσσες σχεσιακών ερωτημάτων). Συνιστάται επίσης οι φοιτητές να έχουν κάποια βασική εξοικείωση με υπολογιστική λογική (λογική πρώτης τάξης) και τη θεωρία πολυπλοκότητας (τυποποιημένες τάξεις πολυπλοκότητας όπως PTIME και NP).

Περιεχόμενο Μαθήματος: Ο κύριος στόχος του μαθήματος είναι να εισαγάγει τους φοιτητές στις αρχές των οντολογικών βάσεων δεδομένων. Για το σκοπό αυτό, είναι απαραίτητο να καλυφθούν πρώτα οι αρχές των σχεσιακών βάσεων δεδομένων, χωρίς να λαμβάνονται υπόψη οι οντολογίες, πάνω στις οποίες χτίζονται οι αρχές των οντολογικών βάσεων δεδομένων. Ειδικότερα, το μάθημα καλύπτει τα ακόλουθα θέματα:

• Σχεσιακό Μοντέλο: μοντέλο δεδομένων, σχεσιακή άλγεβρα, σχεσιακός λογισμός (ερωτήματα πρώτης τάξης), απάντηση ερωτημάτων πρώτης τάξης, στατική ανάλυση ερωτημάτων πρώτης τάξης (ικανοποίηση, περιορισμός και ισοδυναμία).
• Συνδετικά Ερωτήματα (ΣυνΕρ): σύνταξη και σημασιολογία, απάντηση ΣυνΕρ, στατική ανάλυση ΣυνΕρ (ικανοποίηση, περιορισμός και ισοδυναμία), ελαχιστοποίηση ΣυνΕρ, μη-κυκλικά ΣυνΕρ, απάντηση μη-κυκλικών ΣυνΕρ (αλγόριθμος Γιαννακάκη), σημασιολογικά μη-κυκλικά ΣυνΕρ και απάντηση τέτοιων ερωτημάτων.
• Πρόσθεση Αναδρομής – Datalog: μη εκφραστικότητα αναδρομικών ερωτημάτων, σύνταξη και σημασιολογία Datalog, απάντηση ερωτημάτων Datalog, στατική ανάλυση ερωτημάτων Datalog (ικανοποίηση, περιορισμός, ισοδυναμία).
• Οντολογικές Βάσεις Δεδομένων: οντολογίες βασισμένες σε λογικούς κανόνες (σύνταξη και σημασιολογία), συνδυασμός σχεσιακών βάσεων δεδομένων με οντολογίες βασισμένες σε λογικούς κανόνες, απάντηση οντολογικών ερωτημάτων, καθολικά μοντέλα, πρόσβαση δεδομένων μέσω οντολογιών.
• Απάντηση Οντολογικών Ερωτημάτων: βασικές αλγοριθμικές τεχνικές (διαδικασία καταδίωξης, επανεγγραφή ερωτήματος), οντολογίες βασισμένες σε γραμμικούς λογικούς κανόνες (ανάλυση πολυπλοκότητας).
• Προχωρημένα Θέματα (αν υπάρχει χρόνος): εκφραστικές γλώσσες οντολογιών βασισμένες σε λογικούς κανόνες, τερματισμός καταδίωξης (ικανές και αναγκαίες συνθήκες), στατική ανάλυση οντολογικών ερωτημάτων.

Μεθοδολογία Διδασκαλίας: Διαλέξεις, συζήτηση για λύσεις προβλημάτων που δίνονται εκ των προτέρων (κατά τη διάρκεια του φροντιστηρίου), ανασκόπηση πρόσφατων ερευνητικών εργασιών.

Βιβλιογραφία:

• S. Abiteboul, R. Hull, V. Vianu, Foundations of Databases, 1995
• M. Arenas, P. Barcelo, L. Libkin, W. Martens, A. Pieris, Database Theory, υπό συγγραφή – προκαταρκτική έκδοση διαθέσιμη στο σύνδεσμο https://github.com/pdm-book/community
• F. Baader, I. Horrocks, C. Lutz, U. Sattler, An Introduction to Description Logic, 2017
• L. Libkin, Elements of Finite Model Theory, 2012

Αξιολόγηση: Για ένα τεχνικό μάθημα αυτού του τύπου, το οποίο εστιάζει στη μαθηματική πλευρά των (οντολογικών) βάσεων δεδομένων, ο παραδοσιακός τρόπος αξιολόγησης μέσω γραπτών εξετάσεων δεν μας επιτρέπει να αξιολογήσουμε ολοκληρωμένα τις γνώσεις των φοιτητών όσον αφορά την ύλη του μαθήματος. Για μια σφαιρική αξιολόγηση, οι φοιτητές πρέπει να αντιμετωπίσουν μη τετριμμένα προβλήματα και εργασίες, αντί για ασκήσεις εξετάσεων που μπορούν να επιλυθούν σε περιορισμένο χρόνο. Ως εκ τούτου, η αξιολόγηση του μαθήματος αποτελείται από τα ακόλουθα στοιχεία:

• Ασκήσεις δέσμευσης (20%): Κατά τη διάρκεια του μαθήματος, θα δοθούν στους φοιτητές 10 ασκήσεις (2% η καθεμία) που θα καλύπτουν τα διάφορα θέματα που περιγράφονται παραπάνω. Μια σοβαρή προσπάθεια επίλυσης μιας άσκησης θα λάβει όλους τους βαθμούς, ανεξάρτητα από το αν η λύση που παρέχεται είναι σωστή. Οι λύσεις των ασκήσεων θα συζητηθούν τις ώρες των φροντιστηρίων.
• Δοκίμιο (25%) και παρουσίαση στην τάξη (15%) σχετικά με τις αρχές των βάσεων δεδομένων (χωρίς οντολογίες): Οι φοιτητές θα επιλέξουν μια ερευνητική εργασία από μια δεδομένη λίστα και θα παρουσιάσουν (i) περίληψη της εργασίας και (ii) ανάλυση και κριτικές σκέψεις (κριτική της εργασίας, συζήτηση για επακόλουθες εργασίες που δείχνουν πως οι ιδέες της υπό εξέταση εργασίας έχουν επηρεάσει το πεδίο, ιδέες για μελλοντικές κατευθύνσεις έρευνας). Θα υπάρξει επίσης παρουσίαση στην τάξη βασισμένη στο δοκίμιο.
• Δοκίμιο (25%) και παρουσίαση στην τάξη (15%) για τις αρχές των οντολογικών βάσεων δεδομένων: Όπως παραπάνω.

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Διαδίκτυο των Πραγμάτων

Κωδικός Μαθήματος: ΕΠΛ 650

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Β. Βασιλείου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Ο κύριος στόχος του μαθήματος θα είναι η παροχή μιας επισκόπησης των δομικών στοιχείων του ΙοΤ, όπως αισθητήρες και έξυπνες συσκευές, επικοινωνία M2M, συλλογή και επεξεργασία δεδομένων και ο ρόλος των ανθρώπων και των εφαρμογών.

Μαθησιακά Αποτελέσματα: Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

• Εξηγήσουν τον ορισμό και τη χρήση του όρου «Διαδίκτυο των Πραγμάτων» σε διαφορετικά πλαίσια
• Κατανοήσουν και περιγράψουν τα βασικά στοιχεία που αποτελούν ένα σύστημα IoT
• Εφαρμόσουν τις γνώσεις και τις δεξιότητες που αποκτήθηκαν κατά τη διάρκεια του μαθήματος για να δημιουργήσουν και να δοκιμάσουν ένα πλήρες, λειτουργικό, σύστημα IoT που περιλαμβάνει πρωτόκολλα, προγραμματισμό και ανάλυση δεδομένων.
• Να ερευνήσουν, ανεξάρτητα, τις τεχνολογικές τάσεις που οδήγησαν στο IoT
• Κατανοήσουν πού ταιριάζει η ιδέα του IoT στην ευρύτερη βιομηχανία ΤΠΕ και αναγνωρίσουν πιθανές μελλοντικές τάσεις
• Εκτιμήσουν τον αντίκτυπο του IoT στην κοινωνία αναλύοντας τα συστήματα IoT όσον αφορά τη βιωσιμότητα, την ασφάλεια, την ακεραιότητα και την ηθική.
• Εκτιμήσουν το ρόλο των μεγάλων δεδομένων, του cloud computing και της ανάλυσης δεδομένων σε ένα τυπικό σύστημα IoT

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Γενικές Αρχές και Αρχιτεκτονική Συστημάτων ΙοΤ, Συσκευές, Ανίχνευση και αντίδραση, Τεχνολογίες Επικοινωνίας, Πρωτόκολλα επικοινωνίας IoT, Αρχιτεκτονική IoT, Εφαρμογές IoT

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

Βιβλιογραφία:

• Internet of Things: A Hands-On Approach, by Arshdeep Bahga and Vijay Madisetti, 2016
• Internet of Things (IoT): Architectures, Protocols and Standards, by Simone Cirani, Gianluigi Ferrari, Marco Picone, and Luca Veltri, Wiley 2018
• IoT and Edge Computing for Architects – Second Edition" by Perry Lea, O’Reilly, 2020

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

Γλώσσα: Αγγλική

Τίτλος Μαθήματος: Ανάπτυξη Λογισμικού Ηλεκτρονικών Παιχνιδιών

Κωδικός Μαθήματος: ΕΠΛ 653

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Γ. Χρυσάνθου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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 μηχανή παιχνιδιών (π.χ. Unity) για την υλοποίηση των συστατικών μερών ενός παιχνιδιού και της σύνθεσης του τελικού λογισμικού.

Μαθησιακά Αποτελέσματα: Ο/η φοιτητής/φοιτήτρια που θα έχει ολοκληρώσει επιτυχώς το μάθημα αυτό, αναμένεται ότι θα είναι σε θέση να:

• Σχεδιάσει ένα Ηλεκτρονικό Παιχνίδι
• Κατανοήσει την αρχιτεκτονική λογισμικού των Μηχανών Παιχνιδιών
• Γνωρίζει μοντέλα διαδραστικής κάμερας
• Υλοποιήσει αλγορίθμους για ανίχνευση επαφής
• Υλοποιήσει τεχνικές κίνησης και σχεδιασμού διαδρομών
• Γνωρίζει μεθόδους animation
• Αντιλαμβάνεται τι είναι οι αυτόνομοι χαρακτήρες με ‘νοημοσύνη’
• Εκτελέσει εικονικές εξομοιώσεις φυσικών μοντέλων
• Απεικονίσει ένα εικονικό κόσμο με χρήση game engine
• Γνωρίζει τις βασικές αρχές για την δικτύωση παιχνιδιών

Προαπαιτούμενα: Οι φοιτητές πρέπει να έχουν θεμελιώδεις γνώσεις σε προγραμματισμό C ή C++, και γενικά μαθηματικά. Βασικές γνώσεις σε γραφικά υπολογιστών θα είναι βοηθητικές. Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Γραφικά Υπολογιστών: Μοντελοποίηση και Ρεαλισμός

Κωδικός Μαθήματος: ΕΠΛ 656

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Γ. Χρυσάνθου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Με το τέλος του μαθήματος οι φοιτητές θα έχουν μια εις βάθος κατανόηση του πως δημιουργούνται ρεαλιστικές εικόνες στα γραφικά υπολογιστών. Θα έχουν μάθει για αλγόριθμους γενικού φωτισμού, μοντελοποίηση, animation και άλλα.

Προαπαιτούμενα: Προγραμματισμός στη γλώσσα C και Βασική Γραμμική Άλγεβρα, εισαγωγικό στα γραφικά υπολογιστών Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Μοντελοποίηση. Παραμετρικές και πεπλεγμένες επιφάνειες. Τοποθέτηση κάμερας. Προβολές. Γραφική Σωλήνωση. Γενικός φωτισμός και Ρεαλισμός. Παρακολούθηση ακτίνας. Απόδοση μεγάλων μοντέλων και τεχνικές επιτάχυνσης.

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

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ασύρματα Δίκτυα Υπολογιστών

Κωδικός Μαθήματος: ΕΠΛ 657

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Βάσος Βασιλείου /Παναγιώτης Κολιός

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Ο/η φοιτητής/φοιτήτρια που θα έχει ολοκληρώσει επιτυχώς το μάθημα αυτό, αναμένεται ότι θα είναι σε θέση να:

• Επεξηγεί τις εξής θεμελιώδεις έννοιες των Ασύρματων και Κινητών Δικτύων: Ασύρματο περιβάλλον. Παρεμβολές στο ασύρματο περιβάλλον. Βασικές αρχές συστημάτων κινητών επικοινωνιών και ασυρμάτων επικοινωνιών και ασύρματης μεταφοράς δεδομένων, καθώς και κατανομή ασύρματων πόρων. Αρχιτεκτονικές και τεχνολογίες ασυρμάτων δικτύων και ασύρματης επικοινωνίας. Σπονδυλωτές και Ασπονδύλωτές Τοπολογίες Ασύρματων Δίκτυων.
• Επεξηγεί τα εξής βασικά ουσιώδη θέματα στα Ασύρματα και Κινητά Δίκτυα: Βασικές τεχνολογίες δικτύωσης όπως π.χ. δίκτυα ευρείας περιοχής, μητροπολιτικά δίκτυα, δίκτυα τοπικής περιοχής, δίκτυα σώματος. Σπονδυλωτά και Ασπονδύλωτα Δικτυα. Δίκτυα σενσόρων και Ιντερνέτ των Πραγμάτων. Δίκτυα κινητής τηλεφωνίας, συμπεριλαμβανομένων των 5G και πάρα πέρα. Τεχνολογίες και τεχνικές ασφάλειας ασύρματων δικτύων.
• Επιδεικνύει δεξιότητες στην αξιοποίηση και ανάλυση διαφόρων τεχνολογιών κινητών/ασυρμάτων δικτύων.
• Επιδεικνύει ικανότητα επίλυση θεμάτων δικτύωσης και ανάλυσης πρωτοκόλλων ασύρματης/κινητής επικοινωνίας, καθώς και βασικές αρχές σχεδίασης και διαστασιοποίησης ασυρμάτων δικτύων.
• Επιχειρηματολογεί αναφορικά με την δόμηση ενός δικτύου και αξιολογεί βάσει ποιοτικών και άλλων κριτηρίων την επίδοση των κινητών/ασυρμάτων δικτύων.
• Επιδεικνύει ικανότητα επίλυσης προβλημάτων κινητών/ασυρμάτων δικτύων και αξιολόγησης διάφορων τεχνολογιών, τεχνικών, και πρωτοκόλλων, ειδικά μέσα από εξατομικευμένες μελέτες.
• Επιδεικνύει ικανότητα στη χρήση προσομοιωτών διαδικτύου (OPNET) για σχεδιασμό και αξιολόγηση δικτύων.
• Αναζητεί συνεχώς νέους βελτιωμένους τρόπους και μηχανισμούς στα πρωτοκόλλα ασυρμάτων/κινητών δικτύων.
• Αναζητεί συνεχώς και να αναλύει νέες τεχνικές και τεχνολογίες δικτύων, όπως π.χ. το Ιντερνέτ των Πραγμάτων, και τα νανοδίκτυα.

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

Περιεχόμενο Μαθήματος: Ασύρματο περιβάλλον, Παρεμβολές στο ασύρματο περιβάλλον, Βασικές αρχές συστημάτων κινητών επικοινωνιών και ασυρμάτων δικτύων, Tοπολογίες δικτύων: Infrastructure (π.χ. WLANs, UMTS, LTE) και Infrastructureless (π.χ. εμβαλωματικά δίκτυα και δίκτυα σενσόρων, VANETs). Ασύρματα τοπικά δίκτυα (π.χ. ΙΕΕΕ 802.11a/b/g/n), Προσωπικά Δίκτυα (PAN: π.χ. Bluetooth, ZigBee), και μητροπολιτικά ασύρματα δίκτυα WiMax). Eμβαλωματικά δίκτυα και δίκτυα σενσόρων (ad-hoc networks, sensor networks), Αρχιτεκτονική των κυψελωτών δικτύων, Κινητά δίκτυα τρίτης και τέταρτης γενεάς (3G UMTS, LTE, 4G), τεχνικές διάθεσης ασύρματων πόρων σε ασύρματα δίκτυα (RRM). Κινητικότητα και πρωτόκολλα κινητών δικτύων (Wireless TCP, Session Mobility, Mobile-IP, Transport protocols for mobile networks), Ιντερνέτ/Ιστός των Πραγμάτων (Internet/Web of Things).

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

Βιβλιογραφία:

• H Karl και A. Willing, Protocols and Architectures for Wireless Sensor Networks, Wiley, 2007.
• J. Schiller, Mobile Communications, Second Edition, Addison-Wesley, 2003.
• Κ. Sohraby, D. Minoli και Taieb, Wireless Sensor Networks: Technology, Protocols, and Applications, 2006.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Προχωρημένος Σχεδιασμός με Ενσωματωμένους Επεξεργαστές

Κωδικός Μαθήματος: ΕΠΛ 659

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Παναγιώτης Κολιός

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

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

Μαθησιακά Αποτελέσματα: Εισαγωγή των βασικών γνώσεων για το σχεδιασμό, την υλοποίηση και τον προγραμματισμό σύγχρονων ενσωματωμένων συστημάτων και εφαρμογών βασισμένων σε έξυπνες κινητές συσκευές, και δίκτυα αισθητήρων. Ανάπτυξη εφαρμογών.

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

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ανάκτηση Πληροφοριών και Μηχανές Αναζήτησης

Κωδικός Μαθήματος: ΕΠΛ 660

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Γ. Πάλλης

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

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

Μαθησιακά Αποτελέσματα:

• Κατανόηση της περιοχής των συστημάτων ανάκτησης πληροφοριών και των Μηχανών Αναζήτησης.
• Κατανόηση των θεωρητικών και πρακτικών ζητημάτων που σχετίζονται με τη σχεδίαση, απόδοση, υλοποίηση και αξιολόγηση συστημάτων ανάκτησης πληροφορίας.
• Κατανόηση των δομικών στοιχείων (όπως κατασκευή ανεστραμμένου ευρετηρίου, μηχανισμοί ανάδρασης και διαστολή επερωτήσεων κλπ) για τα συστήματα ανάκτησης πληροφοριών και Μηχανών Αναζήτησης.
• Υλοποίηση συστημάτων και εφαρμογών ανάκτησης πληροφοριών.
• Προηγμένα θέματα όπως η επεξεργασία φυσικής γλώσσας (NLP) στην αναζήτηση, η εξατομικευμένη αναζήτηση και οι μηχανές αναζήτησης ιστού
• Προσεγγίσεις βασισμένες σε LLM για τη βελτίωση της συνάφειας αναζητήσεων και της εμπειρίας χρήστη.

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

Περιεχόμενο Μαθήματος: 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. επεξεργασία φυσικής γλώσσας. Προσεγγίσεις βασισμένες σε LLM

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

Βιβλιογραφία:

• Christopher D. Manning, P. Raghavan και H. Schutze, An Introduction to Information Retrieval, Cambridge University Press, 2008.
• Research papers and Tutorials from ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ανάλυση και Επαλήθευση Συστημάτων

Κωδικός Μαθήματος: ΕΠΛ 664

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Ά. Φιλίππου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Το μάθημα στοχεύει στην καλλιέργεια μιας βαθιάς κατανόησης των σύγχρονων τεχνολογιών και μεθοδολογιών για τη μοντελοποίηση, ανάλυση και επαλήθευση υπολογιστικών συστημάτων, δίνοντας τη δυνατότητα στους φοιτητές να αξιολογούν και να εφαρμόζουν κατάλληλες τεχνικές για τη διασφάλιση της αξιοπιστίας και ορθότητας των συστημάτων.

Μαθησιακά Αποτελέσματα: Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής/η φοιτήτρια αναμένεται να είναι σε θέση να:

• Επιδεικνύει εξοικείωση με τις κύριες προσεγγίσεις στην τυπική επαλήθευση λογισμικού και να προσδιορίζει τις κατάλληλες περιπτώσεις για την εφαρμογή καθεμίας.
• Κατανοεί και να χρησιμοποιεί τυπικές γλώσσες μοντελοποίησης και προδιαγραφών για τον ορισμό των συμπεριφορών και απαιτήσεων ενός συστήματος.
• Συντάσσει τυπικές προδιαγραφές απαιτήσεων χρησιμοποιώντας χρονική λογική για την ανάλυση και επαλήθευση των ιδιοτήτων ενός συστήματος.
• Δημιουργεί μοντέλα στη γλώσσα μοντελοποίησης Promela και να χρησιμοποιεί το εργαλείο SPIN για την προσομοίωση και επαλήθευση αυτών των μοντέλων.
• Κατασκευάζει μοντέλα με τη χρήση χρονικών αυτομάτων και να αξιοποιεί το εργαλείο UPPAAL για την προσομοίωση και επαλήθευση συμπεριφορών συστημάτων που εξαρτώνται από το χρόνο.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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. Γλώσσες προδιαγραφών σχεδίασης μέσω συμβολαίων. Αφηρημένες προδιαγραφές. Έλεγχος σχολιασμών σε χρόνο εκτέλεσης και μέσω στατικής ανάλυσης. Ανάλυση συστημάτων πραγματικού χρόνου: χρονικά αυτόματα και χρονική λογική πραγματικού χρόνου. Εφαρμογή των τεχνικών μέσω επιλεγμένων εργαλείων (π.χ. SPIN, NuSMV, UPPAAL, Dafny, Frama-C).

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

Βιβλιογραφία:

• M. Huisman and A. Wiijs, Concise Guide to Software Verification - From Model Checking to Annotation Checking. Springer, 2023.
• C. Baier and J.-P. Katoen, Principles of Model Checking. MIT Press, 2008
• D. Peled, Software Reliability Methods, Springer-Verlag, 2001.
• Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Υπολογιστική Νευροεπιστήμη

Κωδικός Μαθήματος: ΕΠΛ 667

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Χρ. Χριστοδούλου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Μετά το πέρας του μαθήματος οι φοιτητές αναμένονται να είναι σε θέση:

• να κατανοούν και να μπορούν να εξηγούν τις βασικές αρχές της επεξεργασίας πληροφοριών από τα νευρικά συστήματα
• να αναγνωρίζουν την σημαντικότητα των υπολογιστικών νευρωνικών μοντέλων στην προσπάθεια κατανόησης του εγκεφάλου και το γεγονός ότι πολλές πτυχές της νευροεπιστήμης δεν μπορούν να κατανοηθούν χωρίς το κατάλληλο πλαίσιο υπολογιστικής μοντελοποίησης
• να κατανοούν τα πιο σημαντικά βιοφυσικά μοντέλα νευρώνων και τους διαφορετικoύς βαθμούς περιγραφής και πολυπλοκότητας της υπολογιστικής νευρωνικής μοντελοποίησης από το επίπεδο του μονού νευρώνα στο επίπεδο των νευρωνικών δικτύων
• να κατανοούν την δυναμική των νευρώνων και να μάθουν πως πολυδιάστατα μοντέλα νευρώνων μπορούν να απλοποιηθούν σε μοντέλα νευρώνων με λιγότερες διαστάσεις
• να κατανοούν πώς σήματα που λαμβάνονται μέσω πειραμάτων μας βοηθούν να κατανοήσουμε την λειτουργικότητα των νευρώνων και συστημάτων στον εγκέφαλο και πώς στατιστικές προσεγγίσεις μας βοηθούν στο να αναλύουμε τέτοιου είδους δεδομένα
• να μπορούν να υλοποιούν και να προσομοιώνουν μέσω προγραμματισμού βασικά υπολογιστικά νευρωνικά μοντέλα
• να εξοικειωθούν και να μπορούν να χρησιμοποιούν διάφορα πακέτα προσομοιωτών υπολογιστικής νευροεπιστήμης για μοντελοποίηση πολύπλοκων βιοφυσικών μοντέλων και φαινομένων τα οποία παρατηρήθηκαν πειραματικώς
• να μπορούν να αντιληφθούν την σημασία της αφαιρετικότητας στην μοντελοποίηση εγκεφαλικών συστημάτων από τις θεμελιώδεις αρχές των νευρώνων για την κατανόηση συμπεριφορών του εγκεφάλου
• κριτική ανάγνωση και συζήτηση πρόσφατα δημοσιευμένων επιστημονικών άρθρων

Προαπαιτούμενα: Γραμμική Άλγεβρα, Διαφορικές εξισώσεις. Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Εισαγωγή στην Υπολογιστική Νευροεπιστήμη. Βασική νευροβιολογία: από τον εγκέφαλο σε μονούς νευρώνες· βιοφυσική μονών νευρώνων· συνάψεις, δενδρίτες και άξονες. 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 ως ένα παράδειγµα μοντελοποίησης από πάνω προς τα κάτω. Μοντελοποίηση συνείδησης/συναίσθησης.

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

Βιβλιογραφία:

• P. Dayan και L. Abbott, Theoretical Neuroscience: Computational and Mathematical Modelling of Neural Systems, MIT Press, 2001.
• D. Sterratt, B. Graham, A. Gilles και D. Willshaw, Principles of Computational Modelling in Neuroscience, Cambridge University Press, 2011.
• 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.
• C. Koch, Biophysics of Computation: Information Processing in Single Neurons, Oxford University Press, 1998.
• E. M. Izhikevich, Dynamical Systems in Neuroscience: the Geometry of Excitability and Bursting, MIT Press, 2007.

Αξιολόγηση: Τελική εξέταση, ενδιάμεση εξέταση και εργαστηριακές ασκήσεις.

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Μηχανική Όραση

Κωδικός Μαθήματος: ΕΠΛ 668

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Κ. Παττίχης / Γ. Χρυσάνθου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: Κάλυψη κύριων 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.

Μαθησιακά Αποτελέσματα: Μετά την ολοκλήρωση του μαθήματος, οι μαθητές θα πρέπει να:

• Κατανοούν τις αρχές της όρασης.
• Εκτιμούν τις εμπορικές δυνατότητες της μηχανικής όρασης, αλλά και να κατανοούν τους περιορισμούς των σημερινών μεθόδων.
• Προσδιορίζουν τους στόχους της μηχανικής όρασης στο εγγύς μέλλον.
• Εφαρμόζουν μαθηματικές και στατιστικές μεθόδους ως μέσου για την επίλυση προβλημάτων σχετικών με την όραση.
• Είναι σε θέση να εξάγουν χαρακτηριστικά ενδιαφέροντος από εικόνες.
• Κατανοούν τη διαδικασία της προοπτικής προβολής, να μπορούν να εφαρμόζουν βαθμονόμηση κάμερας και να χειρίζονται μετασχηματισμούς 3Δ και 2Δ.
• Είναι σε θέση να ανακτήσουν πληροφορίες 3Δ σχημάτων βασισμένες σε πολλαπλές οπτικές γωνίες.
• Κατανοούν τις αρχές συμπερασματικών τεχνικών όπως το φίλτρο Kalman και το φίλτρο σωματιδίων και τη χρήση τους στην τρισδιάστατη παρακολούθηση.
• Είναι σε θέση να αναπτύξουν απλά προγράμματα που χρησιμοποιούν αλγόριθμους μηχανικής όρασης.

Προαπαιτούμενα: ΜΑΣ016: Γραμμική Άλγεβρα ΕΠΛ231: Δομές Δεδομένων και Αλγόριθμοι Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ερευνητικές Μέθοδοι και Επαγγελματικές Πρακτικές στην Πληροφορική

Κωδικός Μαθήματος: ΕΠΛ 670

Τύπος μαθήματος: Υποχρεωτικό

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Γ. Δημόπουλος

ECTS: 4 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: - | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Εισαγωγή στις μεθόδους και εργαλεία έρευνας και τεχνολογικής κουλτούρας της Πληροφορικής. Εξοικείωση με την κατανόηση, την ανασκόπηση και την παρουσίαση τεχνικών θεμάτων. Τεχνικό γράψιμο. Ανασκόπηση βιβλιογραφίας σχετικής με ερευνητικό ή τεχνικό θέμα.

Μαθησιακά Αποτελέσματα: Κατανόηση των βασικών μεθοδολογιών έρευνας και των επαγγελματικών πρακτικών στην Πληροφορική. Απόκτηση δεξιοτήτων σχετικών με την μελέτη, ανασκόπηση, περίληψη, και προφορική παρουσίαση ερευνητικής και τεχνικής βιβλιογραφίας.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Εισαγωγικές διαλέξεις για τις ερευνητικές μεθοδολογίες της Πληροφορικής. Σεμινάρια/διαλέξεις στη θεωρία και την πρακτική της Πληροφορικής. Ερευνητική ή τεχνική βιβλιογραφική ανασκόπηση. Παρουσίαση ανασκόπησης βιβλιογραφίας ή τεχνικής μελέτης.

Μεθοδολογία Διδασκαλίας: Διαλέξεις, ερευνητικά σεμινάρια, ατομικές εργασίες (περίληψη ερευνητικών σεμιναρίων) και ομαδική μελέτη ερευνητικού θέματος υπό την επίβλεψη μέλους ΔΕΠ.

Βιβλιογραφία:

• Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία.
• Διαφάνειες Παρουσιάσεων (εισαγωγικών και ερευνητικών).

Αξιολόγηση: Παρακολούθηση και συμμετοχή σε διαλέξεις, σειρά ερευνητικών σεμιναρίων, γραπτές ατομικές εργασίες, ομαδική μελέτη ερευνητικού θέματος και προφορική παρουσίαση της ομαδικής μελέτης. Ο βαθμός του μαθήματος είναι Επιτυχία / Αποτυχία.

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Αλγοριθμική Θεωρία Παιγνίων

Κωδικός Μαθήματος: ΕΠΛ 673

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Μ. Μαυρονικόλας

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Εξοικείωση με αλγοριθμικά προβλήματα στη Θεωρία Παιγνίων. Οι τρεις βασικοί άξονες τέτοιας εξοικείωσης είναι (ι) οι τεχνικές για τη σχεδίαση και ανάλυση αλγορίθμων στην Θεωρία Παιγνίων, (ιι) τα θεμελιώδη αποτελέσματα πολυπλοκότητας για δύσκολα προβλήματα στη Θεωρία Παιγνίων, και (ιιι) οι τεχνικές για την ανάλυση υπολογιστικών συστημάτων με εγωιστικές συνιστώσες.

Μαθησιακά Αποτελέσματα: Ο/η φοιτητής/φοιτήτρια που θα έχει ολοκληρώσει επιτυχώς το μάθημα αυτό, αναμένεται ότι θα είναι σε θέση να γνωρίζει

• Τις βασικές έννοιες των στρατηγικών παιγνίων (π.χ., γνήσιες και μικτές στρατηγικές, βέλτιστες αποκρίσεις, την έννοια της ισορροπίας).
• Τις γνήσιες και μικτές ισορροπίες Nash, τις εκλεπτύνσεις και γενικεύσεις τους, τα κλασσικά θεωρήματα ύπαρξης ισορροπιών και τους βασικούς αλγόριθμους και την πολυπλοκότητα τους για εύρεση ισορροπιών
• Τις υπολογιστικές κλάσεις PLS και PPAD.
• Την έννοια του κόστους της αναρχίας, να αναλύει το κόστος της αναρχίας για γενικά και ειδικά παίγνια.
• Την εφαρμογή της Θεωρίας Παιγνίων σε ρεαλιστικές περιπτώσεις.

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

Περιεχόμενο Μαθήματος: 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 Διαδικτύου).

Μεθοδολογία Διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και Φροντιστήριο/Recitation (1 ώρα εβδομαδιαίως)

Βιβλιογραφία:

• M. Mavronicolas και P. Spirakis, Algorithmic Game Theory, Springer, 2011 (Προσχέδιο βιβλίου).
• Επιλεγμένα ερευνητικά άρθρα από τη διεθνή βιβλιογραφία

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ασφάλεια Συστημάτων και Δικτύων

Κωδικός Μαθήματος: ΕΠΛ 674

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Β. Βασιλείου

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα:

• Αναγνωρίζει κάποιους από τους παράγοντες που οδηγούν στην ανάγκη για την ασφάλεια δικτύων και πληροφοριών.
• Επιδεικνύει την ικανότητα να καταλαβαίνει τα θέματα που είναι σημαντικά στο πεδίο της ασφάλειας πληροφοριών
• Αντιλαμβάνεται την ορολογία στον τομέα της ασφάλειας δικτύων και πληροφοριών
• Επεξηγεί τους όρους Εμπιστευτικότητα, Ακεραιότητα και Διαθεσιμότητα.
• Αναγνωρίζει και ταξινομεί απειλές και επιθέσεις σε συστήματα υπολογιστών και δίκτυα.
• Συγκρίνει συστήματα και αλγόριθμους κρυπτογράφησης.
• Κωδικοποιεί και αποκωδικοποιεί μηνύματα και υπογράφει και επικυρώνει ψηφιακές υπογραφές, χρησιμοποιώντας γνωστές τεχνικές.
• Αναγνωρίζει τις ηθικές και νομικές πτυχές των θεμάτων ασφάλειας

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

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

• C. Kaufman, R. Perlman, M. Speciner, R. Perlner, Network Security: Private Communications in a Public World, 3rd edition, Pearson 2023
• C. P. Pfleeger και S. L. Pfleeger, Security in Computing, Fifth Edition, Pearson 2015.

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ηλεκτρονική Υγεία

Κωδικός Μαθήματος: ΕΠΛ 679

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Κ. Παττίχης

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Να ανακαλύψει τον νέο κόσμο πραγμάτων της ηλεκτρονικής υγείας (ηΥγείας). Να αναλύσει τις προοπτικές που θα δημιουργηθούν στο τοπικό, ευρωπαϊκό και διεθνές επίπεδο. Να αναλύσει και να αξιοποιήσει το νομοθετικό και κοινωνικό πλαίσιο της ηΥγείας. Να αξιολογήσει τις δυνατότητες που παρέχουν οι τεχνολογίες της πληροφορικής και των επικοινωνιών στην ιατρική επιστήμη, κυρίως μέσα από τη μοντελοποίηση της ιατρικής πράξης, των διαδικασιών και της δημιουργίας γνώσης. Να ταξινομήσει, προτυποποιήσει, και να βοηθήσει τον ιατρό να κάνει χρήση των ιατρικών δεδομένων με στόχο την υγεία για αποφυγή της ασθένειας. Να εμπεδώσει ότι η Ηλεκτρονική Υγεία (ΗΥ) είναι μέρος μιας νέας τάξης πραγμάτων, μια φιλοσοφική προσέγγιση της ιατρικής πράξης και της σχέσης ιατρού και ασθενή. Η κατανόηση της αναγκαιότητας για μετάβαση από την Ιατροκεντρική στην Ασθενοκεντρική προσέγγιση της ιατρικής. Η εισαγωγή των φοιτητών στις δυνατότητες που παρέχουν οι τεχνολογίες πληροφορικής στην ιατρική και κλινική πρακτική κυρίως μέσα από τη μοντελοποίησης της ιατρικής πράξης, των διαδικασιών και της γνώσης, τους τρόπους διαχείρισης, προτυποποίησης, και παρουσίασης της πληροφορίας.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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.

Μεθοδολογία Διδασκαλίας: Διαλέξεις (3 ώρες εβδομαδιαίως) και συζητήσεις/παρουσιάσεις σε μορφή σεμιναρίων / φροντιστηρίου (1 ώρα εβδομαδιαίως).

Βιβλιογραφία:

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

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Θέματα Επαναχρησιμοποίησης Λογισμικού και Εξόρυξης Δεδομένων από Αποθετήρια

Κωδικός Μαθήματος: ΕΠΛ 681

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Γ. Καπιτσάκη

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: 1.5 ώρες

Στόχοι Μαθήματος: 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.

Μαθησιακά Αποτελέσματα: Με το πέρας του μαθήματος οι φοιτητές αναμένονται να είναι σε θέση:

• Να κατανοούν προχωρημένα θέματα της επαναχρησιμοποίησης λογισμικού.
• Να κατανοούν τα διάφορα επίπεδα επαναχρησιμοποίησης και τις μεταξύ τους διαφορές.
• Να χρησιμοποιούν έτοιμα τμήματα λογισμικού στην πράξη.
• Να κατανοούν τη διαδικασία εξόρυξης πληροφορίας κώδικα από το διαδίκτυο.
• Να έχουν εμβαθύνει σε τελευταίες ερευνητικές εργασίες για επαναχρησιμοποίηση γνώσης.
• Να κατανοούν την εξόρυξη γνώσης αναφορικά με τη χρήση συστημάτων λογισμικού από διάφορες πηγές και την εξέλιξη λογισμικού.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: 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.

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

Βιβλιογραφία:

• Τ. Diamantopoulos, Α. L. Symeonidis, Mining Software Engineering Data for Software Reuse, Springer, 2020.
• Μ. Ezran, Μ. Morisio, C. Tully, Practical Software Reuse, Practitioner Series, 2002.
• Head First Design Patterns, O'Reilly Media, 2004.
• C. Horstmann, A Practical Guide to Open Source Licensing, Wiley, 2nd Edition, 2006.
• Επιλεγμένα άρθρα από επιστημονικά συνέδρια και περιοδικά

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

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ασφάλεια Δεδομένων

Κωδικός Μαθήματος: ΕΠΛ 682

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Χειμερινό

Όνομα Διδάσκοντα: Η. Αθανασόπουλος

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Η επεξεργασία δεδομένων πραγματοποιείται συχνά μέσω συστημάτων που μπορούν να λειτουργήσουν υπό εχθρικές συνθήκες, όπου οι επιτιθέμενοι προσπαθούν να αποκτήσουν πρόσβαση σε ευαίσθητα δεδομένα. Σε αυτό το μάθημα παρέχουμε μια σύντομη εισαγωγή της ασφάλειας δεδομένων και εξετάζουμε τις βασικές τεχνολογίες που διαθέτουμε για προστασία. Καλύπτουμε ένα μεγάλο μέρος των εφαρμοζόμενων αλγορίθμων κρυπτογράφησης και πρωτοκόλλων που διευκολύνουν την ασφαλή μετάδοση δεδομένων. Στη συνέχεια, προχωράμε και εξετάζουμε πώς τα συστήματα που επεξεργάζονται δεδομένα μπορούν να υποστούν επίθεση και να προστατευτούν. Τέλος, συζητάμε προηγμένες επιθέσεις και πιθανές άμυνες για συστήματα που βασίζονται στη Μηχανική Μάθηση.

Μαθησιακά Αποτελέσματα:

• Εξέταση βασικών κρυπτογραφικών αλγορίθμων (εστίαση στην ασύμμετρη κρυπτογράφηση, όπως ανταλλαγή κλειδιών Diffie-Hellman, RSA, Ελλειπτικές καμπύλες).
• Κβαντικοί υπολογιστές (αλγόριθμος Shor και Grover).
• Το πρωτόκολλο TLS και πώς οι σύγχρονες επιθέσεις προσπαθούν να παρακάμψουν το TLS.
• Επιθέσεις που επικεντρώνονται σε δεδομένα διείσδυσης και διαθέσιμες άμυνες.
• Επιθέσεις και άμυνες που βασίζονται σε ML.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Έννοιες εφαρμοσμένης κρυπτογραφίας (AES, DHKA, RSA, Elliptic Curves, SHA256/SHA3, MACs). Κβαντικοί υπολογιστές (αλγόριθμος Shor και Grover). Ασφάλεια επιπέδου μεταφοράς (TLS) και επιθέσεις. Κρυπτογραφημένη αναζήτηση. Επιθέσεις για διήθηση δεδομένων από συστήματα και πιθανές άμυνες (k-anonymity, differential privacy). Επιθέσεις που βασίζονται σε ML και άμυνες. GDPR.

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

Βιβλιογραφία:

• Handbook of Applied Cryptography, http://cacr.uwaterloo.ca/hac/
• Understanding Cryptography, http://www.crypto-textbook.com
• Published papers

Αξιολόγηση:

Γλώσσα: Ελληνική ή Αγγλική

Τίτλος Μαθήματος: Ειδικά Θέματα στην Επιστήμη της Πληροφορικής

Κωδικός Μαθήματος: ΕΠΛ 699

Τύπος μαθήματος: Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης:

Όνομα Διδάσκοντα: Μέλος Ακαδημαϊκού προσωπικού ΕΠΛ ή Επισκέπτης Καθηγητής

ECTS: 8 | Διαλέξεις / εβδομάδα: 3 ώρες | Φροντιστήριο / εβδομάδα: 1 ώρα | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Αυτό το μάθημα δίνει τη δυνατότητα να εισαγάγει θέματα αιχμής στην Επιστήμη των Υπολογιστών που δεν καλύπτονται από υπάρχοντα μαθήματα. Καθώς ο τομέας της Επιστήμης των Υπολογιστών εξελίσσεται ραγδαία με την εμφάνιση νέων τεχνολογιών, το μάθημα αυτό παρέχει στους φοιτητές μια μοναδική ευκαιρία να εξερευνήσουν τις τελευταίες εξελίξεις και τάσεις.

Μαθησιακά Αποτελέσματα: Καθορίζεται από τον διδάσκοντα, εγκρίνεται από την Επιτροπή Μεταπτυχιακών Σπουδών και το Συμβούλιο του Τμήματος.

Προαπαιτούμενα: Δεν υπάρχουν Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Καθορίζεται από τον διδάσκοντα, εγκρίνεται από την Επιτροπή Μεταπτυχιακών Σπουδών και το Συμβούλιο του Τμήματος.

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

Βιβλιογραφία: Καθορίζεται από τον διδάσκοντα, εγκρίνεται από την Επιτροπή Μεταπτυχιακών Σπουδών και το Συμβούλιο του Τμήματος.

Αξιολόγηση: Καθορίζεται από τον διδάσκοντα, εγκρίνεται από την Επιτροπή Μεταπτυχιακών Σπουδών και το Συμβούλιο του Τμήματος.

Γλώσσα: Ελληνική

Τίτλος Μαθήματος: Ανεξάρτητη Μελέτη

Κωδικός Μαθήματος: ΕΠΛ 720

Τύπος μαθήματος: Περιορισμένης Επιλογής

Επίπεδο: Μεταπτυχιακό

Έτος / Εξάμηνο φοίτησης: Εαρινό

Όνομα Διδάσκοντα: Μέλος Ακαδημαϊκού προσωπικού ΕΠΛ

ECTS: 8 | Διαλέξεις / εβδομάδα: - | Φροντιστήριο / εβδομάδα: - | Εργαστήρια / εβδομάδα: -

Στόχοι Μαθήματος: Η ανεξάρτητη μελέτη προσφέρει στους φοιτητές την ευκαιρία να αποκτήσουν ολοκληρωμένες γνώσεις σε έναν συγκεκριμένο τομέα της Επιστήμης των Υπολογιστών υπό την καθοδήγηση ενός μέλους ΔΕΠ του Τμήματος Πληροφορικής. Το μάθημα δίνει έμφαση στην ανεξάρτητη εργασία και περιλαμβάνει το σχεδιασμό, την ανάπτυξη και την αξιολόγηση ενός λογισμικού συστήματος, ερευνητικής μελέτης ή θεωρητικής ανάλυσης. Υπό την εποπτεία ενός μέλους ΔΕΠ, οι φοιτητές θα:

• Προσδιορίσουν ένα πρόβλημα ή μια ερευνητική ερώτηση στον τομέα της Επιστήμης Υπολογιστών.
• Πραγματοποιήσουν μια ανασκόπηση της βιβλιογραφίας.
• Προτείνουν και εφαρμόσουν λύση ή θα διεξάγουν έρευνα χρησιμοποιώντας κατάλληλες μεθοδολογίες και εργαλεία.

Η μελέτη θα καταλήξει με μια γραπτή αναφορά και παρουσίαση των αποτελεσμάτων στον επιβλέπων καθηγητή. Το θέμα της μελέτης (πρόβλημα ή ερευνητική ερώτηση) καθορίζεται από κοινού από τον φοιτητή και τον επιβλέπων καθηγητή . Η ΕΜΣ πρέπει να εγκρίνει:

• Πριν από την έναρξη του μαθήματος, το επιλεγμένο θέμα ανεξάρτητης μελέτης.
• Στο τέλος του μαθήματος, τα αποτελέσματα και την αξιολόγηση της.

Μαθησιακά Αποτελέσματα: Ο φοιτητές με την ολοκλήρωση μιας ανεξάρτητης μελέτης θα μπορούν να:

• κατανοήσουν και πιθανώς να αμφισβητήσουν την υπάρχουσα γνώση και πρακτική που σχετίζεται με το πρόβλημα της μελέτης
• αναγνωρίσουν και να επιδείξουν κατάλληλες μεθοδολογίες τις οποίες να γνωρίζουν πότε να τις χρησιμοποιούν
• ορίσουν, διατυπώσουν και να χρησιμοποιούν ορολογίες, έννοιες και θεωρίες στον τομέα της μελέτης και να γνωρίζουν πώς να τις χρησιμοποιούν
• χρησιμοποιούν τη βιβλιοθήκη και άλλα εργαλεία για την αναζήτηση υπάρχοντος βιβλιογραφίας σχετικής με το θέμα τους
• προσδιορίσουν και εφαρμόσουν την ηθική της έρευνας/ανάπτυξης και την υπεύθυνη συμπεριφορά στην έρευνα ή την ανάπτυξη
• γνωρίζουν και να εφαρμόζουν δεξιότητες επίλυσης προβλημάτων για να αντιμετωπίσουν εποικοδομητικά εμπόδια έρευνας/ανάπτυξης
• εργάζονται αυτόνομα με αποτελεσματικότητα, θέτοντας και τηρώντας προθεσμίες
• κατοπτρίζουν τη δουλειά τους, εντοπίζοντας διδάγματα, δυνατά σημεία και τρόπους βελτίωσης, να επικοινωνούν με αυτοπεποίθηση και με εποικοδομητικό τρόπο με τους καθηγητές ως μέντορες
• παράγουν μια καλά δομημένη γραπτή αναφορά που να επικοινωνεί το πρόβλημα, τη μεθοδολογία, τα αποτελέσματα και τα συμπεράσματα του έργου, σύμφωνα με ακαδημαϊκά και επαγγελματικά πρότυπα

Προαπαιτούμενα: Επιτυχής ολοκλήρωση τουλάχιστον 30 ECTS μεταπτυχιακών μαθημάτων Συναπαιτούμενα: Δεν υπάρχουν

Περιεχόμενο Μαθήματος: Αυτό το μάθημα παρέχει την ευκαιρία για μελέτη υπό την καθοδήγηση μέλους ΔΕΠ σε θέματα της Επιστήμης των Υπολογιστών που δεν καλύπτονται σε βάθος από άλλα μαθήματα που προσφέρονται από το Τμήμα. Οι φοιτητές που ενδιαφέρονται να διεκπεραιώσουν μια ανεξάρτητη μελέτη ενθαρρύνονται να συζητήσουν πιθανά θέματα με ένα ή περισσότερα μέλη ΔΕΠ στο τμήμα. Μόλις ένα μέλος ΔΕΠ συμφωνήσει να επιβλέπει μια συγκεκριμένη ανεξάρτητη μελέτη, θα ενημερώσει την Επιτροπή Μεταπτυχιακών Σπουδών (ΕΜΣ) για να εγκρίνει την εγγραφή του φοιτητή σε αυτό το μάθημα.

Μεθοδολογία Διδασκαλίας: Ατομική εργασία υπό επίβλεψη

Βιβλιογραφία:

Αξιολόγηση: Γραπτή έκθεση, αξιολόγηση πρωτότυπων λογισμικού/συστήματος (εάν υπάρχει) και προφορική παρουσίαση. Αριθμητική αξιολόγηση από την εποπτεύοντα καθηγητή

Γλώσσα: Ελληνική