προπτυχιακες
σπουδες
στο Τμήμα Πληροφορικής του Πανεπιστημίου Πειραιώς
Μαθήματα 6ου εξαμήνου ΠΠΣ
Τεχνολογία Λογισμικού
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κορμού
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία + 2 Εργαστήριο
ECTS: 5
Συμβολή του μαθήματος στην κάλυψη των τεχνολογικών απαιτήσεων:
Οι φοιτητές εκτίθενται σε σύγχρονες τεχνικές μοντελοποίησης λογισμικού, στον αρχιτεκτονικό σχεδιασμό και στη σύγχρονη γλώσσα μοντελοποίησης UML.
1. Μοντέλα κύκλου ζωής λογισμικού με έμφαση στη Rational Unified Process.
2. Γλώσσες μοντελοποίησης με έμφαση στη UML.
3. Προϋπολογισμός κόστους λογισμικού.
4. Ανάλυση απαιτήσεων, σχεδιασμός, υλοποίηση και γλώσσες προγραμματισμού.
5. Έλεγχος, συντήρηση και εργαλεία CASE.
Με την επιτυχή ολοκλήρωση αυτού του μαθήματος ο φοιτητής θα είναι σε θέση να:
• Συντάσσει δομημένα έγγραφα ανάλυσης απαιτήσεων λογισμικού
• Σχεδιάζει αρχιτεκτονικά σχέδια λογισμικού βασισμένα σε γλώσσες μοντελοποίησης και διαγράμματα
• Παράγει κώδικα βασισμένο στο στάδιο του σχεδιασμού, ο οποίος θα ανταποκρίνεται στα αντίστοιχα διαγράμματα
• Χρησιμοποιεί το μοντέλο κύκλου ζωής λογισμικού Rational Unified Process
Τεχνητή Νοημοσύνη και Έμπειρα Συστήματα
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κορμού
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
1. Εισαγωγικές γνώσεις βασικών εννοιών στην Τεχνητή Νοημοσύνη και τα Έμπειρα Συστήματα.
2. Επίλυση προβλημάτων σε επιλεγμένες περιοχές, όπως για παράδειγμα οι γενετικοί αλγόριθμοι με μεθόδους τεχνητής νοημοσύνης.
3. Βασικές γνώσεις στη Μηχανική Μάθηση και στα Νευρωνικά Δίκτυα.
Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται ότι :
• θα γνωρίζουν τις βασικές έννοιες της Τεχνητής Νοημοσύνης (ΤΝ) και των Έμπειρων Συστημάτων (ΕΣ),
• θα μπορούν να αναγνωρίζουν, να περιγράφουν και να αναπαριστούν προβλήματα λογικής,
• θα αναπτύσσουν αλγόριθμους αναζήτησης λύσης,
• θα εστιάζουν, θαεμβαθύνουν, θα διακρίνουν και θα καταδεικνύουν τρόπους επίλυσης προβλημάτων με επιλεγμένες μεθόδους τεχνητής νοημοσύνης (πχ. γενετικοί αλγόριθμοι, ασαφή λογική),
• θα ελέγχουν και θα διαχειρίζονται με συστηματικό τρόπο την Ασάφεια και την Αβεβαιότητα σε συστήματα κανόνων,
• θα γνωρίζουν και θα προσδιορίζουν τα σημασιολογικά δίκτυα, καθώς επίσης και θα εφαρμόζουν συμπερασματολογία σε αυτά,
• θα κατέχουν βασικές γνώσεις στη Μηχανική Μάθηση και στα Νευρωνικά Δίκτυα.
Σχεδίαση Υπολογιστικών Συστημάτων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΔΥΣ
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Το μάθημα αποτελεί συνέχεια του μαθήματος κορμού Λογική Σχεδίαση Ψηφιακών Συστημάτων και στοχεύει στο να εμβαθύνουν οι φοιτητές σε θέματα σχεδίασης υπολογιστικών (ψηφιακών) συστημάτων.
Πιο συγκεκριμένα, πραγματεύεται τα εξής:
1. Μοντελοποίηση ψηφιακών κυκλωμάτων.
2. Εισαγωγή στις γλώσσες περιγραφής υλικού. Σχεδίαση ψηφιακών κυκλωμάτων με χρήση της γλώσσας VHDL.
3. Σχεδίαση συνδυαστικών κυκλωμάτων.
4. Σχεδίαση σύγχρονων ακολουθιακών κυκλωμάτων.
5. Σχεδίαση μηχανών πεπερασμένων καταστάσεων.
6. Σχεδίαση μνημών.
7. Σχεδίαση μικροπεξεργαστών.
8. Προσομοίωση ψηφιακών κυκλωμάτων.
9. Σύνθεση ψηφιακών κυκλωμάτων.
10. Σχεδίαση ψηφιακών κυκλωμάτων με τη χρήση FPGAs.
Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές:
• Θα έχουν κατανοήσει σε σημαντικό βαθμό την μεθοδολογία σχεδίασης των σύγχρονων ψηφιακών κυκλωμάτων.
• Θα είναι σε θέση να σχεδιάσουν και να αναπτύξουν ψηφιακά κυκλώματα με χρήση μιας γλώσσας περιγραφής υλικού (VHDL).
• Θα έχουν έρθει σε επαφή με προηγμένα περιβάλλοντα σχεδίασης, προσομοίωσης και αποσφαλμάτωσης ψηφιακών κυκλωμάτων.
• Θα μπορούν να εφαρμόσουν τεχνικές βελτίωσης της απόδοσης ψηφιακών κυκλωμάτων.
• Θα έχουν γνωρίσει την αρχιτεκτονική των προγραμματιζόμενων συσκευών FPGA.
• Θα έχουν προσδιορίσει τρόπους σχεδιασμού ψηφιακών κυκλωμάτων με χρήση FPGA.
• Θα έχουν εστιάσει σε σύγχρονα ερευνητικά ζητήματα στην περιοχή της σχεδίασης ψηφιακών κυκλωμάτων.
Δίκτυα Υψηλών Ταχυτήτων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΔΥΣ
Ώρες Διδασκαλίας: 4 Θεωρία + 2 Εργαστήριο
ECTS: 5
• Στόχος του μαθήματος είναι να αποκτήσουν οι φοιτητές τις απαραίτητες γνώσεις που αφορούν τις εξής θεματικές/περιεχόμενο:
• Σχεδιασμό και ανάπτυξη δικτύων υψηλών ταχυτήτων όπως και παρουσίαση των πιο πρόσφατων επιστημονικών και τεχνολογικών εξελίξεων του χώρου.
• Έννοιες και πρωτόκολλα ευρυζωνικών ενσύρματων και ασύρματων δικτύων,
• Δίκτυα Μεταγωγής πακέτων, Οπτικά Δίκτυα, xDSL Τεχνολογίες, IP Δίκτυα και Υπηρεσίες, Ασύρματα τοπικά δίκτυα, Ασύρματα Ευρυζωνικά Δίκτυα, Δορυφορικές Επικοινωνίες, Internet of Things (IoT),
• Ρυθμιστικά Θέματα Τηλεπικοινωνιών.
Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής θα πρέπει να:
• Κατανοεί τις βασικές αρχές και έννοιες των δικτύων υψηλών ταχυτήτων (ενσύρματων και ασύρματων).
• Διακρίνει τα δίκτυα υψηλών ταχυτήτων από τα υπόλοιπα και να εντοπίζει τα βασικά χαρακτηριστικά τους.
• Σχεδιάζει ένα δίκτυα υψηλών ταχυτήτων το οποίο να αποτελείται από ετερογενή /υβριδικά δίκτυα, crosslayer σχεδίαση.
• Εκτελεί προσομοίωση και να διαχειρίζεται λάθη και αστοχίες του δικτύου υψηλών ταχυτήτων.
• Αξιολογεί τις παραμέτρους λειτουργίας και την απόδοση ενός δικτύου.
• Μπορεί να παραμετροποιήσει τη λειτουργία ενός δικτύου ώστε να επιτύχει την επιθυμητή απόδοση.
• Μπορεί να επιλέξει και να συνθέσει γνωστές τεχνολογίες δικτύωσης ώστε να δημιουργήσουν ένα δίκτυο με συγκεκριμένες προδιαγραφές λειτουργίας.
• Να ανιχνεύει τις νέες τάσεις στην εξέλιξη των δικτύων υπολογιστών.
Προγραμματισμός Συστημάτων, Τηλεπικοινωνίων και Υπηρεσιών
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΔΥΣ
Ώρες Διδασκαλίας: 4 Θεωρία + 2 Εργαστήριο
ECTS: 5
Πλατφόρμες Κινητών Επικοινωνιών, Πλατφόρμες Διαδικτύου των Πραγμάτων (IoT) και Έξυπνων Τεχνολογιών, Σύστημα Αρχείων, Διεργασίες, Σήματα, Εισαγωγή στο TCP/IP, Sockets, Server Αρχιτεκτονικές, Ουρές Μηνυμάτων, Προγραμματισμός Φλοιού, Ανάλυση Απαιτήσεων και Σχεδίαση Λογισμικού, Εργαλεία Ανάπτυξης Λογισμικού, Πλατφόρμες για AR/VR, Games, Δίκτυα Αισθητήρων, M2M, Ασφάλεια Λειτουργικού Συστήματος, Ασφάλεια Συστημάτων Αρχείου, Θέματα DoS σε Λειτουργικά Συστήματα, Sockets Security.
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:
• Προσδιορίσουν τις βασικές έννοιες του τομέα των τηλεπικοινωνιών και των ασύρματων δικτύων.
• Κατανοούν τις αρχιτεκτονικές πλατφόρμων κινητών συσκευών.
• Γνωρίζουν Πλατφόρμες Διαδικτύου των Πραγμάτων (IoT) και Έξυπνων Τεχνολογιών, Μηχανών Παιχνιδιών, Δικτύων Αισθητήρων, Μ2Μ.
• Κατανοούν τις έννοιες Σύστημα Αρχείων και Διεργασία.
• Προσδιορίζουν ζητήματα σχετικά με την ασφάλεια του Λειτουργικού Συστήματος και του Συστήματος Αρχείων.
• Πραγματοποιούν Ανάλυση Απαιτήσεων και Σχεδίαση Λογισμικού.
• Χειρίζονται Εργαλεία Ανάπτυξης και Αποσφαλμάτωσης Λογισμικού.
• Σχεδιάζουν και αναπτύσσουν εφαρμογές AR/VR, IoT, έξυπνων υπηρεσιών.
• Αναπτύσσουν εφαρμογές σταθερών υπολογιστών και κινητών συσκευών καθώς και δικτυακές εφαρμογές.
Αναλυτική Δεδομένων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΠΣΥ
Ώρες Διδασκαλίας: 3 Θεωρία + 2 Εργαστήριο
ECTS: 5
Το μάθημα προσφέρει γνώσεις σχετικά με τη σχεδίαση και υλοποίηση μεθόδων και τεχνικών Αναλυτικής Δεδομένων (ΑΔ), η οποία αποτελεί μέρος μιας από τις πιο σύγχρονες τάσεις στην περιοχή της Πληροφορικής, αυτής της Επιστήμης Δεδομένων (Data Science). Αναλυτικά περιλαμβάνει:
1. Εισαγωγή στην Αναλυτική Δεδομένων – Προπαρασκευή δεδομένων (Data Preprocessing) για τους σκοπούς της αναλυτικής.
2. Αλγόριθμοι και τεχνικές Αναλυτικής Δεδομένων: κατηγοριοποίηση/ταξινόμηση (classification), συσταδοποίηση (clustering), εξόρυξη συχνών προτύπων (frequent pattern mining).
3. Ειδικά – προηγμένα θέματα (αναλυτική δεδομένων ήχου/εικόνας, γεωγραφικής πληροφορίας).
4. Εργαστηριακές ασκήσεις σε δημοφιλείς γλώσσες προγραμματισμού (R, Python).
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές:
• Θα έχουν εμβαθύνει στις έννοιες και τα χαρακτηριστικά της Αναλυτικής Δεδομένων.
• Θα αναγνωρίζουν και θα εφαρμόζουν τα διάφορα στάδια προπαρασκευής δεδομένων.
• Θα επιλέγουν μεταξύ διαφορετικών αλγορίθμων και τεχνικών για την εκάστοτε ανάλυση αναλόγως της φύσης των δεομένων.
• Θα είναι σε θέση να χρησιμοποιούν τη γνώση και την κατανόηση που απέκτησαν ως μελλοντικοί Επιστήμονες Δεδομένων (Data Scientists).
• Θα είναι πλήρως ενημερωμένοι για περαιτέρω εξειδίκευση στο χώρο της Επιστήμης Δεδομένων.
Συστημική Ανάλυση
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΠΣΥ
Ώρες Διδασκαλίας: 4 Θεωρία + 1 Εργαστήριο
ECTS: 5
1. Βασικές Έννοιες της Συστημικής Σκέψης στην Ανάλυση των Συστημάτων.
2. Συστημική Προσέγγιση στην Ανάλυση των Συστημάτων (Α. Εισαγωγή στους τρόπους της αλλαγής, Β. Εφαρμοσμένη Συστημική Θεωρία).
3. Οργανωτική Κυβερνητική Συστημάτων.
4. Στρατηγική Μεθοδολογία Υπόθεσης, Διαμόρφωσης και Δοκιμής Συστημάτων.
5. Μεθοδολογία Αλληλεπιδραστικού Σχεδιασμού Συστημάτων.
6. Μεθοδολογία Ήπιων Συστημάτων.
7. Κριτικά Ευρεστικά Συστήματα.
8. Η Προσέγγιση του Μετασυστήματος στην Ανάλυση των Συστημάτων.
9. Η Μεθοδολογία Σχεδιασμού και Ελέγχου Συστήματος και Μετασυστήματος (DCSYM) στην Ανάλυση των Συστημάτων και οι εφαρμογές της σε περιβάλλον Στρατηγικό και Ανάλυσης Διαδικασιών.
10. Συνολική Παρέμβαση Συστημάτων.
11. Εισαγωγή στις Πολύ-μεθοδολογίες Προσέγγισης Συστημάτων.
12. STIMEVIS: Πολύ-Μεθοδολογία Βιώσιμων Συστημάτων και Μετασυστημάτων. Χρήση Συστημικών Μεθοδολογιών ή/και Πολύ-Μεθοδολογιών στην Ανάπτυξη Πληροφοριακών Συστημάτων.
13. Εξάσκηση των Λογισμικών: DCSYM Case Tool και VSMod.
14. Η πλατφόρμα Webex στη διαχείριση ανάλυσης συστημάτων από απόσταση. Υποχρεωτική Εργασία 1 ατόμου εφαρμογής του Λογισμικού DCSYM Case Tool ή VSMod σε πραγματικό περιβάλλον Ανάπτυξης Συστημάτων.
15. Επαγγελματικές πραγματικές εφαρμογές συστημικών μεθοδολογιών για την προσέγγιση και λειτουργία διεργασιών.
Με την επιτυχή ολοκλήρωση του μαθήματος ο/η φοιτητής/φοιτήτρια θα είναι σε θέση να κατανοεί και να εφαρμόζει:
• Γνωρίζει και κατανοεί βασικές ιδιότητες που χαρακτηρίζουν τα συστήματα.
• Προσδιορίζει και αντιλαμβάνεται τις έννοιες της Συστημικής Ανάλυσης.
• Αναλύει τα Συστήματα προσδιορίζοντας τους τρόπους της αλλαγής και αξιοποιώντας το περιεχόμενο της Εφαρμοσμένης Συστημικής Θεωρίας.
• Ορίζει και αναγνωρίζει τα Συστήματα ανά είδος/τύπο, καθώς και την έννοια του Μετασυστήματος.
• Αντιλαμβάνεται τη χρήση των Συστημικών Μεθοδολογιών.
• Είναι σε θέση να διακρίνει την κατάλληλη για το κάθε είδος/τύπο Συστήματος, Μεθοδολογία.
• Εμβαθύνει στο περιεχόμενο και τις εφαρμογές των Συστημικών Μεθοδολογιών και Πολυμεθοδολογιών για την ανάπτυξη πληροφοριακών συστημάτων.
• Εξοικειώνεται με τη δημιουργία μοντέλων Συστημικής Ανάλυσης.
• Επιτυγχάνει τη διάκριση επιπέδων δυναμικής συστημικής.
• Εστιάζει σε εφαρμογές εντός πραγματικού εργασιακού περιβάλλοντος με τη χρήση των σχετικών λογισμικών.
• Εξασκείται στην υλοποίηση διαχείρισης της ανάλυσης Συστημάτων από απόσταση.
Ασημακόπουλος Νικήτας
–
Συστήματα Υποστήριξης Αποφάσεων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΠΣΥ
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Το μάθημα εστιάζει σε χαρακτηριστικές μεθόδους και τεχνικές υποστήριξης αποφάσεων που αποτελούν τη βάση για την ανάπτυξη αναλυτικών μοντέλων που μπορούν να ενσωματωθούν σε πληροφοριακά συστήματα υποστήριξης αποφάσεων.
Εισαγωγικές έννοιες, απόφαση, πρόβλημα απόφασης, κριτήρια, συνεπής οικογένεια κριτηρίων, χαρακτηριστικά συνόλου εναλλακτικών λύσεων προβλήματος απόφασης, προβληματικές.
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/η φοιτήτρια θα είναι σε θέση:
• Να αναγνωρίζει τις δομημένες πτυχές ενός προβλήματος χαμηλού βαθμού δόμησης που επιδέχονται μαθηματική μοντελοποίηση.
• Να προσδιορίζει τις βασικές τεχνικές πολυκριτηριακής ανάλυσης αποφάσεων και να τις εφαρμόζει σε προβλήματα των οποίων ο χαμηλός βαθμός δόμησης οφείλεται στην ύπαρξη πολλαπλών και αντικρουόμενων κριτηρίων αξιολόγησης των εναλλακτικών λύσεων.
• Να προσδιορίζει τα αναλυτικά μοντέλα υποστήριξης αποφάσεων με προσανατολισμό στα δεδομένα.
• Να κατανοεί τη μέθοδο Data Envelopment Analysis (DEA) στο πλαίσιο της μέτρησης της αποδοτικότητας μονάδων απόφασης (Decision making units).
• Να χρησιμοποιεί κατάλληλο λογισμικό για την επίλυση γραμμικών προγραμμάτων και να ερμηνεύει τα αποτελέσματα.
Δεσπότης Δημήτριος
702, Γ. Λαμπράκη 126
+302104142411
Συστήματα Πολυμέσων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΤΛΕΣ
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Το μάθημα Συστήματα Πολυμέσων ασχολείται με την επιστημονική περιοχή στην οποία συναντώνται και γονιμοποιούνται πληθώρα επιστημονικών πεδίων, όπως η επεξεργασία σήματος, η θεωρία πληροφορίας και οι επικοινωνίες, με στόχο τη Δημιουργία, την Αποθήκευση/Συμπίεση και τη Διανομή του Πολυμεσικού Περιεχομένου. Σκοπός, επομένως, του παρόντος μαθήματος είναι να παρουσιάσει με ενιαίο τρόπο τις θεμελιώδεις έννοιες της πολυμεσικής επεξεργασίας, τα προβλήματα που καλείται να επιλύσει η σχεδίαση πολυμεσικών συστημάτων και τις σημαντικότερες τεχνικές ψηφιοποίησης, συμπίεσης και διανομής πολυμεσικού περιεχομένου.
Το περιεχόμενο του μαθήματος χωρίζεται σε τέσσερα μέρη: Δημιουργίας Πολυμεσικού Περιεχομένου, Συμπίεσης Πολυμέσων, Διανομής Πολυμέσων και Σύγχρονων Τάσεων. Κάθε μέρος αποτελείται από μία ή περισσότερες ενότητες και κάθε ενότητα δύναται να διδαχθεί σε περισσότερες από μία διαλέξεις.
Μέρος Ι: Δημιουργία Πολυμεσικού Περιεχομένου
Ενότητα 1: Εισαγωγή στα Πολυμέσα – Παρελθόν, Παρόν και Μέλλον
Ενότητα 2: Λήψη Ψηφιακών Δεδομένων
Ενότητα 3: Αναπαράσταση και Πρότυπα Διαμόρφωσης Μέσων
Ενότητα 4: Θεωρία Χρώματος
Μέρος ΙΙ: Συμπίεση Πολυμέσων
Ενότητα 5: Επισκόπηση Συμπίεσης
Ενότητα 6: Συμπίεση Εικόνας
Ενότητα 7: Συμπίεση Video
Ενότητα 8: Συμπίεση Ήχου
Ενότητα 9: Συμπίεση Γραφικών
Μέρος ΙΙΙ: Διανομή Πολυμέσων
Ενότητα 10: Ενσύρματη και Ασύρματη Δικτύωση Πολυμέσων
Ενότητα 11: Ψηφιακή Διαχείριση Δικαιωμάτων
Με την επιτυχή́ ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση:
• Να διαθέτει προχωρημένες γνώσεις σε αλγορίθμους, τεχνικές και μεθοδολογίες δημιουργίας, συμπίεσης και δικτύωσης ψηφιακού περιεχομένου, όπως συμπίεσης χωρίς/με απώλειες εικόνας/ήχου/βίντεο/γραφικών (JPEG, JPEG-2000, MPEG-4), ασύρματης δικτύωσης (π.χ., Bluetooth) και ψηφιακής διαχείρισης δικαιωμάτων (π.χ., λύσεις DRM στη μουσική βιομηχανία).
• Να αντιλαμβάνεται πώς συνδυάζονται γνώσεις επεξεργασίας σήματος, θεωρίας χρώματος, ψυχοακουστικής, θεωρίας της πληροφορίας, συμπίεσης και δικτύωσης για τη δημιουργία και λειτουργία συστημάτων πολυμέσων.
• Να κατέχει τη δεξιότητα να αναλύει προβλήματα πραγματικών δεδομένων (ανοικτής πρόσβασης), στα οποία απαιτείται η σχεδίαση/ανάπτυξη/υλοποίηση συστημάτων επεξεργασίας/ανάλυσης πολυμεσικού περιεχομένου, να εκτιμά το εφικτό των προβλημάτων αυτών, να επιλέγει τους κατάλληλους αλγορίθμους/τεχνικές και να προβαίνει στην αποτίμηση και συγκριτική μελέτη των επιδόσεων εναλλακτικών λύσεων.
• Να διαχειρίζεται τον φόρτο και την πολυπλοκότητα τέτοιων προβλημάτων πραγματικών δεδομένων σε περιβάλλον ομαδικής εργασίας.
• Να κατέχει προχωρημένες προγραμματιστικές δεξιότητες σε περιβάλλον ανάπτυξης λογισμικού Python/MATLAB/GNU Octave για την υλοποίηση αλγορίθμων, τεχνικών και μεθόδων επεξεργασίας πολυμεσικού περιεχομένου.
• Να αναγνωρίζει και να επαναχρησιμοποιεί υφιστάμενες υλοποιήσεις συναρτήσεων ανοιχτού κώδικα, σχετικών με το πεδίο των Συστημάτων Πολυμέσων, όπως των συναρτήσεων της βιβλιοθήκης ffmpeg.
• Να διακρίνει συναφείς της πολυμεσικής επεξεργασίας έννοιες, στα συγγενή επιστημονικά πεδία της Επεξεργασίας Σήματος, της Θεωρίας της Πληροφορίας , της Συμπίεσης Δεδομένων και της Δικτύωσης Δεδομένων.
Επεξεργασία Φυσικής Γλώσσας
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΤΛΕΣ
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Βιοπληροφορική
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Υποχρεωτικό Κατεύθυνσης
Κατεύθυνση: ΤΛΕΣ
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Η Βιοπληροφορική είναι πεδίο σύγκλισης διαφορετικών επιστημονικών περιοχών, που έχουν στόχο την ανάπτυξη αλγορίθμων και στατιστικών μεθόδων για την ανάλυση και περαιτέρω κατανόηση μεγάλων συλλογών διαφορετικών τύπων βιολογικών δεδομένων, όπως ακολουθιών νουκλεοτιδίων, αμινοξέων και πρωτεϊνικών δομών, καθώς και της εξελικτικής σχέσης μεταξύ οργανισμών. Κατά τη διάρκεια της τελευταίας δεκαετίας η βιοπληροφορική σχεδίασε και υλοποίησε εργαλεία που επιτρέπουν την πρόσβαση και διαχείριση διαφόρων ειδών πληροφορίας, με κύρια δραστηριότητα τη μελέτη των γονιδιακών ακολουθιών με στόχο την κατανόηση της λειτουργίας του κυττάρου.
Γενικότερος στόχος του μαθήματος αυτού είναι επομένως να παρέχει βασικές γνώσεις βιοπληροφορικής στα προαναφερθέντα ζητήματα, για φοιτητές που επιθυμούν να ασχοληθούν περισσότερα εντατικά με τα ζητήματα αυτά στη μετέπειτα σταδιοδρομία τους. Η διδασκαλία του μαθήματος έχει, ως εκ τούτου, πλέον του θεωρητικού σκέλους, και μία εφαρμοσμένη διάσταση, διότι είναι ελεύθερα διαθέσιμες στο Διαδίκτυο γνωστές και χρήσιμες βάσεις βιοδεδομένων, οι οποίες αξιοποιούνται από τον διδάσκοντα και τους φοιτητές για την εφαρμογή αλγορίθμων και μεθόδων.
Το περιεχόμενο του μαθήματος χωρίζεται σε δώδεκα ενότητες και κάθε ενότητα δύναται να διδαχθεί σε περισσότερες από μία διαλέξεις.
Ενότητα 1: Εισαγωγή στη Βιοπληροφορική
Ενότητα 2: Πρόσβαση σε δεδομένα βιολογικών αλληλουχιών και σχετικές πληροφορίες
Ενότητα 3: Στοίχιση αλληλουχιών κατά ζεύγη
Ενότητα 4: Το Βασικό Εργαλείο Αναζήτησης Τοπικής Στοίχισης (BLAST)
Ενότητα 5: Προηγμένα προγράμματα αναζήτησης σε βάσεις δεδομένων
Ενότητα 6: Πολλαπλή στοίχιση ακολουθιών
Ενότητα 7: Μοριακή φυλογένεση και εξέλιξη
Ενότητα 8: DNA: το ευκαρυωτικό χρωμόσωμα
Ενότητα 9: Ανάλυση των δεδομένων αλληλούχισης επόμενης γενιάς
Ενότητα 10: Βιοπληροφορικές προσεγγίσεις στο ριβονουκλεϊκό οξύ (RNA)
Ενότητα 11: Γονιδιακή έκφραση: ανάλυση δεδομένων από μικροσυστοιχίες και RNA-seq
Ενότητα 12: Πρωτεϊνική ανάλυση και πρωτεωμική
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση:
• Να κατανοεί και να είναι σε θέση να περιγράψει το αντικείμενο της βιοπληροφορικής.
• Να γνωρίζει τους τύπους των μοριακών βάσεων δεδομένων και τους κύριους περιηγητές γονιδιωμάτων και να μπορεί να χρησιμοποιεί διάφορες διαδικτυακές πηγές πληροφοριών για μεμονωμένα γονίδια και για μεγάλα σύνολα γονιδίων/πρωτεϊνών, με έμφαση στις πηγές που είναι προσβάσιμες μέσω της πύλης NCBI.
• Να μπορεί να χρησιμοποιεί πίνακες βαθμολόγησης, να κατανοεί την έννοια του δυναμικού προγραμματισμού και να εκτελεί ολικές και κατά ζεύγη στοιχίσεις με τους αλγορίθμους Needleman-Wunsch και Smith-Waterman σε πρωτεϊνικές αλληλουχίες και αλληλουχίες DNA.
• Να μπορεί να προσδιορίζει τις στρατηγικές αναζήτηση BLAST, τις προκύπτουσες μαθηματικές σχέσεις μεταξύ αναμενόμενων τιμών και σκορ και να πραγματοποιεί αναζητήσεις BLAST στον ιστότοπο του NCBI.
• Να κατανοεί τη χρήση των πινάκων βαθμολόγησης ανά θέση και των προφίλ κρυφών Μαρκοβιανών μοντέλων.
• Να εξηγεί τα κύρια στάδια πολλαπλής στοίχισης ακολουθιών και να διεξάγει μελέτες συγκριτικής αξιολόγησης στοιχίσεων.
• Να μπορεί να περιγράψει την υπόθεση μοριακού ρολογιού, να ορίσει τη θετική και αρνητική επιλογή, να διακρίνει τους τύπους των φυλογενετικών δέντρων και να κατασκευάσει φυλογενετικά δέντρα εξηγώντας τις βασικές αρχές των δημοφιλέστερων προσεγγίσεων.
• Να γνωρίζει τους βασικούς τύπους επαναλαμβανόμενων στοιχείων DNA και τις αντίστοιχες προσεγγίσεις βιοπληροφορικής ανάλυσης.
• Να αναλύει δεδομένα αλληλούχισης επόμενης γενιάς.
• Να μπορεί να περιγράψει τις κύριες κατηγορίες κωδικών και μη κωδικών RNA.
• Να αντιλαμβάνεται το περιεχόμενο των τεχνικών μέτρησης των επιπέδων σταθερής κατάστασης του RNA.
• Να διαχωρίζει την πρωτεϊνική και την πρωτεωμική ανάλυση.
• Να κατέχει προγραμματιστικές δεξιότητες σε περιβάλλον ανάπτυξης λογισμικού Python/MATLAB/GNU Octave για την υλοποίηση αλγορίθμων, τεχνικών και μεθόδων βιοπληροφορικής.
Διδακτική της Πληροφορικής
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Το μάθημα επικεντρώνεται στην Πληροφορική ως αντικείμενο διδασκαλίας. Περιλαμβάνονται αναφορές σε οριζόντια διάχυση της πληροφορικής στην εκπαιδευτική διαδικασία καθώς και σε ιστορικά στοιχεία της εισαγωγής του μαθήματος στην ελληνική προσχολική, πρωτοβάθμια και δευτεροβάθμια εκπαίδευση, καθώς και σε θεωρίες μάθησης της γενικής και της ειδικής διδακτικής.
Ο βασικός κορμός του μαθήματος επικεντρώνεται στη διδακτική της Πληροφορικής τόσο σε επίπεδο υλικού, όσο και σε επίπεδο λογισμικού (χρήσης και, κυρίως, ανάπτυξης). Εστιάζει στις παρανοήσεις των μαθητών, όπως αυτές καταγράφονται σε διεθνείς έρευνες, σε θέματα όπως (ενδεικτικά) η αρχιτεκτονική του υπολογιστή, η έννοια της μεταβλητής, η δομή επιλογής, η δομή επανάληψης, οι δομές δεδομένων, τα υποπρογράμματα και οι αλγόριθμοι διαχείρισης τυπικών επιλύσιμων προβλημάτων.
Το μάθημα εμπλουτίζεται με προσομοιώσεις διδασκαλιών σε επιλεγμένες θεματικές ενότητες, περιγραφή της οργάνωσης του μαθήματος σε διάφορες κλίμακες χρόνου (διδακτική ώρα, διδακτική ενότητα, τετράμηνο, ετήσιος κύκλος), τεχνικές σύνθεσης δραστηριοτήτων που θεραπεύουν συγκεκριμένες παρανοήσεις, εναλλακτικές τεχνικές διδασκαλίας, ενσωμάτωση μαθησιακών αντικειμένων για την εξατομίκευση της διδασκαλίας κ.λπ.
Θεματικές Ενότητες:
1. Ιστορική αναδρομή
2. Διδακτική της Πληροφορικής στην Προσχολική Εκπαίδευση
3. Παραδείγματα εκπαιδευτικού λογισμικού
4. Διδακτική της Πληροφορικής στην Πρωτοβάθμια Εκπαίδευση
5. Οριζόντια διάχυση της Πληροφορικής: Προγραμματισμός με το Excel για προσομοίωση – οπτικοποίηση εννοιών σε Φυσική – Χημεία – Μαθηματικά
6. Διδακτική της Πληροφορικής στην Δευτεροβάθμια Εκπαίδευση (Γυμνάσιο – Λύκειο)
7. Η αλγοριθμική λογική στη μελέτη φυσικών φαινομένων μέσω χρήσης και (κυρίως) ανάπτυξης λογισμικού προσομοίωσης
8. Εισαγωγή στη Διδακτική
9. Διδακτικές Τεχνικές
10. Θεωρίες μάθησης
11. Ταξινομία διδακτικών στόχων κατά Bloom
12. Διδακτικός Σχεδιασμός
13. Θεωρία Gagné
14. Διδακτική της έννοιας της μεταβλητής
15. Διδακτική της Δομής Επιλογής
16. Διδακτική της Δομής Επανάληψης
17. Διδακτική των Δομών Δεδομένων
18. Διδακτική των Υποπρογραμμάτων
19. Διδακτικές Προσεγγίσεις για τον Προγραμματισμό
20. Χρήση ψηφιακών αποθετηρίων μαθησιακών αντικειμένων
21. Χρήση ψηφιακών αποθετηρίων διδακτικών σεναρίων
22. Εκπαιδευτική Ρομποτική
23. Διαδικτυακές Εξερευνήσεις
24. Εννοιολογικοί Χάρτες στην Εκπαίδευση
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να:
• Οργανώσει τη διδασκαλία μιας διδακτικής ενότητας με ανίχνευση του επιπέδου των μαθητών του, παρουσίαση των διδασκόμενων εννοιών με τεχνικές που περιλαμβάνουν μοντέλα διερευνητικής μάθησης και ομαδοσυνεργατικής διδασκαλίας.
• Συνθέτει δραστηριότητες κατάλληλες για την εξοικείωση με τα βασικές αλγοριθμικές συνιστώσες και τις δομές δεδομένων.
• Εντοπίζει διαθέσιμα online μαθησιακά αντικείμενα που φιλοξενούνται σε ψηφιακά αποθετήρια. και να τα ενσωματώνει στη διδασκαλία του με μορφή οπτικοποίησης, προσομοίωσης, διερεύνησης, πειραματισμού κ.λπ.
• Αναζητεί εκπαιδευτικά σενάρια και διδακτικές πρακτικές που χαρακτηρίζονται ως βέλτιστα, αλλά και να συνθέτει δικά του/της.
• Αξιολογεί τους μαθητές και τη διδασκαλία του/της εφαρμόζοντας κατάλληλα ερευνητικά εργαλεία και ποσοτικούς δείκτες.
Διοίκηση Ασφάλειας Συστημάτων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Κεντρικός στόχος του μαθήματος είναι οι φοιτητές να μπορούν να αξιολογήσουν την ασφάλεια που προσφέρει ένα πληροφοριακό σύστημα καθώς και την ποιότητα της ασφάλειας που παρέχεται από την εφαρμογή των διαδικασιών ενός οργανισμού.
Πιο συγκεκριμένα, αναλύονται οι εξής θεματικές περιοχές:
1. Συνήθη κενά ασφαλείας πληροφοριακών συστημάτων και εφαρμογών.
2. Μέθοδοι και εργαλεία εντοπισμού κενών ασφαλείας πληροφοριακών συστημάτων και εφαρμογών.
3. Exploitation & persistence.
4. Ψηφιακά πειστήρια.
5. Μεθοδολογίες Ανάλυσης Πληροφοριακού Κινδύνου (information risk analysis).
6. Σχέδια, Πολιτικές και Διαδικασίες Ασφάλειας.
7. Κανονιστικό Πλαίσιο και Πρότυπα Ασφάλειας.
8. Σχέδια Συνέχειας Λειτουργίας και Ανάκαμψης Συστημάτων.
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
• Να γνωρίζουν τις μεθόδους και τα εργαλεία εντοπισμού κενών ασφάλειας.
• Να διακρίνουν πιθανά κενά ασφάλειας σε ένα πληροφοριακό σύστημα.
• Να κατανοούν τα συνήθη κενά ασφάλειας πληροφοριακών συστημάτων και εφαρμογών.
• Να εντοπίζουν πιθανές επιθέσεις μετά από ανάλυση των log files.
• Να διερευνούν και να αξιολογούν κενά ασφάλειας μιας διαδικασίας ενός οργανισμού.
• Να αναγνωρίζουν και να διαχειρίζονται τις μεθοδολογίες ανάλυσης πληροφοριακών κινδύνων.
• Να σχεδιάζουν και να εφαρμόζουν μια πολιτική ασφάλειας σε έναν οργανισμό.
502, κεντρικό κτίριο
+302104142270 , κιν. : +30 6944783685 , +32(0) 485064238 , skype: nineta.polemi
Συστήματα Υποστήριξης Ομάδων
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 2 Θεωρία + 2 Εργαστήριο
ECTS: 5
Κατανόηση βασικών αρχών συστημάτων και μεθόδων συνεργασίας.
Συγκεκριμένα μαθησιακά αντικείμενα:
1. Μοντέλα υποστήριξης ομάδων.
2. Διαδικασίες και τεχνικές συγχρονισμού κοινόχρηστων δεδομένων.
3. Τυπικά εργαλεία υποστήριξης ομαδικής εργασίας.
4. Μέθοδοι ψηφοφορίας.
5. Συλλογική νοημοσύνη (μηχανισμοί πλοήγησης βασισμένοι σε ετικέτες χρηστών, συνεργατική πλοήγηση, συνεργατικά συστήματα συστάσεων).
6. Κοινωνικά Δίκτυα και Τεχνικές Ανάλυσης.
7. Προγραμματισμός συνεργατικών συστημάτων.
8. Συνεργατική ανάπτυξη λογισμικού.
Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται ότι :
• θα κατανοούν και θα περιγράφουν τις βασικές αρχές συστημάτων και μεθόδων συνεργασίας,
• θα επινοούν και εφαρμόζουν μοντέλα υποστήριξης ομάδων,αξιολογώντας τον κοινό σκοπό και τους ρόλους,
• θα γνωρίζουν και θα εφαρμόζουν διαδικασίες και τεχνικές συγχρονισμού κοινόχρηστων δεδομένων,
• θα χρησιμοποιούν τυπικά εργαλεία υποστήριξης ομαδικής εργασίας,
• θα εφαρμόζουν μεθόδους ψηφοφορίας,
• θα αξιοποιούν τη συλλογική νοημοσύνη μέσω μηχανισμών πλοήγησης που βασίζονται σε ετικέτες χρηστών, συνεργατικής πλοήγησης και συνεργατικών συστημάτων συστάσεων,
• θα καταρτίζουν και θα υλοποιούν προγραμματισμό συνεργατικών συστημάτων,
• θα παρακολουθούν, θα καταγράφουν και θα αξιολογούν τη “λειτουργική συμπεριφορά” των Κοινωνικών Δικτών, συνθέτωντας τα συλλεχθέντα δεδομένα για την υλοποίηση τεχνικών αναλύσης,
• θα μπορούν να σχεδιάσουν και να αναπτύσσουν λογισμικό συνεργατικά.
Δεσπότης Δημήτριος
702, Γ. Λαμπράκη 126
+302104142411
Ευφυής Αλληλεπίδραση με Κοινωνικά Δίκτυα
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
Στόχος του συγκεκριμένου μαθήματος είναι η παρουσίαση ενός ενιαίου αλγοριθμικού πλαισίου για την αντιμετώπιση των προβλημάτων που αναδύονται κατά την ανάλυση των δεδομένων που αντλούνται από τα ψηφιακά κοινωνικά δίκτυα είτε πρόκειται για δεδομένα κειμένου ή πολυμεσικά δεδομένα είτε πρόκειται για δεδομένα που αναπαριστούν τις δομικές σχέσεις μεταξύ των μελών που συμμετέχουν στο δίκτυο.
Πιο αναλυτικά, τα περιεχόμενα του συγκεκριμένου μαθήματος είναι τα εξής:
1. Γραφοθεωρητική Αναπαράσταση Κοινωνικών Δικτύων και Συναφείς Στατιστικές Ιδιότητες.
2. Ανίχνευση Κοινοτήτων σε Κοινωνικά Δίκτυα και Ιχνηλάτηση της Χρονικής Εξέλιξής τους. (Community Detection & Community Evolution Problem).
3. Ταξινόμηση Κόμβων σε Κοινωνικά Δίκτυα (Node Classification Problem).
4. Πρόγνωση Δεσμών (Link Prediction Problem).
5. Αυτοματοποιημένη Άντληση Αναρτήσεων από Ψηφιακά Κοινωνικά Δίκτυα (Twitter Streaming API).
6. Εξόρυξη Κειμένου.
7. Θεματική Μοντελοποίηση.
8. Ανάλυση Συναισθήματος.
Με την ολοκλήρωση του μαθήματος οι φοιτητές και φοιτήτριες του τμήματος θα αποκτήσουν την δυνατότητα:
• Να γνωρίζουν και να κατανοούν τη Γραφοθεωρητική Αναπαράσταση των Κοινωνικών Δικτύων.
• Να αναγνωρίζουν και να αντιλαμβάνονται τις συναφείς με την προαναφερθείσα αναπαράσταση στατιστικές ιδιότητες.
• Να αναλύουν και να καθορίζουν τη δομική πληροφορία ενός ψηφιακού κοινωνικού μέσου.
• Να διακρίνουν μέσω ανάπτυξης αλγόριθμωντην ταξινόμηση Κόμβων σε Κοινωνικά Δίκτυα.
• Να υπολογίζουν μέσω ανάπτυξης αλγορίθμων τα γραφοθεωρητικά μέτρα κεντρικότητας των κόμβων που μετέχουν σε ένα ψηφιακό κοινωνικό δίκτυο.
• Να ανιχνεύουν, μέσω ανάπτυξης αλγορίθμων, Κοινότητες.
• Να εξάγουν, μέσω ανάπτυξης αλγορίθμων, Συνεκτικές Συνιστώσες.
• Να αναγνωρίζουν και να αναλύουν την πληροφορία κειμένου ενός ψηφιακού κοινωνικού μέσου χρησιμοποιώντας αλγόριθμους για την εφαρμογή Corpus Vectorization, Θεματικής Μοντελοποίησης (Topic Modelling) και Ανάλυσης Συναισθήματος (Sentiment Analysis).
• Να εμβαθύνουν στη Μελέτη των αλγοριθμικών μηχανισμών γένεσης τεχνητών δικτύων.
• Να υλοποιούν ανάλυση επιστημονικών δικτύων (co-authorship networks).
• Να κατανοούν Μοντέλα διάχυσης πληροφορίας (information diffusion models).
• Να προσδιορίζουν Μοντέλα διαμόρφωσης γνώμης (opinion formation models).
Πρότυπα Ανάπτυξης Λογισμικού
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία + 2 Εργαστήριο
ECTS: 5
To μάθημα ασχολείται με τη θεωρητική μελέτη και την πρακτική εργαστηριακή εξάσκηση σε θέματα σχεδίασης αποδοτικού λογισμικού, διαχειρίσιμου πηγαίου κώδικα και χρήση προτύπων σχεδίασης λογισμικού που διευκολύνουν την επέκταση, επαναχρησιμοποίηση και αποτελεσματικότητα των εφαρμογών λογισμικού.
Βασίζεται στην έννοια των προτύπων ανάπτυξης λογισμικού (software design patterns) που αποτελούν το «παράδειγμα» καλής πρακτικής στην προσέγγιση υλοποίησης σε ένα επαναλαμβανόμενο πρόβλημα προγραμματισμού συστήματος και λογικής.
Περιλαμβάνει την παρουσίαση προτύπων ανάπτυξης λογισμικού επιχειρώντας να θέσει τις βάσεις για υψηλότερου επιπέδου προγραμματιστικές επιδόσεις και δεξιότητες.
Παρουσιάζονται και γίνεται εξάσκηση στα δημοφιλή μεταξύ άλλων software designs των Singleton, Builder, Prototype, Factory, και AbstractFactory που είναι και γνωστά ως η ομάδα των τεσσάρων «Gang of Four». Ο υψηλότερου επιπέδου, αποδοτικός και αποτελεσματικός προγραμματισμός τόσο σε αντικειμενοστρεφείς όσο και άλλες γλώσσες προγραμματισμού απαιτεί τη γνώση και εφαρμογή προτύπων στην ανάπτυξη λογισμικού. Επιπλέον γίνεται εξάσκηση και εμβάθυνση στην πρακτική βελτίωση υπάρχοντος κώδικα με εφαρμογή επτά βασικών αρχών σχεδίασης λογισμικού.
Ενότητες
1. Αναγκαιότητα των Κλάσεων
2. Συσχετίσεις μεταξύ κλάσεων και UML
3. Πολυμορφισμός & Αρχή της Ενσωμάτωσης
4. Αρχή της Χαμηλής Σύζευξης & Προηγμένες Αρχές Σχεδίασης Λογισμικού
5. Αρχή της Μοναδικής Αρμοδιότητας & Αρχή Ανοικτής-Κλειστής Σχεδίασης
6. Αρχή Υποκατάστασης της Liskov & Αρχή της Αντιστροφής των Εξαρτήσεων
7. Αρχή του Διαχωρισμού των Διασυνδέσεων
8. Εφαρμογή αρχών στα Πρότυπα Σχεδίασης Λογισμικού
9. Προσαρμογέας & Σύνθετο & Γέφυρα
10. Μοναδιαίο & Επισκέπτης & Παρατηρητής
11. Εργοστάσιο
12. Επανασχεδίαση, Αναδόμηση, Επαναπαραγοντοποίηση
13. Εφαρμογές για συστήματα ελέγχου εκδόσεων λογισμικού
14. Μεθοδολογική ανάλυση μελέτης περίπτωσης λογισμικού
15. Εισαγωγή στις ευέλικτες μεθοδολογίες ανάπτυξης λογισμικού και πρότυπα
Με την επιτυχή ολοκλήρωση αυτού του μαθήματος οι φοιτητές θα είναι σε θέση:
• Να εξηγούν και να εφαρμόζουν προηγμένες αρχές σχεδίασης λογισμικού (π.χ. single responsibility, open-closed κλπ).
• Να δημιουργούν πηγαίο κώδικα ακολουθώντας πρότυπο ανάπτυξης λογισμικού.
• Να αναλύουν κριτικά πηγαίο κώδικα και να τον αναδιαμορφώνουν με βάση πρότυπα ανάπτυξης λογισμικού.
• Να διακρίνουν και να αναπτύσσουν λύσεις σε επαναλαμβανόμενα προβλήματα ανάπτυξης λογισμικού με χρήση πρότυπα και αρχές ανάπτυξης λογισμικού.
• Να εξασκούνται σε σύγχρονες τεχνικές σχεδίασης αποδοτικού πηγαίου κώδικα για αποτελεσματικό λογισμικό, καθώς και σε σύγχρονες τεχνικές σχεδίασης αποδοτικού πηγαίου κώδικα για αποτελεσματικό λογισμικό.
• Να μαθαίνουν αποτελεσματικές τεχνικές ανάπτυξης και αναδιοργάνωσης πηγαίου κώδικα για αυξημένη αποδοτικότητα.
• Να αξιολογούν και να εντοπίζουν περιπτώσεις λογισμικού.
Παράλληλος Υπολογισμός
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Επιλογής
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 5
1. Εισαγωγή στις έννοιες της Παράλληλης Επεξεργασίας.
2. Ταξινόμηση Παράλληλων Υπολογιστικών Συστημάτων.
a. Ταξινόμηση κατά Flynn.
b. Ταξινόμηση με βάση την αρχιτεκτονική της μνήμης.
3. Μετρικές επίδοσης.
4. Αμοιβαίος αποκλεισμός – Σημαφόροι – Ατομικές Εντολές.
a. Αλγόριθμοι υλοποίησης.
5. Προγραμματιστικά μοντέλα για παράλληλες αρχιτεκτονικές.
a. Νήματα – Το προγραμματιστικό μοντέλο των POSIX Threads.
b. Το προγραμματιστικό μοντέλο OpenMP.
c. Το προγραμματιστικό μοντέλο MPI.
d. Απεικόνιση παράλληλων αλγορίθμων στα προγραμματιστικά μοντέλα.
6. Εξαρτήσεις δεδομένων – Διανυσματοποίηση.
7. Δομές δεδομένων για Παράλληλο Υπολογισμό.
8. Συνεπεξεργαστές.
a. Αρχιτεκτονική των GPU.
b. Προγραμματιστικά μοντέλα για προγραμματισμό GPU.
c. Απεικόνιση παράλληλων αλγορίθμων σε GPU.
Με την ολοκλήρωση της διδασκαλίας του μαθήματος οι φοιτητές θα είναι ικανοί:
1. Να διακρίνουν τις διαφορετικές κατηγορίες Παράλληλων Συστημάτων και να αξιολογούν τα πλεονεκτήματα και μειονεκτήματα τους.
2. Να αξιολογούν την επίδοση μιας παράλληλης εφαρμογής χρησιμοποιώντας κατάλληλα εργαλεία και κατάλληλες μετρικές επίδοσης.
3. Να δημιουργούν νέους αλγόριθμους για τα παράλληλα υπολογιστικά συστήματα που θα μελετηθούν.
4. Να περιγράφουν τι είναι κρίσιμη περιοχή, αμοιβαίος αποκλεισμός, σημαφόρος και ατομικές εντολές.
5. Να διακρίνουν πότε απαιτείται αμοιβαίος αποκλεισμός σε τμήματα μιας παράλληλης εφαρμογής.
6. Να περιγράφουν αλγόριθμους υλοποίησης αμοιβαίου αποκλεισμού.
7. Να διακρίνουν σε ποιο είδος παράλληλης αρχιτεκτονικής μπορεί να χρησιμοποιηθεί ένα συγκεκριμένο προγραμματιστικό μοντέλο.
8. Να αναπτύξουν μια παράλληλη εφαρμογή με χρήση οποιουδήποτε από τα προγραμματιστικά μοντέλα POSIX Threads, OpenMP, MPI και κάποιου μοντέλου για κάρτες γραφικών (GPU).
9. Να διακρίνουν τα διαφορετικά είδη εξαρτήσεων δεδομένων και την επίδραση που αυτά έχουν στον τρόπο παραλληλοποίησης.
10. Να εξηγήσουν τι είναι και ποια οφέλη προσφέρει η διανυσματοποίηση.
11. Να εξηγούν παράλληλους αλγόριθμους υλοποίησης βασικών δομών δεδομένων.
12. Να διακρίνουν ποιες δομές δεδομένων πρέπει να χρησιμοποιηθούν κατά περίπτωση για την επίτευξη υψηλής επίδοσης σε ένα παράλληλο πρόγραμμα.
13. Να περιγράψουν την αρχιτεκτονική των GPU.
14. Να περιγράψουν προγραμματιστικά μοντέλα για τον προγραμματισμό GPU.
15. Να περιγράψουν τεχνικές βελτιστοποίησης της επίδοσης για παράλληλες εφαρμογές.
Με την ολοκλήρωση της διδασκαλίας του μαθήματος οι φοιτητές θα έχουν αναπτύξει τις ακόλουθες δεξιότητες:
1. Θα μπορούν να εντοπίσουν τα σημεία μιας σειριακής εφαρμογής που έχουν αυξημένες πιθανότητες επίτευξης καλύτερης επίδοσης όταν αυτές παραλληλοποιηθούν.
2. Θα μπορούν να αναπτύξουν μια παράλληλη εφαρμογή με χρήση των κατάλληλων αλγορίθμων, εργαλείων και προγραμματιστικών μοντέλων για το υπό χρήση υπολογιστικό σύστημα.
3. Θα μπορούν να αξιολογήσουν την επίδοση της παράλληλης εφαρμογής που χρησιμοποιούν ή δημιούργησαν.
4. Θα μπορούν να εντοπίζουν τα σημεία της παράλληλης εφαρμογής που μπορούν να βελτιστοποιηθούν.
5. Θα μπορούν να εφαρμόσουν τεχνικές για την βελτιστοποίηση της επίδοσης στα σημεία αυτά.
6. Θα μπορούν να σχεδιάσουν νέους παράλληλους αλγόριθμους για το υπό χρήση υπολογιστικό σύστημα.
Αγγλικά VI
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Ξένη Γλώσσα
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 3
1. Παρουσίαση και επεξεργασία κειμένων προχωρημένου επιπέδου με θέματα ποικίλων επιστημονικών περιοχών που συνδυάζονται και υποστηρίζονται από τις εφαρμογές της Επιστήμης της Πληροφορικής (π.χ. Στατιστική, Παίγνια και Διαδίκτυο, Χρηματοοικονομικά θέματα Χρηματοπιστωτικών Ιδρυμάτων και Διεθνών Οργανισμών).
2. Μετάφραση αυθεντικών κειμένων επιστημονικού ενδιαφέροντος.
3. Παρακολούθηση ομιλιών TED για Hackers, Electronic Games, Mathematics, IT, και παρόμοια θεματολογία.
4. Μετάφραση.
5. Επιστημονική ορολογία.
Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/τριες:
• θα κατανοούν και θα επεξεργάζονται κείμενα και ορολογία με περιεχόμενο σχετικό με τα ακαδημαϊκά και επαγγελματικά ενδιαφέροντά τους,
• θα συντάσσουν περιλήψεις των κειμένων,
• θα διαχειρίζονται τον προφορικό λόγο και πιο συγκεκριμένα θα διεξάγουν διαλόγους, ομιλίες σε κοινό, διαλέξεις και θα παρουσιάζουν προφορικά κείμενα διεπιστημονικού περιεχομένου (συμπεριλαμβανομένης της Πληροφορικής),
• θα μεταφράζουν από και προς την Αγγλική ειδική ορολογία μέσα από επιστημονικά άρθρα και κείμενα του αντικειμένου τους,
• θα εντοπίζουν και θα αξιοποιούν, στο πλαίσιο σύνταξης επιστημονικών εργασιών, θεμελιώδεις θεωρίες και εμπειρικά δεδομένα μέσα από μια πληθώρα βάσεων βιβλιογραφικών πηγών.
Μόρμορη Πελαγία
–
Γαλλικά VI
Κωδικός Μαθήματος:
Τύπος Μαθήματος: Ξένη Γλώσσα
Κατεύθυνση: –
Ώρες Διδασκαλίας: 4 Θεωρία
ECTS: 3
1. Λεξιλόγιο εξειδικευμένο στον τομέα της Πληροφορικής.
2. Μετάφραση εξειδικευμένων επιστημονικών κειμένων από και προς τα Γαλλικά.
3. Μετάφραση μηχανική ή φιλολογική σε κείμενα σχετικά με τους Μεταγλωττιστές, την Κρυπτογραφία, τις γλώσσες αντικειμενοστεφούς τεχνολογίας, τις Βάσεις Δεδομένων, τα Δυναμικά Συστήματα Αλγορίθμων, κ.λπ.
4. Αναζήτηση επιστημονικών άρθρων σε διάφορες αξιόπιστες βάσεις δεδομένων.
Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται ότι:
• θα έχουν μια εξαιρετική γνώση της Γαλλικής γλώσσας σε γραπτό και προφορικό επίπεδο,
• θα μπορούν να κάνουν παραγωγή εξειδικευμένου γραπτού λόγου,
• θα μπορούν να κάνουν μετάφραση ειδικών κειμένων γενικού και εξειδικευμένου περιεχομένου από και προς τα Γαλλικά,
• θα κατανοούν επιστημονικά κείμενα και άρθρα,
• θα συλλέγουν πληροφορίες από τα παραπάνω και θα τις αξιοποιούν στον εμπλουτισμό των γραπτών επιστημονικών εργασιών που θα καλούνται να εκπονήσουν,
• θα γνωρίζουν τις βασικές λειτουργίες και δυνατότητες εξειδικευμένων λογισμικών μετάφρασης,
• θα υλοποιούν μετάφραση σε κείμενα του επιστημονικού πεδίου της Πληροφορικής.
