Μαθήματα εξαμήνων | Στο πρώτο εξάμηνο οι μεταπτυχιακοί φοιτητές παρακολουθούν πέντε (5) μαθήματα γενικής κατεύθυνσης κοινά για όλους. Στο δεύτερο εξάμηνο οι μεταπτυχιακοί φοιτητές επιλέγουν πέντε (5) μαθήματα τα οποία είναι κατ’ επιλογή υποχρεωτικά. Στο τρίτο εξάμηνο εκπονείται η διπλωματική εργασία Μαθήματα Α’ εξαμήνουΜαθήματα Β’ εξαμήνουΓ’ εξάμηνο301. Διπλωματική (Υ) |
Α’ εξάμηνο | 101. Προηγμένες τεχνικές επεξεργασίας σημάτωνΚΑΤΕΥΘΥΝΣΗ | Βασικές Γνώσεις | ΕΞΑΜΗΝΟ | Α’ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ | 3 ώρες θεωρία και εργαστήριο | ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ | 6 | ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ | | ΠΕΡΙΕΧΟΜΕΝΟ | | ΤΡΟΠΟΣ ΕΞΕΤΑΣΗΣ | | ΛΟΓΙΣΜΙΚΑ | | ΒΙΒΛΙΟΓΡΑΦΙΑ | |
|
Α’ εξάμηνο | 102. Αρχιτεκτονική υπολογιστικών συστημάτων και ενσωματωμένα συστήματαΚΑΤΕΥΘΥΝΣΗ | Βασικές Γνώσεις | ΕΞΑΜΗΝΟ | Α’ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ | 3 ώρες θεωρία και εργαστήριο | ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ | 6 | ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ | Κατανόηση σύγχρονων αρχιτεκτονικών και ενσωματωμένων συστημάτων | ΠΕΡΙΕΧΟΜΕΝΟ | Βασικές Αρχές Αρχιτεκτονικές Σετ Εντολών Διασωλήνωση και επίδραση στην απόδοση Εισαγωγή στις παράλληλες αρχιτεκτονικές υπολογιστών - Superscalar & VLIW επεξεργαστές Μοντέλα εκτέλεσης SIMD, MIMD, Προχωρημένες ιεραρχίες μνήμης Πρόβλεψη διακλάδωσης, εκτέλεση με υπόθεση, προ – προσκόμιση εντολών Πολύ-προγραμματισμός / Πολύ-επεξεργαστές Κατανάλωση ισχύος και αξιοπιστία Υλοποίηση Ενσωματωμένων Μικροηλεκτρονικών Συστημάτων Υλικό ενσωματωμένων συστημάτων Εργασία σχεδίασης και υλοποίησης ενσωματωμένου συστήματος
| ΤΡΟΠΟΣ ΕΞΕΤΑΣΗΣ | Ατομική εργασία (30%) και γραπτή εξέταση (70%) | ΛΟΓΙΣΜΙΚΑ | Εξομοιωτής Μικροεπεξεργαστή Code Composer studio, Energia, GRACE
| ΒΙΒΛΙΟΓΡΑΦΙΑ | W. Stallings, Computer Organization and Architecture, , 9th edition, 2012, ISBN 0132936330 J.L. Hennessy and D.A. Patterson, Computer Architecture: A Quantitative Approach, 4th edition, Morgan Kaufman, 2007, ISBN 0123704901 Κωνσταντίνος Καλοβρέκτης Βασικές δομές ενσωματωμένων συστημάτων ISBN 978-960-7996-48-0 Peter Marwedel, Embedded System Design ISBN: 978-94-007-0256-1 (Print) 978-94-007-0257-8 (Online) Charalampos Doukas Building Internet of Things with the Arduino ISBN 1470023431
|
|
Α’ εξάμηνο | 103. Προηγμένες δικτυακές τεχνολογίεςΚΑΤΕΥΘΥΝΣΗ | Βασικές Γνώσεις | ΕΞΑΜΗΝΟ | Α’ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ | 3 ώρες θεωρία και εργαστήριο | ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ | 6 | ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ | Ο σκοπός του μαθήματος είναι να επεκτείνει τις γνώσεις των φοιτητών/τριων σε θέματα σύγχρονων δικτυακών τεχνολογιών. Συγκεκριμένα: Λειτουργία προηγμένων πρωτοκόλλων δικτύου όπως χρησιμοποιούνται στα σύγχρονα δίκτυα δεδομένων του σήμερα και του αύριο. Να γνωρίζουν πρακτικά θέματα σχετικά με τεχνολογίες για τη διαχείριση των δικτύων . Να εμβαθύνουν σε θέματα των πρωτοκόλλων μεταφοράς TCP / UDP και σε ζητήματα διαχείρισης μεγάλης κλίμακας δικτύων.
| ΠΕΡΙΕΧΟΜΕΝΟ | Προηγμένες τεχνολογίες πρωτοκόλλων Πρωτόκολλα ζεύξης δεδομένων, λειτουργίες,- απόδοση (έλεγχος λαθών, έλεγχος ροής, κλπ.). Λειτουργίες του TCP πρωτοκόλλου, αρχές ελέγχου συμφόρησης στα δίκτυα, AIMD, TCP αποφυγή συμφόρησης.
Τεχνικές διαχείρισης κίνησης Νομός της Διατήρησης μέσης καθυστέρησης πακέτων, Αλγόριθμοι Leaky Bucket, Τεχνικές Round Robin (RR), Weighted Round Robin (WRR), Weighted Fair Queueing (WFQ), Θεώρημα Parekh-Gallager)
Τεχνολογίες Ethernet: Gigabit Ethernet, 10 Gbps Ethernet. Metro Ethernet. Προηγμένες τεχνολογίες διαχείρισης δικτύων ( network address translation, multicasting, κ.α.) Πλαίσιο διεπαφής εφαρμογών, χρήση πρωτόκολλων μεταφοράς, παραδείγματα με sockets Τεχνολογίες διαχείρισης της πληροφορίας σε μεγάλης κλίμακας δίκτυα (routing, diffusing, aggregating) Δίκτυα οριζόμενα από το λογισμικό (Software defined networks (SDN)) Βασικά στοιχεία των SDN, SDN Data, SDN Control planes, Interfaces (Open Flow). Network Function Virtualization (NFV).
Συστήματα και πρότυπα ασύρματων τηλεπικοινωνιακών δικτύων. Αρχιτεκτονικές ασύρματων συστημάτων ραδιοεπικοινωνιών. Ρυθμιστικά θέματα συστημάτων ραδιοεπικοινωνιών - κεραιών
| ΤΡΟΠΟΣ ΕΞΕΤΑΣΗΣ | Ατομικές εργασίες (40%) και γραπτή εξέταση (60%) | ΛΟΓΙΣΜΙΚΑ | Προσομοιωτές, ADS, AWRD | ΒΙΒΛΙΟΓΡΑΦΙΑ | Kurose, J. F., & Ross, K. W. (2004). Δικτύωση Υπολογιστών, Προσέγγιση από Πάνω προς τα Κάτω με Έμφαση στο Διαδίκτυο. Γκιούρδας, Αθήνα. Bonaventure, O. (2011). Computer Networking: Principles, Protocols, and Practice. The Saylor Foundation. Stallings, W. (2007). Data and computer communications. Pearson Education India. Peterson, L. L., & Davie, B. S. (2007). Computer networks: a systems approach. Elsevier. Bertsekas, D. P., Gallager, R. G., & Humblet, P. (1992). Data networks (Vol. 2). New Jersey: Prentice-Hall International.
|
|
Α’ εξάμηνο | 104. Ανάλυση δεδομένων με κλασσικές τεχνικές και με τεχνικές μηχανικής μάθησηςΚΑΤΕΥΘΥΝΣΗ | Βασικές Γνώσεις | ΕΞΑΜΗΝΟ | Α’ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ | 3 ώρες θεωρία και εργαστήριο | ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ | 6 | ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ | Η ανάλυση δεδομένων είναι η επιστήμη που μετατρέπει την πληροφορία σε χρήσιμη γνώση. Αυτή η γνώση θα μπορούσε να μας βοηθήσει να κατανοήσουμε τον κόσμο μας και σε πολλές περιπτώσεις να λάβουμε σωστές αποφάσεις. Αν και αυτός είναι πολύ ευρύς και μεγάλος στόχος, τα τελευταία 20 χρόνια έχει μειωθεί το κόστος συλλογής, αποθήκευσης και επεξεργασίας δεδομένων, δημιουργώντας ένα ακόμα ισχυρότερο κίνητρο για τη χρήση εμπειρικών προσεγγίσεων για την επίλυση προβλημάτων. Το μάθημα έχει σχεδιαστεί ώστε να καλύψει ένα ευρύ φάσμα μεθόδων ανάλυσης δεδομένων τόσο κλασικών στατιστικών μεθόδων όσο και σύγχρονων τεχνικών μηχανικής μάθησης. Στόχος του είναι οι φοιτητές να λάβουν όλες τις απαραίτητες γνώσεις που θα τους βοηθήσουν στο να αναλύσουν οποιαδήποτε δεδομένα και να εξάγουν χρήσιμα συμπεράσματα που θα τους επιτρέψουν να λάβουν καλύτερες αποφάσεις σχετικές με το αντικείμενο που μελετούν. Το μάθημα δίνει έμφαση στη χρήση Η/Υ. | ΠΕΡΙΕΧΟΜΕΝΟ | Ανάλυση δεδομένων: Προβλήματα, υποθέσεις και τεχνικές Τύποι δεδομένων: στατικά και μεταβαλλόμενα, ντετερμινισμός και αβεβαιότητα Περιγραφική Ανάλυση Κατανομές και Προσομοίωση Στατιστική Συμπερασματολογία (Διαστήματα Εμπιστοσύνης, Παραμετρικοί και Μη Παραμετρικοί Έλεγχοι Υποθέσεων) Ανάλυση Παλινδρόμησης Ανάλυση Διακύμανσης Προετοιμασία δεδομένων (κανονικοποίηση και εξαγωγή χαρακτηριστικών) Μείωση της διάστασης των δεδομένων Ανάλυση Κυρίων Συνιστωσών (PCA) Ταξινόμηση δεδομένων και ταξινομητές (Μπεϋζιανοί, Nευρωνικά δίκτυα, Μηχανές διανυσμάτων υποστήριξης (SVM), ταξινομητές ελάχιστης απόστασης, κ.λπ.) Ομαδοποίηση δεδομένων: ορισμοί μέτρα και αλγόριθμοι ομαδοποίησης Προσαρμογή καμπυλών και πρόβλεψη Ανάλυση χρονοσειρών Δεδομένα υπό αβεβαιότητα
| ΤΡΟΠΟΣ ΕΞΕΤΑΣΗΣ | Ατομικές εργασίες (40%) και γραπτή εξέταση (60%) | ΛΟΓΙΣΜΙΚΑ | SPSS, R, WEKA, OCTAVE, Python | ΒΙΒΛΙΟΓΡΑΦΙΑ | Φουσκάκης, Δ. (2013). Ανάλυση Δεδομένων με Χρήση της R. Εκδόσεις Τσότρας. Αθήνα. Γναρδέλλης Χαρ.: «Ανάλυση Δεδομένων με το SPSS14.0 για Windows», Εκδ. Παπαζήση, Αθήνα, 2006 Μπερσίμης Σ. , Σαχλάς Α., Εφαρμοσμένη στατιστική με χρήση του IBM SPSS Statistics 23 , Εκδόσεις Τζιόλα D C. Montgomery and G C Runger Applied Statistics and Probability for Engineers, 6th Edition, John Wiley & Sons, Inc Simon Haykin, Νευρωνικά δίκτυα και μηχανική μάθηση, Εκδόσεις Παπασωτηρίου Γεώργιος Ρίζος, ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, ΕΚΔΟΣΕΙΣ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ S. Theodoridis, K.Koutroumbas, Αναγνώριση Προτύπων, Εκδόσεις Πασχαλίδη, 2012
|
|
Α’ εξάμηνο | 105. Αλγόριθμοι και προχωρημένες δομές δεδομένωνΚΑΤΕΥΘΥΝΣΗ | Βασικές Γνώσεις | ΕΞΑΜΗΝΟ | Α’ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ | 3 ώρες θεωρία και εργαστήριο | ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ | 6 | ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ | Η θεωρητική μελέτη αλγορίθμων, παρουσίαση των σημαντικότερων θεμάτων σχεδιασμού αλγορίθμων και η κατανόηση του ασυμπτωτικού συμβολισμού, της ανάλυσης πολυπλοκότητας αλγορίθμου και αναπαράστασης του χρόνου εκτέλεσης αλγορίθμων. Εξοικείωση με θέματα όπως: NP πληρότητα, πρόβλημα τερματισμού, αναδρομή, αλγοριθμικές τεχνικές (άπληστη μέθοδος, διαίρει και βασίλευε, δυναμικός προγραμματισμός). Κατανόηση και υλοποίηση βασικών δομών δεδομένων όπως λιστών, στοιβών, ουρών, δένδρων αναζήτησης, σωρών, union-find αφηρημένων τύπων δεδομένων. Κατανόηση βασικών ιδιοτήτων δένδρων και προχωρημένων δομών δεδομένων. Κατανόηση κατακερματισμού. Κατανόηση της έννοιας των γραφημάτων, Δομές δεδομένων για αναπαράσταση γραφημάτων και δικτύων, παρουσίαση θεμελιωδών αλγορίθμων γραφημάτων και αλγορίθμων εύρεσης συντομότερων διαδρομών σε γραφήματα. Αναζήτηση κατά πλάτος, αναζήτηση κατά βάθος, αναζήτηση ομοιόμορφου κόστους σε κατευθυνόμενα και μη κατευθυνόμενα γραφήματα. | ΠΕΡΙΕΧΟΜΕΝΟ | Θεωρητική μελέτη αλγορίθμων, Ασυμπτωτικός ρυθμός αύξησης, πολυπλοκότητα. NP Πληρότητα. Αλγοριθμικές τεχνικές (Αναδρομή, Άπληστη μέθοδος, Διαίρει & Βασίλευε, Δυναμικός Προγραμματισμός) Προχωρημένες Τεχνικές Αναζήτησης & Ταξινόμησης Αφηρημένοι τύποι δεδομένων. Λίστες - Στοίβες - Ουρές Δένδρα - δυαδικά δένδρα αναζήτησης, Μαύρα Κόκκινα, Β-Δέντρα Κατακερματισμός. Γραφήματα, Θεωρία Γράφων, Αποστάσεις, Κεντρικότητα, Συντομότερα μονοπάτια, Περιοδεύων Πωλητής, Hamilton
| ΤΡΟΠΟΣ ΕΞΕΤΑΣΗΣ | Ατομικές εργασίες (40%) και γραπτή εξέταση (60%) | ΛΟΓΙΣΜΙΚΑ | C++, Java, Python | ΒΙΒΛΙΟΓΡΑΦΙΑ | Cormen, Leiserson, Rivest and Stein, Introduction to Algorithms, 3rd Edition MIT Press, 2009 Kleinberg and Tardos, Algorithm Design, First edition, Addison Wesley, 2005. Kurt Mehlhorn and Peter Sanders "Algorithms and Data Structures - The Basic Toolbox" Springer-Verlag 2008 (Μεταφρασμένο/ Κλειδάριθμος 2013) Dasgupta, Papadimitriou and Vazirani, Algorithms, McGraw-Hill, 2006. Edmonds Jeff: Αλγόριθμοι: Σύγχρονες Προσεγγίσεις, 2016 Γ.Φ. Γεωργακόπουλος Δομές Δεδομένων, Έννοιες, Τεχνικές και Αλγόριθμοι,., Πανεπιστημιακές Εκδόσεις Κρήτης, Ηράκλειο 2002. M. Goodrich, R. Tamassia, M. Goldwasser, Data Structures and Algorithms in Python 1st Edition (2013) Ι. Μανωλόπουλος, Α. Παπαδόπουλος, Κ. Τσίχλας, Θεωρία και Αλγόριθμοι Γράφων, , Εκδόσεις Νέων Τεχνολογιών, 2014
|
|