Μαθήματα Ακαδημαϊκού Έτους 2023-24

Στοιχεία Θεωρίας Πιθανοτήτων: Πιθανοχώρος και αξιωματικός ορισμός της πιθανότητας. Τυχαίες μεταβλητές, Συνάρτηση κατανομής και πυκνότητας πιθανότητας, Μέσος όρος, Διασπορά. Από κοινού συνάρτηση κατανομής και πυκνότητας πιθανότητας, Ανεξαρτησία, Συσχέτιση, Μήτρα συνδιασποράς, Gaussian τυχαίες μεταβλητές. Δεσμευμένη ή υπό συνθήκη πιθανότητα, Βασικές ισότητες, Κανόνας του Bayes. Δεσμευμένη πυκνότητα πιθανότητας και μέσος όρος. Εξέταση Υποθέσεων: Στατιστικός τρόπος περιγραφής του προβλήματος εξέτασης υποθέσεων. Ντετερμινιστικοί κανόνες απόφασης, Τυχαιοποιημένοι κανόνες απόφασης. Βέλτιστη εξέταση δυαδικών υποθέσεων κατά Bayes. Το τεστ λόγου πιθανοφάνειας και ισοδύναμα τεστ, Τεστ ελάχιστης πιθανότητας σφάλματος. Βέλτιστο τεστ κατά Neyman-Pearson. Χαρακτηριστική λειτουργίας δέκτη και ιδιότητές της. Εξέταση υποθέσεων με τυχαίες παραμέτρους. Ομοιόμορφα πιο ισχυρό τεστ. Εξέταση πολλαπλών υποθέσεων κατά Bayes. Εκτίμηση Παραμέτρων: Βέλτιστη εκτίμηση κατά Bayes, Εκτιμητής ελάχιστου μέσου τετραγωνικού σφάλματος, Εκτιμητής δεσμευμένου διάμεσου, Εκτιμητής μέγιστης εκ των υστέρων πιθανότητας, Εκτιμητής μέγιστης πιθανοφάνειας. Aμερόληπτος, ασυμπτωτικά αμερόληπτος και συνεπής εκτιμητής. Κάτω φράγμα Cramer-Rao για συνεπείς εκτιμητές. Εκτίμηση Σήματος: Εισαγωγή στην εκτίμηση σημάτων, Γραμμική έναντι μη γραμμικής εκτίμησης. Διανυσματικοί χώροι εσωτερικού γινομένου. Αρχή της ορθογωνιότητας, Εξίσωση Wiener-Hopf για στάσιμα και μη στάσιμα σήματα. Το φίλτρο Wiener, μη αιτιατό, αιτιατό και φίλτρο πεπερασμένης κρουστικής απόκρισης. Ακολουθιακή Ανίχνευση: Χρόνοι στάσης, Ακολουθιακή εξέταση υποθέσεων, Ακολουθιακό Τεστ Λόγου Πιθανότητας (SPRT), Το βέλτιστο του SPRT. Ταυτότητες του Wald. Ακολουθιακή ανίχνευση αλλαγών, CUSUM τεστ και Shiryaev-Roberts-Pollak τεστ, Το βέλτιστο των δύο τεστ.

(ΔΙΑΛΕΞΕΙΣ) Ανασκόπηση βασικών εννοιών σχετικά με στοχαστικές διαδικασίες. Στοιχεία της θεωρίας ανίχνευσης. Στοιχεία της θεωρίας εκτίμησης παραμέτρων. Στοιχεία της θεωρίας εκτίμησης σημάτων. Έμφαση σε εκτιμητές 2ης τάξης, Εκτιμητής Wiener. Αναδρομικές Τεχνικές Εκτίμησης, Βασικοί Αναδρομικοί Αλγόριθμοι. Εκτίμηση φάσματος ισχύος. Χωροχρονική επεξεργασία με περιορισμούς (LCMV). Παραδείγματα επεξεργασίας: Έξυπνες κεραίες. Μορφοποίηση λοβού, Εκτίμηση DoA, Ταυτοποίηση άγνωστου συστήματος, Εκτίμηση και ισοστάθμιση καναλιού, Στοιχεία της θεωρίας στατιστικής μάθησης. Βασικές μέθοδοι επιβλεπόμενης μάθησης. Βασικές μέθοδοι μη επιβλεπόμενης μάθησης. (ΕΡΓΑΣΤΗΡΙΟ) Υλοποίηση και συγκριτική μελέτη απόδοσης τεχνικών εκτίμησης φάσματος ισχύος. Υλοποίηση και μελέτη απόδοσης τεχνικών ταυτοποίησης συστήματος. Υλοποίηση και μελέτη απόδοσης τεχνικών εκτίμησης και ισοστάθμισης διαύλου. Υλοποίηση προσαρμοστικών αλγορίθμων για χρονικά μεταβαλλόμενα συστήματα. Υλοποίηση και μελέτη απόδοσης τεχνικών επιβλεπόμενης και μη επιβλεπόμενης μάθησης.

(ΔΙΑΛΕΞΕΙΣ) Εισαγωγή: Ορισμός, ιστορική αναδρομή, σύνδεση με άλλους επιστημονικούς κλάδους. Ευφυείς πράκτορες: ορθολογικότητα, μέτρα απόδοσης, περιβάλλον εργασιών, δομή πρακτόρων. Επίλυση προβλημάτων με αναζήτηση: Χώροι καταστάσεων, δέντρα αναζήτησης, μέθοδοι αναζήτησης χωρίς πληροφόρηση (depth-first, breadth-first), αναζήτηση με μερική πληροφόρηση. Πληροφορημένη αναζήτηση και εξερεύνηση: Αλγόριθμοι Best First και Α*. Αλγόριθμοι τοπικής αναζήτησης Ι: Hill climbing, simulated annealing. Αλγόριθμοι τοπικής αναζήτησης ΙΙ: Γενετικοί αλγόριθμοι. Προβλήματα ικανοποίησης περιορισμών: Διάδοση περιορισμών, πρώιμος έλεγχος, συνέπεια τόξου. Αναζήτηση με αντιπαλότητα: Βέλτιστες στρατηγικές σε παιχνίδια δύο αντιπάλων, αλγόριθμος minimax, κλάδεμα άλφα-βήτα, επέκταση σε παιχνίδια πολλών παικτών, επέκταση σε τυχερά παιχνίδια, αλγόριθμος expectiminimax. Θεωρία παιγνίων Ι: Παίγνια με διαδοχικές και ταυτόχρονες κινήσεις, ισορροπία Nash. Θεωρία παιγνίων ΙΙ: Παίγνια με συνδυασμό διαδοχικών/ταυτόχρονων κινήσεων, Θεωρία Χρησιμότητας. Λογική I: Προτασιακή λογική, πρότυπα συλλογιστικής, ανάλυση (resolution), λογικά κυκλώματα. Λογική II: Λογική πρώτης τάξης (κατηγορηματική λογική), κανόνες συμπερασμού για ποσοδείκτες, ενοποίηση, αλυσίδες εκτέλεσης, απόδειξη θεωρημάτων. Μηχανική μάθηση I: Εισαγωγή, κατασκευή μοντέλων, δένδρα αποφάσεων. Μηχανική μάθηση ΙΙ: Δίκτυα Bayes, μοντέλα naive Bayes, πιθανοτική συλλογιστική, συμπερασμός με αλυσίδες Markov, κρυμμένα μοντέλα Markov. (ΕΡΓΑΣΤΗΡΙΟ) Λογικός προγραμματισμός, εισαγωγή στη γλώσσα Prolog, υλοποίηση αλγορίθμων αναζήτησης στη γλώσσα Prolog, λογισμικό Gambit, λογισμικό Weka.

Το μάθημα αποτελείται απο διαλέξεις και εργαστηριακές ασκήσεις. Μεταξύ άλλων, στο πλαίσιο του μαθήματος καλύπτονται τα ακόλουθα: 1. Υπολογιστική Όραση, Σχηματισμός εικόνων και οπτικοί αισθητήρες, 2. Στοιχεία Προοπτικής Γεωμετρίας, Βαθμονόμηση κάμερας, ορθογραφική προβολή σκηνής, γραμμικοί και μη-γραμμικοί αλγόριθμοι εκτίμησης εσωτερικών και εξωτερικών παραμέτρων κάμερας, 3. Φωτομετρία, Σκίαση και Χρώμα, 4. Παραμετρικές Καμπύλες και Επιφάνειες, 5. Πολυδιάστατα συστήματα επεξεργασίας. Πολυδιάστατα γραμμικά Συστήματα και ανάλυση Fourier με έμφαση στα φίλτρα Gabor και μετασχηματισμών κυματιδίων. Ανάλυση εικόνων σε πολλαπλές κλίμακες, πυραμίδες εικόνων, 6. Στερέοψη και γεωμετρία πολλαπλών εικόνων, ανακατασκευή σκηνής από δύο εικόνες και από πολλαπλές εικόνες, 7. Ευθυγράμμιση- στοίχιση, Γεωμετρικές Παραμορφώσεις Εικόνων, Μετασχηματισμοί Affine, Μετασχηματισμοί Προβολής, Μωσαϊκά, Μεταμόρφωση εικόνων, 8. Αντιστοίχιση με χρήση Χαρακτηριστικών (Features), Εντοπισμός Χαρακτηριστικών , Εύρεση Αντίστοιχων Χαρακτηριστικών, Χρήση των Αντίστοιχων σημείων για Στοίχιση, Επιθυμητές Ιδιότητες Ανιχνευτών, Επιθυμητές Ιδιότητες Περιγραφέων, Ανιχνευτής Γωνιών του Harris,Μητρώο Αυτο-Συσχέτισης και ανάλυση Ιδιοτιμών του. Χαρακτηριστικά Γωνιών και Σταγόνων, Χαρακτηριστικά Αμετάβλητα σε αλλαγές Κλίμακας και Μετασχηματισμός Αμετάβλητος σε άλλαγές Κλίμακας (SIFT), Ανιχνευτές Laplacian, DoG, SURF, 9. Σύνθεση εικόνας υψηλής ευκρίνειας, από ακολουθία εικόνων χαμηλής ευκρίνειας, 10. Εκτίμηση οπτικής ροής και Κίνησης, 11. Μηχανική Μάθηση, Είδη μηχανικής μάθησης, Κλασσικά Νευρωνικά Δίκτυα, Νευρωνικά Δίκτυα Βαθέων Αρχιτεκτονικών (ΝΔΒΑ), 12. Ανίχνευση Αντικειμένων, Κλασσικές τεχνικές Τεχνικές με Νευρωνικά Δίκτυα Βαθέων Αρχιτεκτονικών (NΔBA)

Εισαγωγή σε προγραμματιστικές τεχνικές επεξεργασίας μεγάλου όγκου δεδομένων (π.χ., MapReduce, Hadoop, Spark). Εξερεύνηση Συχνών Ομάδων Αντικειμένων. Κατακερματισμός Ευαίσθητος ως προς την Τοπικότητα. Συσταδοποίηση Δεδομένων (clustering). Μείωση Διάστασης. Αλγόριθμοι ανάλυσης συνδέσμων και συσχετίσεων σε τεράστια γραφήματα (π.χ., PageRank). Εισαγωγή στα Κοινωνικά Δίκτυα. Αποδοτικοί Αλγόριθμοι πολύ μεγάλων Γραφημάτων. Συστήματα Υποδείξεων/Συστάσεων. Αλγόριθμοι Μηχανικής Μάθησης για Δεδομένα Ευρείας Κλίμακας. Αλγόριθμοι για ρευματοροές μεγάλου όγκου δεδομένων. Υπολογιστική Διαφήμιση. Πολυπλοκότητα αλγορίθμων μεγάλου όγκου δεδομένων.

Εισαγωγή σε βασικές μεθόδους επεξεργασίας σημάτων (DFT, wavelets). Προεπεξεργασία δεδομένων. Εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών, μείωση διαστατικότητας (Singular value decomposition). Μέθοδοι συμπίεσης δεδομένων (scalar and vector quantization, lossless and lossy compression). Ευρετήρια Χωρικών δεδομένων (Spatial Access Methods - k-d trees, quadtrees, z-ordering, space filing curves, R-trees). Ευρετήρια πολυμέσων γενικής χρήσης, GEMINI approach. Βάσεις χωρικών και χρονικών δεδομένων. Τεχνικές searching by content σε Βάσεις Πολυμέσων (χρονοσειρές, εικόνες, video). Fractals σε Βάσεις Δεδομένων (self-similarity δεδομένων, fractal dimension). Εξόρυξη γνώσης από Βάσεις Χωρικών και Χρονικών Δεδομένων. Τεχνικές Ομαδοποίησης, Ταξινόμησης και Πρόβλεψης (clustering, classification, prediction). Δέντρα απόφασης. Ανακάλυψη συσχετίσεων - Bayesian Networks. Εφαρμογές σε Βάσεις Βιοϊατρικών Δεδομένων.

Αυτό το μάθημα επικεντρώνεται στα θέματα που σχετίζονται με την βελτιστοποίηση αρχιτεκτονικών ψηφιακής επεξεργασίας σημάτων. Εξετάζονται διάφορα κριτήρια βελτιστοποίησης: χώρος, χρόνος, κατανάλωση ενέργειας, κλπ. Εξετάζει επίσης τις διάφορες εναλλακτικές λύσεις της αριθμητικής υπολογιστών, που πρέπει να συνυπολογισθούν για μία βέλτιστη αρχιτεκτονική επεξεργασίας σημάτων. Η κατανόηση των θεωρητικών βάσεων του μαθήματος επιτυγχάνεται μέσα από τον συνδυασμό θεωρητικών εργασιών και εργασιών βασισμένες σε υπολογιστή.

Στοιχεία Θεωρίας Πιθανοτήτων και Αρχές Συνδυαστικής (επανάληψη). Εισαγωγή στη Θεωρία Πληροφορίας και βασικά μεγέθη. Εντροπία. Αμοιβαία Πληροφορία. Σχετική Εντροπία. Ιδιότητες. Διακριτές Πηγές Πληροφορίας με Μνήμη. Ρυθμός Εντροπίας. Συμπίεση Πληροφορίας. Κωδικοποίηση Σταθερού Μήκους. Θεώρημα Κωδικοποίησης Πηγής. Κωδικοποίηση Μεταβλητού Μήκους. Είδη κωδίκων. Η ανισότητα Kraft. Κώδικες Shannon και Fano. Βέλτιστοι κώδικες. Κωδικοποίηση Huffman. Προσαρμοζόμενοι Κώδικες Huffman. Αριθμητική Κωδικοποίηση. Συμπίεση πηγών με μνήμη. Δίαυλοι και Χωρητικότητα. Θεώρημα Κωδικοποίησης Διαύλου για Διακριτούς Διαύλους χωρίς Μνήμη. Θεώρημα Διαχωρισμού Πηγής-Διαύλου. Μεγέθη Θεωρίας Πληροφορίας για συνεχείς τυχαίες μεταβλητές. Διαφορική Εντροπία. Συνεχείς Δίαυλοι Διακριτού Χρόνου. Χωρητικότητα Γκαουσιανού διαύλου. Συνεχείς Δίαυλοι. Χωρητικότητα Γκαουσιανού διαύλου πεπερασμένου εύρους ζώνης. Παράλληλοι Γκαουσιανοί δίαυλοι και waterfilling. Κωδικοποίηση και Διόρθωση Σφαλμάτων. Εισαγωγή στην κωδικοποίηση. Ανίχνευση Σφαλμάτων. Διόρθωση Σφαλμάτων. Γραμμικοί Κώδικες: Γεννήτορας Πίνακας και Πίνακας Ισοτιμίας. Αποκωδικοποίηση με Συνομάδες. Αποκωδικοποίηση με Σύνδρομα. Κώδικες Hamming. Δυϊκοί Κώδικες. Τέλειοι Κώδικες. Κυκλικοί Κώδικες: κωδικοποίηση και αποκωδικοποίηση Κυκλικών Κωδίκων. Αναφορά σε Συνελικτικούς Κώδικες, Κώδικες Trellis, Turbo και LDPC.

(1) Βασικά Στοιχεία Βελτιστοποίησης Δικτύων: Βασικά μοντέλα προβλημάτων βελτιστοποίησης δικτύων. Αναπαράσταση προβλημάτων βελτιστοποίησης δικτύων και η σχέση τους με την αλγοριθμική αποδοτικότητα και χρονική πολυπλοκότητα. (2) Προηγμένες Αλγοριθμικές Τεχνικές Επίλυσης Θεμελιωδών Προβλημάτων Βελτιστοποίησης Δικτύων: Συντομότερες διαδρομές (Χαρακτηριστικά και ιδιότητες. Θεωρήματα εύρεσης και επαλήθευσης βέλτιστης λύσης. Αλγόριθμοι Dijkstra, Bellman-Ford-Moore, Dial, Radix-Heap, και άλλες αποδοτικές υλοποιήσεις με χρήση ουρών προτεραιότητας. Μέθοδοι ανίχνευσης αρνητικών κύκλων). Μέγιστη ροή (Χαρακτηριστικά και ιδιότητες. Θεωρήματα εύρεσης και επαλήθευσης βέλτιστης λύσης. Αλγόριθμοι διαδρομής επαύξησης, συντομότερης διαδρομής επαύξησης, προροής-προώθησης). Μέγιστη ροή ελάχιστου κόστους (Χαρακτηριστικά και ιδιότητες. Θεωρήματα εύρεσης και επαλήθευσης βέλτιστης λύσης. Αλγόριθμοι απαλοιφής κύκλων, διαδοχικής συντομότερης διαδρομής). (3) Γενικευμένες Τεχνικές Επίλυσης Προβλημάτων Βελτιστοποίησης Δικτύων: Εισαγωγή στις γενικευμένες τεχνικές βελτιστοποίησης δικτύων. Τοπικά και ολικά βέλτιστα σημεία. Κυρτός προγραμματισμός. Γραμμικός προγραμματισμός. Βασικές εφικτές λύσεις. Δικτυακή μέθοδος Simplex. Δυϊσμός. Η μέθοδος του ελλειψοειδούς. Μέθοδοι εσωτερικού σημείου. Ακέραιος προγραμματισμός.

Τοπικά ελάχιστα πολυμεταβλητών συναρτήσεων. Ελαχιστοποίηση συναρτήσεων που υπόκεινται σε ισοτικούς ή ανισοτικούς περιορισμούς. Παράγοντες Lagrange. Γραμμικός προγραμματισμός και η μέθοδος Simplex. Μη γραμμικός προγραμματισμός. Αλγόριθμοι βελτιστοποίησης. Προσέγγιση καμπυλών με πολυωνυμικές συναρτήσεις, επαναληπτικοί αλγόριθμοι. Εφαρμογή μεθόδων βελτιστοποίησης σε απλές βιομηχανικές διεργασίες και σε συνεργαζόμενα βιομηχανικά συστήματα.

Ανάλυση, σχεδίαση και υλοποίηση ασφαλών συστημάτων. Αρχιτεκτονική στρατιωτικών και εμπορικών ασφαλών συστημάτων. Κρυπτογραφία με μυστικά κλειδιά και δημόσια κλειδιά. Ψηφιακές υπογραφές και πιστοποιητικά. Κρυπτογραφικά πρωτόκολλα. Ασφάλεια υπολογιστών. Ασφάλεια επικοινωνιών. Αρχιτεκτονική κρυπτοσυστημάτων και συστημάτων ασφαλείας υπολογιστών και δικτύων. Θέματα υλοποίησης ασφαλών συστημάτων.

1. Ρομποτική, παρελθόν, παρόν και πιθανόν μέλλον. Η ρομποτική σαν σύζευξη του αναλογικού και ψηφιακού κόσμου. Αναλογικά και ψηφιακά αισθητήρια συστήματα. Μετασχηματισμός Laplace και Ζ. Το πρόβλημα του ψηφιακού ελέγχου στην σύγχρονη ρομποτική. Συνοπτική παρουσίαση των βασικών αρχών αναλογικού και ψηφιακού ελέγχου. Απλά παραδείγματα ψηφιακού ελέγχου σε ρομποτικά συστήματα. Ελεγκτές PID. Προσομοιωτές φυσικού κόσμου: Gazebo και webots. Παραδείγματα οδήγησης ρομποτικών οχημάτων. Robot Operating System (ROS). Παραδείγματα σε ROS. 2. Εφαρμογές Τεχνητής νοημοσύνης στην ρομποτική. Νευρωνικά δίκτυα και εξελικτικοί αλγόριθμοι στην ρομποτική. Reinforcement Learning. Q learning, Bellman Equation. Markov Processes, Markov Reward (MRP) και Markov Decision Processes (MRP). Bellman equation for MRP. Εφαρμογές αυτόνομης οδήγησης σε μεταβαλλόμενο περιβάλλον. Συνεργατικά ρομποτικά συστήματα. Ρομποτικό ποδόσφαιρο.

Στόχος του μαθήματος είναι η μελέτη και η πειραματική ανάλυση της ασφάλειας υπολογιστών και δικτύων. Το μάθημα επικεντρώνεται στα ενσύρματα δίκτυα που βασίζονται στην τεχνολογία του Διαδικτύου, των δικτυακών εξυπηρετητών και των δικτυακών εφαρμογών. Αναλύονται και αξιολογούνται οι ευπάθειες των συστημάτων και των πρωτοκόλλων, το είδος και ο τρόπος των δικτυακών επιθέσεων. Θα γίνεται ανάλυση τρωτότητας και αντιμετώπισης κακόβουλων ενεργειών με χρήση εργαλείων όπως Packet Filtering (Linux), Proxy-Server firewalls, wireshark, σάρωση θυρών κλπ.. Επίσης, στο πλαίσιο του μαθήματος θα παρουσιάζονται όλοι οι σύγχρονοι τρόποι κακόβουλων ενεργειών από Bots, Botnets, κακόβουλα Malware, Viruses και Worms.

Δεν θα προσφερθεί κατά το τρέχον ακαδημαϊκό έτος. Το περιεχόμενο του μαθήματος καθορίζεται από έκτακτους παράγοντες όπως: Ανάγκη διδασκαλίας κάποιου αναδυόμενου γνωστικού αντικειμένου που δεν καλύπτεται επαρκώς από άλλα μαθήματα, Διαθεσιμότητα διδασκόντων (κυρίως επισκεπτών καθηγητών), κλπ.

Εισαγωγικές έννοιες, Εφαρμογές της Ψηφιακής Επεξεργασίας και Ανάλυσης Εικόνας. Βασικές έννοιες από τη θεωρία δισδιάστατων σημάτων και συστημάτων, μετασχηματισμοί εικόνας. Βασικά στοιχεία για τη διαδικασία και τις τεχνικές πρόσληψης της ψηφιακής εικόνας. Μέθοδοι αναβάθμισης εικόνας. Αποκατάσταση εικόνας, παρουσίαση βασικών τεχνικών. Συμπίεση εικόνας (με και χωρίς απώλειες). Ανακατασκευή 3-D σωμάτων από δισδιάστατες προβολές (εικόνες). Ανίχνευση ακμών και οριοθέτηση περιοχών εικόνας. Περιγραφή σχημάτων. Η βασική δομή ενός συστήματος ανάλυσης και ερμηνείας εικόνας. Στοιχεία θεωρίας χρώματος και επεξεργασία έγχρωμων εικόνων.

Αναπαράσταση Γνώσης και Λογικός Συμπερασμός: Μη-μονοτονικές λογικές (non-monotonic logics), Συμπερασμός της δράσης (Reasoning about Action), Αλλαγή Πεποιθήσεων (Belief Change), Σχεδιασμός (Planning), Answer Set Programming, Τεχνολογίες Σημασιολογικού Ιστού; Νευρωνικά δίκτυα: Peceptron, πολυεπίπεδο Perceptron, Εκπαίδευση διόρθωσης λάθους, Οπισθοδρομική διάδοση του σφάλματος, Εισαγωγή στα βαθιά νευρωνικά δίκτυα, Ευστάθεια, Συνελικτικά νευρωνικά δίκτυα, Σύγχρονες αρχιτεκτονικές νευρωνικών δικτύων για βαθιά μάθηση, Εφαρμογές βαθιάς μάθησης; Κβαντική Τεχνητή Νοημοσύνη: Αρχές Κβαντικών Υπολογιστών, Επίλυση προβλημάτων με κβαντικούς υπολογιστές, Quantum Machine Learning.

Εισαγωγή στα στοχαστικά σήματα και συστήματα με έμφαση στην μοντελοποίηση, ανάλυση, πρόβλεψη, εκτίμηση, και αυτόματο έλεγχο σε μηχανολογικές εφαρμογές. Περιλαμβάνει: Σημασία και σύγχρονες εφαρμογές των στοχαστικών σημάτων και συστημάτων στην μηχανολογία. Επισκόπηση βασικών εννοιών πιθανοθεωρίας. Στοχαστικά σήματα στα πεδία χρόνου και συχνοτήτων. Στασιμότητα και μοντέλα αυτοπαλινδρόμησης και κινητού μέσου όρου ARMA. Μη στάσιμα σήματα και ολοκληρωμένα μοντέλα ARMA. Εποχικά μοντέλα ARMA. Θεωρία πρόβλεψης. Εκτίμηση και στοχαστική μοντελοποίηση. Μοντέλα συνεχούς χρόνου. Μοντέλα στοχαστικών συστημάτων και στοχαστικός έλεγχος. Εισαγωγή στα διανυσματικά μοντέλα ARMA. Εφαρμοσμένο θέμα με χρήση κατάλληλου λογισμικού.

Εισαγωγή στο SPSS (εισαγωγή δεδομένων, διαμόρφωση και επιλογή δεδομένων, περιγραφική στατιστική, γραφήματα), Διαστήματα Εμπιστοσύνης, Παραμετρικοί και Μη Παραμετρικοί έλεγχοι υποθέσεων, Ανάλυση παλινδρόμησης, Ανάλυση διασποράς (Analysis of Variance, ANOVA) με έναν και δύο παράγοντες (Two-way ANOVA) με και χωρίς αλληλεπίδραση, Γενικευμένα γραμμικά μοντέλα, Ανάλυση Κυρίων Συνιστωσών (Principal Components Analysis), Παραγοντική Ανάλυση (Factor Analysis), Ανάλυση κατά Συστάδες (Cluster Analysis), Εισαγωγή στις χρονολογικές σειρές, Εισαγωγή στη χρήση του Syntax Editor του SPSS, Εισαγωγή στη στατιστική γλώσσα προγραμματισμού R.

Βασικές έννοιες: Εισαγωγή, τομές, αναζήτηση, δυισμός, γεωμετρικές δομές δεδομένων, δενδρικές δομές, δένδρα KD, δένδρα BSP, quadtrees, μη-ομοιόμορφα πλέγματα. Προχωρημένα κεφάλαια: Τριγωνοποίηση Delaunay, διαγράμματα Voronoi, κυρτό περίβλημα στην επιφάνεια, κυρτό περίβλημα στο χώρο, κατακερματισμός χώρου, εξαγωγή μέσου άξονα Εφαρμογές: Εφαρμογές στη ρομποτική, στην αυτόνομη πλοήγηση, στα πεπερασμένα στοιχεία, στα 3Δ παιχνίδια και στην εικονική πραγματικότητα, στην επεξεργασία εικόνας και στα γεωγραφικά συστήματα πληροφορίας, υπολογιστική όραση.

Εισαγωγή στη βελτιστοποίηση, κατηγορίες προβλημάτων βελτιστοποίησης, γενικά επαναληπτικά σχήματα, oracles μηδενικής, πρώτης και δεύτερης τάξης, αναλυτική και αριθμητική πολυπλοκότητα, φράγματα στην πολυπλοκότητα και ρυθμός σύγκλισης, βελτιστοποίηση χωρίς περιορισμούς, αναγκαίες και ικανές συνθήκες, μέθοδος πιο απότομης κλίσης (gradient), μέθοδος Newton, μέθοδος quasi Newton, μέθοδος συζυγούς κλίσης (conjugate gradient), μέθοδοι ποινών (penalty function methods). Εισαγωγή στα προβλήματα κατανεμημένης βελτιστοποίησης, αναπαραστάσεις γραφημάτων από πίνακες, το πρόβλημα συμφωνίας (consensus) σε δίκτυα, υπενθύμιση της μεθόδου των πολλαπλασιαστών Lagrange και μετασχηματισμός ενός προβλήματος σε κατανεμημένη μορφή, κατανεμημένος αλγόριθμος κλίσεων, κατανεμημένος αλγόριθμος στο δυϊκό χώρο, εισαγωγή στη μέθοδο ADMM, κατανεμημένος αλγόριθμος Newton, σύγχρονες και ασύγχρονες τεχνικές, μέθοδος Push-Sum. Βελτιστοποίηση κυρτών μη-ομαλών συναρτήσεων κόστους, η μέθοδος υπό-κλίσεων (subgradient), η μέθοδος εγγύτατης κλίσης (proximal gradient). Κατανεμημένη βελτιστοποίηση μη-ομαλών συναρτήσεων κόστους, κατανεμημένες τεχνικές υπό-κλίσης, κατανεμημένες τεχνικές εγγύτατης κλίσης. Εισαγωγή στη θεωρία συμπιεσμένης καταγραφής (compressed sensing), αλγόριθμοι αραιής αναπαράστασης, εκμάθηση λεξικών, κατανεμημένη εκμάθηση λεξικών. Η μέθοδος Alternating Direction Method of Multipliers (ADMM), σύγχρονη και ασύγχρονη κατανεμημένη εκδοχή της μεθόδου. Εισαγωγή όρων κανονικοποίησης (regularization) και χαλάρωση, επιλογή κατάλληλου όρου κανονικοποίησης, νόρμα L1, πυρηνική νόρμα, συνολική διακύμανση (total variation), μοντελοποίηση σήματος με αραιή και χαμηλής τάξης συνιστώσα (low rank plus sparse). Επεξεργασία σημάτων ορισμένων σε γραφήματα. Αλγόριθμοι βελτιστοποίησης για βαθειά νευρωνικά δίκτυα.

Γενική εισαγωγή στην έννοια της ασύρματης και κινητής επικοινωνίας. Βασική αρχιτεκτονική κυψελωτών συστημάτων. Περιγραφή των βασικών χαρακτηριστικών του "κινητού διαύλου". Φαινόμενα διάδοσης μικρής και μεγάλης κλίμακας. Κατηγορίες διαύλων. Προχωρημένες τεχνικές κωδικοποίησης πηγής. Τεχνικές ψηφιακής διαμόρφωσης και μετάδοσης προσαρμοσμένες στα ιδιαίτερα χαρακτηριστικά του κινητού διαύλου. Συστήματα Διαμόρφωσης Πολλαπλών Φερουσών. Ισοστάθμιση Καναλιού. Θέματα αντιμετώπισης ή/και διαχείρισης παρεμβολών. "Έξυπνες" κεραίες. Συστήματα Πολλαπλών Κεραιών Πομπού-Δέκτη και Κώδικες Χωρο-χρόνου. Συνεργατικές και Γνωσιακές επικοινωνίες. Συν επιλογή από τα παρακάτω: Μέθοδοι Πολλαπλής Προσπέλασης (FDMA, TDMA, OFDMA, SDMA, CDMA). Επικοινωνίες Διάχυτου Φάσματος, Συστήματα DS-SS και εφαρμογές τους. Κωδικοποίηση καναλιού, Κώδικες Ανίχνευσης και Διόρθωσης Σφαλμάτων, Γραμμικοί Κώδικες Μπλόκ, Συνελικτικοί Κώδικες, Σύνθετοι Κώδικες.

Απλοποίηση δομών ψηφιακής επεξεργασίας σε επίπεδο δυαδικού ψηφίου με τη χρήση κωδικοποιήσεων προσημασμένου ψηφίου. Η περίπτωση CSD. Τεχνικές εύρεσης και απαλοιφής κοινών υπο-εκφράσεων (common subexpression sharing). O αλγόριθμος του Hartley. Τεχνικές pipelining σε συστήματα ψηφιακής επεξεργασίας με ανάδραση. Οι τεχνικές Lookahead και διεμπλοκής (interleaving). Ψηφιακά φίλτρα ανεκτικά στο θόρυβο. Αρχιτεκτονικές VLSI για διακριτούς μετασχηματισμούς. Δομές υλικού για τον FFT, radix-2, high-radix, split-radix. Σειριακές αρχιτεκτονικές FFT. Aρχιτεκτονικές FFT χαμηλής κατανάλωσης. Εφαρμογές FFT σε DVB-T, 802.11b και λοιπά ασύρματα πρότυπα. Αλγόριθμοι και αρχιτεκτονικές DCT. Aλγόριθμοι και VLSI αρχιτεκτονικές για εκτίμηση κίνησης. Εφαρμογή στο MPEG και σχετικές αρχιτεκτονικές VLSI. O αλγόριθμος Viterbi και παραλλαγές. Placement και routing δικτύων shuffle-exchange. H πράξη πρόσθεσης-σύγκρισης-αφαίρεσης ACS. Kώδικες Turbo και τεχνικές αποκωδικοποίησης. Ο αλγόριθμος MAP. Σχετικές υλοποιήσεις VLSI χαμηλής ισχύος. Εφαρμογές σε συστήματα WCDMA.

ΘΕΩΡΙΑ ΨΗΦΙΑΚΟΥ ΗΧΟΥ. Δειγματοληψία και κβαντισμός ηχητικών σημάτων. Υπερδειγματοληψία, μορφωποίηση θορύβου και διαμόρφωση σήματος σε 1 bit. Αριθμητική αναπαράσταση και αποθήκευση ηχητικών δεδομένων. Τύποι αρχείων και επεξεργασία ηχητικών δεδομένων. Τεχνολογία μετατροπέων A/D και D/A. 2. ΤΕΧΝΟΛΟΓΙΑ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑ-ΣΙΑΣ ΗΧΟΥ. Το ψηφιακό studio ήχου: υποσυστήματα και υλοποιήσεις. Υλοποίηση αλγορίθμων σε υλικό (hardware) ή λογισμικό (software). Εφαρμογές: equalisation, compression, reverberation, sampling rate conversion, noise reduction. 3. ΚΩΔΙΚΟΠΟΙΗΣΗ ΚΑΙ ΣΥΜΠΙΕΣΗ ΗΧΗ-ΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ. Τύποι αρχείων και οργάνωση ηχητικών δεδομένων. Συμπίεση με ή χωρίς απώλειες (Lossless/lossy data compression). Στοιχεία Υποκειμενικών Μεθόδων Συμπίεσης (φαινόμενο επικάλυψης). Κωδικοποιήσεις κατά MPEG-1 και Dolby AC-2. Πολυκαναλική κωδικοποίηση ήχου: Τυποποιήσεις MPEG-2 και Dolby AC-3. Μετάδοση ηχητικών δεδομένων μέσω δικτύων και εφαρμογές DAB. 4. ΣΥΣΤΗΜΑΤΑ ΟΠΤΙΚΩΝ ΔΙΣΚΩΝ. Χαρακτηριστικά και τεχνολογία δίσκων (ανάγνω-σης ή και εγγραφής). Υποσυστήματα και μηχανισμοί οπτικής ανάγνωσης. Κωδικοποίηση και οργάνωση δεδομένων. Τυποποιήσεις δίσκων CD (CD-DA, CD-ROM, CD-R, κ.λ.π.). Συστήματα δίσκων DVD, MD και SA-CD.

Eισαγωγή και αντίληψη κίνησης από τον άνθρωπο. Εκτίμηση κίνησης, οπτική ροή και κατάτμηση. Πρότυπo MPEG. Βελτίωση και αποκατάσταση video. Παρακολούθηση κινούμενων αντικειμένων. Φίλτρο kalman. Φίλτρο σωματιδίων. Aνάλυση περιεχομένου με τεχνικές μηχανικής μάθησης (νευρωνικά δίκτυα - deep convolutional neural networks), κρυπτομαρκοβιανά μοντέλα (hidden Markov Models) και δυναμικό προγραμματισμό (dynamic time warping). Ενδεικτικές Εφαρμογές: αναγνώριση χειρονομιών, αναγνώριση συμπεριφορών.

Κωδικοποίηση κειμένων. Αποστάσεις αλφαριθμητικών (edit-distance), αλγόριθμος Levenshtein. Κανονικές εκφράσεις (regular expressions). Αυτόματα πεπερασμένων καταστάσεων και μετατροπείς (transducers). Αυτόματη μορφολογική ανάλυση. Μορφολογική επεξεργασία με μετατροπείς πεπερασμένων καταστάσεων. Τυπικές γλώσσες και γραμματικές, ιεραρχία Chomsky, γλώσσα και πολυπλοκότητα, κανονικές γραμματικές (regular grammars) γραμματικές ανεξάρτητες συμφραζομένων (context free grammars). Αυτόματη συντακτική ανάλυση, Treebanks, Parsing, Αλγόριθμος CKY. Πιθανοτικές γραμματικές, στοχαστική συντακτική ανάλυση, πιθανοτικός αλγόριθμος CKY. Μοντέλα γλώσσας, N-grams, σώματα κειμένων. Πληροφοριακή μοντελοποίηση, πληροφορία, εντροπία, περιπλοκή (perplexity). Στοιχεία σημασιολογικής ανάλυσης, Οντολογίες, WordNet. Εφαρμογές ΥΓ, Interactive Fiction.

Μοντελοποίηση προβλημάτων βελτιστοποίησης με τεχνικές γραμμικού προγραμματισμού. Αλγόριθμος Simplex. Δυϊκή Θεωρία. Συμπληρωματική χαλαρότητα. Αλγόριθμος Dual – Primal Simplex. Ανάλυση ευαισθησίας. Ακέραιος Προγραμματισμός. Μέθοδος Branch & Bound. Το πρόβλημα του σακιδίου. Το πρόβλημα του πλανόδιου πωλητή. Τετραγωνικός Προγραμματισμός. Τεχνικές μοντελοποίησης με τη βοήθεια ακέραιων μεταβλητών. Ο αλγόριθμος Simplex για δίκτυα. Προβλήματα μεταφοράς και μεταφόρτωσης. Μέθοδος εσωτερικού σημείου. Προβλήματα Δικτυακών ροών.

Εισαγωγή στη Μπεϋζιανή Στατιστική. Η βασική ιδέα της Μπεϋζιανής Στατιστικής και η διαφορά από την κλασσική Στατιστική. Πλεονεκτήματα της Μπεϋζιανής Στατιστικής. Το Θεώρημα Bayes. Καθορισμός της εκ των προτέρων κατανομής: Μέθοδοι σχετικής πιθανοφάνειας, ιστογράμματος, προσαρμογή δεδομένης συναρτησιακής μορφής. Συζυγείς εκ των προτέρων κατανομές. Μη πληροφοριακές εκ των προτέρων κατανομές (ασαφείς, καταχρηστικές, κατανομές τού Jeffreys). Στοιχεία Στατιστικής Θεωρίας Αποφάσεων και Μπεϋζιανής Θεωρίας Αποφάσεων: συνάρτηση ζημίας, συνάρτηση κινδύνου, κανόνες αποφάσεων, κίνδυνος Bayes, κανόνας Bayes και απόφαση Bayes. Εκτιμητές Bayes (εκ των υστέρων μέση τιμή και διάμεσος, Έλεγχοι υποθέσεων (παράγοντας Bayes, προσαρμογή της εκ των προτέρων κατανομής για απλές υποθέσεις). Κατανομές πρόβλεψης. Μπεϋζιανή Συμπερασματολογία για κανονικούς πληθυσμούς.

Σειριακός και παράλληλος προγραμματισμός. Ορια υπολογιστικής ισχύος σε σειριακούς υπολογιστές, νόμος του Moore. Παράλληλος προγραμματισμός. Παραλληλοποίηση σειριακών υπολογισμών. Νόμοι των Amdahl και Gustafson. Υλικό πολλαπλών υπολογιστικών μονάδων, ταξινόμηση κατά Flynn. Δίκτυα υπολογιστών, vector processing, Multi-Core CPUs, GP-GPUs. Υπολογιστικά μοντέλα: Message-Passing, shared-Memory, Accelerators. Υλοποιήσεις: openΜPI (message passing interface), POSIX threads, OpenMP, openACC. Debugging. Παραδείγματα απλών υλοποιήσεων στους μεταγλωττιστές gcc, μεταγλωττιστές της PGI και Intel. Υλοποίηση στοχαστικών αλγορίθμων βελτιστοποίησης (simulated annealing, γενετικοί αλγόριθμοι, swarm algorithms) σε μηχανές παράλληλης επεξεργασίας. Εκπαίδευση νευρωνικών δικτύων μεγάλης κλίμακας (Deep-Learning). Παράλληλη επεξεργασία σε Big-Data: Συστήματα σύστασης (Recommender Systems), Ανάλυση γονιδιακών ακολουθιών. Το μάθημα περιλαμβάνει και εργαστηριακό μερός σε προβλήματα μηχανικής μάθησης.

Εισαγωγικά θέματα δικτύων αισθητήρων (τεχνολογικά ζητήματα, χαρακτηριστικές εφαρμογές, προκλήσεις για τον κατανεμημένο υπολογισμό, αλγοριθμικές ιδιότητες: ορθότητα, αποδοτικότητα, ανοχή σε λάθη). Μοντέλα και μετρικές ανάπτυξης δικτύων αισθητήρων, τοπολογίες, θέματα συνεκτικότητας και κάλυψης. Αλγόριθμοι για μετάδοση δεδομένων Ι (δεδομενο-κεντρικοί αλγόριθμοι, τεχνικές ομαδοποίησης). Αλγόριθμοι για μετάδοση δεδομένων ΙI (άπληστες και πιθανοτικές τεχνικές). Αλγόριθμοι και τεχνικές για διαχείριση και εξισορρόπηση ενέργειας. Αλγόριθμοι γεωγραφικής μετάδοσης δεδομένων και αλγόριθμοι αποφυγής εμποδίων. Κινητά δίκτυα αισθητήρων. Αλγόριθμοι προσδιορισμού θέσης. Ασύρματη μεταφορά ενέργειας. Το Διαδίκτυο των Αντικειμένων (ΙοΤ): τεχνολογία, σχεδιαστικές αρχές, συστήματα και εφαρμογές. Επιλεγμένα θέματα Τεχνητής Νοημοσύνης των Πραγμάτων (Αrtificial Ιntelligence of Things - AIoT). Εφαρμογές ΑΙοΤ στην ψηφιακή υγεία (digital health). Εφαρμογές ΑΙοΤ στην βιομηχανία (digital factories). Εφαρμογές ΑΙοΤ σε έξυπνες πόλεις (smart cities). Προγραμματιστικές εργαστηριακές ασκήσεις: υλοποίηση αλγορίθμων, εφαρμογές αναγνώρισης δραστηριότητας μέσω διαφορετικών συσκευών, ανάπτυξη IoT σεναρίων μέσω ασύρματων αισθητήρων.

Δεν θα προσφερθεί κατά το τρέχον ακαδημαϊκό έτος.

Δεν θα προσφερθεί κατά το τρέχον ακαδημαϊκό έτος. Το περιεχόμενο του μαθήματος καθορίζεται από έκτακτους παράγοντες όπως: Ανάγκη διδασκαλίας κάποιου αναδυόμενου γνωστικού αντικειμένου που δεν καλύπτεται επαρκώς από άλλα μαθήματα, Διαθεσιμότητα διδασκόντων (κυρίως επισκεπτών καθηγητών), κλπ.