Σύγχρονες τεχνικές τεκμηρίωσης, διαχείρισης, και ανάκτησης οπτικοακουστικού περιεχομένου μέσω κατάλληλων δομών μεταδεδομένων, συμπεριλαμβανομένων παραμέτρων ανάλυσης (features) που προέρχονται από το ίδιο το περιεχόμενο. Αλγόριθμοι μηχανικής μάθησης για τη σημασιολογική επεξεργασία και ταξινόμηση των οπτικοακουστικών πληροφοριών. Υβριδικά /πολυτροπικά συστήματα αναζήτησης, συσχέτισης, ανάκτησης και ανάλυσης πολυμεσικών δεδομένων βάσει περιεχομένου (content-based). Μέθοδοι σύνοψης (highlighting) και σημασιολογικής παρουσίασης οπτικοακουστικού περιεχομένου και δη πολυκαναλικών καταγραφών μεγάλης διάρκειας. 

Συστήματα διασφάλισης της εμπιστευτικότητας στο διαδίκτυο των πραγμάτων με τη χρήση τεχνολογιών blockchain 

Βασικά στοιχεία “Βασικού Σχεδίου“ (BAUHAUS): Σημείο, Γραμμή, Επίπεδο, Φόρμα, Ρυθμός, Χώρος, Σύνθεση, Χρυσές Τομές.Χρώμα, Χρωματικά Συστήματα, Χρωματικός Κύκλος του ITTEN. Συμπληρωματικά, Αντίθετα, Χρωματικές Αντιθέσεις, Ποσοτικές τροποποιήσεις, Καλλιτεχνικά παραδείγματα. Εικαστική Σύνθεση με κείμενο. Χρώμα και Γραφή. Εικαστική Σύνθεση για Ιστοσελίδες. Διαδικασία σχεδίασης δικτυακού τόπου - Διαδιακασία παραγωγής δικτυακού τόπου -Θεωρία υπερκειμένου/ιστοσελίδων – Βασικά στοιχεία HTML Σχεδίαση διεπιφάνειας χρήστη (δομή, πλοήγηση) - Σχεδίαση δικτυακού τόπου. Συστήματα Διαχείρισης Περιεχομένου (Content Management Systems) Εφαρμογές δημιουργίας και διαχείρισης δικτυακών τόπων. Δημοσίευση δικτυακού τόπου - Διαχείριση δικτυακού τόπου. Ολοκληρωμένο παράδειγμα δημιουργίας δικτυακού τόπου.

Το μάθημα αποτελεί μέρος του ΔΔΠΜΣ "Προηγμένα Συστήματα Υπολογιστών και Επικοινωνιών".

Περιλαμβάνει τα ακόλουθα:

• Σύντομη εισαγωγή σε συστήματα πολυμέσων (συμπεριλαμβανομένων τεχνικών ψηφιοποίησης, κβαντισμού, συμπίεσης, αποθήκευσης και μετάδοσης και αναπαραγωγής πολυμέσων).
• Μελέτη νέων τεχνολογιών δεικτοδότησης και αναζήτησης πολυμέσων με βάση το περιεχόμενο καθώς και τεχνικών αυτόματου χαρακτηρισμού πολυμέσων για αναζήτηση σε σημασιολογικό επίπεδο.

Εισαγωγή στην αρχιτεκτονική, τους αλγορίθμους και τον προγραμματισμό για παράλληλα και κατανεμημένα υπολογιστικά συστήματα και το Διαδίκτυο των Πραγμάτων. Γενική επισκόπηση της αρχιτεκτονικής των παράλληλων υπολογιστών με έμφαση στα ενσωματωμένα συστήματα. Αρχιτεκτονικές κατανεμημένης μνήμης. Αλγόριθμοι για κατανεμημένη δειγματοληψία και επεξεργασία μαζικών δεδομένων. Προγραμματιστικά περιβάλλοντα ανάπτυξης εφαρμογών σε υπολογιστικό νέφος. Τεχνολογίες και εφαρμογές του το Διαδικτύου των Πραγμάτων. 

Ασφάλεια στο διαδίκτυο, πρωτόκολλα, Ασφάλεια ΙΟΤ, τεχνολογίες ανακάλυψης εισβολέων.

Σκοπός του μαθήματος είναι να εισάγει τους φοιτητές στις βασικές έννοιες των τεχνικών εξόρυξης γνώσης από δεδομένα σε διάφορα πεδία εφαρμογής. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να γνωρίζουν την εφαρμογή διαδεδομένων τεχνικών ταξινόμησης (classification), ομαδοποίησης (clustering), εξόρυξης κανόνων συσχέτισης (association rule mining), αναγνώριση ανωμαλιών (anomaly detection), παλινδρόμησης (regression) και σύνοψη δεδομένων (summarization) σε SQL και NoSQL συστήματα. Έμφαση θα δοθεί κυρίως σε θέματα ταξινόμησης και ομαδοποίησης, ενώ θα μελετηθούν και θέματα προ-επεξεργασίας δεδομένων, μείωσης διαστάσεων, και αξιολόγησης μοντέλων. Για την αντιμετώπιση των προβλημάτων θα παρουσιαστεί στο μάθημα και θα χρησιμοποιηθεί στις εργασίες η γλώσσα προγραμματισμού R. 

Στόχος του μαθήματος είναι η εισαγωγή στις βασικές αρχές στην υπολογιστική νευροεπιστήμη. Η επιστημονική αυτή περιοχή γνωρίζει σημαντική άνθηση τα τελευταία χρόνια, και αποτελεί πεδίο σύζευξης μεταξύ της νευροφυσιολογίας και ανατομίας του κεντρικού συστήματος από την μεριά της ιατρικής επιστήμης και των μεθόδων μηχανικής μάθησης και ανάλυσης σημάτων από την πλευρά της υπολογιστικής στατιστικής, πληροφορικής και μηχανικής. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να αποκτήσουν γνώσεις καθώς και υπολογιστική κατάρτιση στα παρακάτω γνωστικά αντικείμενα: α) Ανατομία του κεντρικού νευρικού συστήματος και λειτουργική οργάνωση του εγκεφάλου, ιατρική απεικόνιση. β) Δυναμικές παθήσεις, όπως επιληψία. γ) Προσεγγίσεις με διαταραχή στον εγκέφαλο και προκλητά δυναμικά. δ) Επεξεργασία και ανάλυση σημάτων από τον εγκέφαλο, συνδεσιμότητα και δίκτυα εγκεφάλου. ε) Διασύνδεση ανθρώπου-μηχανής και μελέτη του συναισθήματος μέσα από την εφαρμοσμένη νευροεπιστήμη.

Μέθοδοι και πρακτικές αξιολόγησης της γνησιότητας ψηφιακού περιεχομένου με σκοπό τον εντοπισμό πιθανών παραποιήσεων (content alteration /tampering) που συνδέονται με το ανεπιθύμητο φαινόμενο των ψευδών ειδήσεων (fake news). Ανάλυση σχετικών στρατηγικών και αλγορίθμων ανάλυσης κειμένου, εικόνων, ήχου, βίντεο και σύνθετων /μη γραμμικών δομών πολυμέσων με περισσότερες από μία μορφές περιεχομένου. Προσεγγίσεις εντοπισμού πιθανών μηνυμάτων /πληροφοριών που δημιουργούνται αυτόματα από μηχανές (machine generated content). Παραδείγματα, εφαρμογές και εργαλεία της «Ψηφιακής Εγκληματολογίας» (Digital Forensics), και αντίμετρα /πολιτικές συγκάλυψης των παραποιήσεων περιεχομένου (anti- or counter-forensics).

Στόχος του μαθήματος είναι η κατανόηση της θεωρίας και των εφαρμογών των εξελικτικών αλγορίθμων, που αποτελούν σύγχρονα εργαλεία επίλυσης σύνθετων προβλημάτων βελτιστοποίησης. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να: α) γνωρίζουν τις αρχές λειτουργίας παραδοσιακών εξελικτικών αλγορίθμων, όπως οι γενετικοί αλγόριθμοι (genetic algorithms), εξελικτικές στρατηγικές (evolutionary strategies) κ.ά., β) γνωρίζουν τους βασικούς μετα-ευρετικούς (metaheuristic) αλγορίθμους της εξελικτικής υπολογιστικής, όπως η βελτιστοποίηση σμήνους σωματιδίων (particle swarm intelligence), η βελτιστοποίηση αποικίας μυρμηγκιών (ant colony optimization) κ.ά., γ) μπορούν να υλοποιήσουν προγραμματιστικά τους διάφορους αλγορίθμους, δ) κατανοούν τις διαφορές μεταξύ των αλγορίθμων και να επιλέγουν το βέλτιστο για κάθε πρόβλημα αλγόριθμο και ε) αποκτήσουν ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων βελτιστοποίησης με τη χρήση τεχνικών της εξελικτικής υπολογιστικής.

Το εξαμηνιαίο  μάθημα καλύπτει ένα ευρύ φάσμα σύγχρονων τεχνολογιών και τεχνικών που χρησιμοποιούνται στη διαδικασία της μουσικής παραγωγής και της μουσικής επένδυσης κινούμενης εικόνας όπως: Αρχιτεκτονική και συνδεσμολογίες συστημάτων MIDI & Digital Audio. Λογισμικό και τεχνικές πολυκάναλης ηχογράφησης. Ψηφιακή επεξεργασία του ήχου. Τεχνικές mixing & mastering. Μουσική επένδυση κινούμενης εικόνας, γραφικών και σχεδίων.

Το εργαστηριακό μάθημα στοχεύει στην εξοικείωση των συμμετεχόντων με τις τεχνολογίες παραγωγής οπτικοακουστικού υλικού σε όλα τα σύγχρονα format DVD. Μετά από συγκριτική μελέτη και ανάλυση των διάφορων format ακολουθεί ολοκληρωμένη παραγωγή δίσκου DVD, με την εκμετάλλευση όλων των διαθέσιμων δυνατοτήτων που προσφέρουν τα συγκεκριμένα πρότυπα για παρουσίαση, προστασία και διανομή του υλικού. 

Εικαστικές κατασκευές/ Τεχνική κατασκευής rain stick

Στο συγκεκριμένο μάθημα μελετάται και προσεγγίζεται διεπιστημονικά  η  ηλεκτρονική και εξ αποστάσεως εκπαιδευτική διαδικασία και η χρήση των Τεχνολογιών Πληροφορίας της Επικοινωνίας.

Στο πρώτο μέρος του μαθήματος, γίνεται αναφορά στις θεωρίες μάθησης, τα μαθησιακά στιλ και τα είδη  τυπικής και μη τυπικής εκπαίδευσης. Εξετάζονται οι στρατηγικές διδασκαλίας και μάθησης, παρουσιάζονται σενάρια και μοντέλα ηλεκτρονικής και εξ αποστάσεως εκπαίδευσης και αναλύονται τα μειονεκτήματα και πλεονέκτηματα τους. Γίνεται ιστορική επισκόπηση της εκπαιδευτικής τεχνολογίας και παρουσιάζονται τα βασικά εργαλεία, συστήματα και επικοινωνιακές τεχνολογίες που υποστηρίζουν όλα τα σενάρια ηλεκτρονικής εκπαίδευσης.

Το δεύτερο μέρος του μαθήματος απαιτεί κριτική ανάλυση και αξιολόγηση ηλεκτρονικών μαθησιακών περιβαλλόντων και στη συνέχεια καλούνται οι συμμετέχοντες να εργαστούν ατομικά ή ομαδικά και να χρησιμοποιήσουν εργαλεία που διδάχθηκαν και με τις γνώσεις που απέκτησαν να σχεδιάσουν ηλεκτρονικό μαθησιακό υλικό για συγκεκριμένο σενάριο διδασκαλίας.

Το

Το περιεχόμενο του μαθήματος περιλαμβάνει: Εισαγωγικά στη θεωρία εκτίμησης. Βασικά θέματα εκτίμησης παραμέτρων στατικών συστημάτων (γραμμικών και μη γραμμικών). Βασικά θέματα εκτίμησης καταστάσεων και παραμέτρων δυναμικών συστημάτων (γραμμικών και μη γραμμικών). Εξισώσεις διάδοσης και εκτίμησης. Φίλτρο Kalman και Εxtended Kalman filter.

Partition theorem και φίλτρα βασισμένα σε αυτό. Συστήματα πολλών μοντέλων. Φίλτρο Bayes και particle filter. Τελεστές για την δειγματοληψία (sampling), την επαναδειγματοληψία (resampling) και του importance factor. Ενδεικτικές εφαρμογές: Αναγνώριση υφής σε εικόνα και βίντεο. Structure from motion. Πρόβλεψη φορτίου. Mobile Robotics -SLAM (Simultaneous Localization and Mapping). Αναγνώριση δυναμικών συστημάτων, Ταξινόμηση εγκεφαλογραφημάτων, Αναγνώριση δραστηριότητας από βίντεο (action recognition).

Με το πέρας των διαλέξεων αναμένεται οι φοιτητές α) να γνωρίζουν την βασική θεωρία και τους αλγορίθμους των παραπάνω θεμάτων, β) να αποκτήσουν ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων εκτίμησης, γ) να επιλέγουν τον κατάλληλο για κάθε πρόβλημα αλγόριθμο και δ) να μπορούν να υλοποιήσουν προγραμματιστικά τους αλγορίθμους.