Το μάθημα εξετάζει καταρχάς την εξέλιξη των κύριων ρευμάτων της σύγχρονης τέχνης από τα μέσα του 19ου αιώνα έως σήμερα, εστιάζοντας στις εκφραστικές καινοτομίες τους, αλλά και στις συνέπειές τους στο νόημα και το ρόλο της τέχνης. Ακολούθως, εξετάζεται η εξέλιξη των οπτικοακουστικών μέσων, και ειδικότερα του κινηματογράφου, της τηλεόρασης και των ψηφιακών μέσων, εστιάζοντας στις κύριες αισθητικές συμβάσεις τους και κοινωνικές τους χρήσεις. 

Εισαγωγή στην αρχιτεκτονική και αλγορίθμους για παράλληλα και κατανεμημένα υπολογιστικά συστήματα υψηλής αποδοτικότητας. Γενική επισκόπηση της αρχιτεκτονικής των παράλληλων υπολογιστών και καλύπτουμε βασικές έννοιες από τη θεωρία δικτύων. Αρχιτεκτονικές κατανεμημένης μνήμης, πολυπύρηνων επεξεργαστών και επεξεργασία με κάρτες γραφικών. Αριθμητικές πράξεις με μήτρες, επίλυση γραμμικών συστημάτων με πολυπληθή ή διεσπαρμένα στοιχεία, υπολογισμό ιδιοτιμών και ιδιοδιανυσμάτων, ταξινόμηση και αναζήτηση, μετασχηματισμοί Fourier, wavelet, και Multipole. Διασυνδετικά συστήματα προγραμματισμού με pthreads, MPI, και CUDA. 

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. 

Ανίχνευση και αξιολόγηση των δικαιωμάτων που εμπλέκονται στη διαδικασία δημιουργίας και διανομής προστατευόμενου περιεχομένου στο διαδίκτυο και τα νέα μέσα. Εισαγωγή στο γενικό δίκαιο της πνευματικής ιδιοκτησίας, ανάλυση ζητημάτων προστασίας πνευματικής ιδιοκτησίας στον τομέα της πληροφορικής, του διαδικτύου και των νέων μέσων.

Το μάθημα αποτελεί εισαγωγή στα συστήματα εικονικής και επαυξημένης πραγματικότητας. Σκοπός του μαθήματος είναι να εξοικειωθούν οι διδασκόμενοι με συσκευές Εικονικής και Επαυξημένης Πραγματικότητας (ΕΕΠ) και να αποκτήσουν αντίστοιχη γνώση που να αφορά στο σχεδιασμό και την ανάπτυξη εφαρμογών ΕΕΠ και εφαρμογών επαυξημένης πραγματικότητας για κινητά, με τη χρήση τεχνολογιών οπτικής, απτικής και ακουστικής αναπαράστασης. Με την ολοκλήρωση του μαθήματος, οι φοιτητές/τριες αναμένεται να μπορούν να: α) Αναγνωρίζουν τις διάφορες συσκευές εισόδου και εξόδου εικονικής πραγματικότητας, καθώς και τις πιθανές χρήσεις τους. β) Κατανοούν τις αρχές των τεχνολογιών οπτικής, απτικής και ακουστικής αναπαράστασης γ) Είναι σε θέση να μοντελοποιούν αντικείμενα και περιβάλλοντα εικονικής πραγματικότητας δ) Κατανοούν τους μηχανισμούς που είναι απαραίτητοι για την υποστήριξη τεχνολογιών επαυξημένης πραγματικότητας μέσω της χρήσης συσκευών εικονικής πραγματικότητας και μέσω κινητών τηλεφώνων. ε) Αποκτήσουν ικανότητες σχεδίασης και ανάπτυξης εφαρμογών Εικονικής /Επαυξημένης Πραγματικότητας 

Το μάθημα αποτελεί μια εισαγωγή στις τεχνικές και τη μεθοδολογία σχεδίασης, ανάπτυξης, υλοποίησης και ελέγχου έργων λογισμικού. Με την ολοκλήρωση του μαθήματος, οι φοιτητές/τριες αναμένεται να μπορούν να: α) Αναγνωρίζουν τους διάφορους τύπους απαιτήσεων λογισμικού και να ολοκληρώσουν τη συγγραφή απαιτήσεων για ένα απλό έργο, β) Παρακολουθούν τις φάσεις της διαδικασίας λογισμικού, γ) Εκφράζουν τυπικά μοντέλα προδιαγραφών, δ) Επιλέγουν πρότυπα σχεδίασης και να καθορίζουν τις αντίστοιχες διεπαφές ανάμεσα στα υποσυστήματα, ε) Χειρίζονται state-of-the-art εργαλεία ανάπτυξης λογισμικού. Έμφαση θα δοθεί σε έργα τύπου Υπηρεσίας ως Λογισμικό (Software as a Service). 

Το μάθημα έχεις ως στόχο να προσφέρει μία εισαγωγή σε τεχνικές και αλγόριθμους μηχανικής μάθησης, τόσο σε ότι αφορά το θεωρητικό τους υπόβαθρο, όσο και την πρακτική τους εφαρμογή. 

Ενδεικτικά το μάθημα θα περιλαμβάνει:

• Γραμμική παλινδρόμηση μίας και πολλών μεταβλητών, καθώς και μη γραμμικές παραλλαγές τους
• Λογιστική παλινδρόμηση για ταξινόμηση
• Έλεγχος χωρητικότητας και ομαλοποίηση (regularization)
• Μη παραμετρικούς ταξινομητές και εισαγωγή στους SVM
• Μη γραμμικούς SVM και πυρήνες
• Παραλλαγές των SVM
• Συνδυαστικές μεθόδους (ensemble learning)
• Αλγόριθμους Random forests, EXTRA trees, gradient boosting trees
• Εφαρμογή στην πράξη, επιλογή υπερπαραμέτρων και μετρικές αξιολόγησης

Τα ακριβή περιεχόμενα της θεωρίας θα προσαρμοστούν στις ανάγκες του μαθήματος. Το μάθημα θα περιλαμβάνει κώδικα με πρακτικά παραδείγματα στη γλώσσα python με χρήση της βιβλιοθήκης scikit-learn.

Η βαθμολόγηση του μαθήματος θα γίνει με ατομικές εργασίες που θα δοθούν κατά τη διάρκεια του εξαμήνου.

Εισαγωγή στους άξονες ταχείας ανάπτυξης λογισμικού. Τεχνικές αυτοματοποίησης της διαδικασίας ανάπτυξης λογισμικού. Αυτοματοποίηση της διαδικασίας ελέγχου λογισμικού. Ταχεία προτυποποίηση. Πλατφόρμες χαμηλού κώδικα. Μοντελοστρεφής σχεδίαση λογισμικού. Γλώσσες πεδίου. Γλώσσες περιορισμών. Λογική πρώτης τάξης. Αυτοματοποίηση υπηρεσιοστρεφών αρχιτεκτονικών. Εφαρμογή στο πεδίο της ρομποτικής και στο διαδίκτυο των πραγμάτων. 

Ο στόχος του μαθήματος είναι να παρουσιάσει στους φοιτητές τις βασικές αρχές της τεχνολογίας των κατανεμημένων υπολογιστικών συστημάτων που χρησιμοποιούνται για την υλοποποίηση της υπολογιστικής νέφους και πλέγματος. Τα συστήματα αυτά αποτελούν την τεχνολογία με την οποία μπορούν να αναπτυχθούν οι σύγχρονες εφαρμογές ηλεκτρονικού εμπορίου και ηλεκτρονικού επιχειρείν. Η ύλη του μαθήματος είναι η ακόλουθη: Εισαγωγή στα κατανεμημένα υπολογιστικά συστήματα. Εικονικοποίηση (Virtualization). Διαχείριση κατανεμημένων συστημάτων που στηρίζονται σε λειτουργικό σύστηαμα Linux. Ubundu Linux. Αρχιτεκτονική συστημάτων προσαρμοσμένων σε παροχή υπηρεσιών (Service-Oriented Architectures). Υπηρεσίες ιστού (Web Services). Εργαλεία ανάπτυξης υπηρεσιών ιστού. Υπολογιστική νέφους(Cloud Computing). Προγραμματισμός εφαρμογών νέφους. Google Application Engine. Haddoop Cluster. Υπολογιστική πλέγματος. Εικονικοί οργανισμοί. Με την ολοκλήρωση του μαθήματος οι φοιτητέ αναμένεται να μπορούν να δημιουργούν εικονικούς σταθμούς εργασίας σε εμπορικά διαθέσιμα υπολογιστικά μέσα νέφους και πλέγματος και να προγραμματίζουν εφαρμογές.

Αντικείμενο του μαθήματος είναι η αλληλεπίδραση ανθρώπου-υπολογιστή στα σύγχρονα υπολογιστικά συστήματα. Η αλληλεπίδραση ανθρώπου – υπολογιστή είναι ο Επιστημονικός κλάδος ο οποίος ασχολείται με το σχεδιασμό, την αξιολόγηση και την υλοποίηση αλληλεπιδραστικών υπολογιστικών συστημάτων που προορίζονται για ανθρώπινη χρήση και τη μελέτη των σημαντικών φαινομένων που την περιβάλλουν. Ως διεπαφή αναφέρουμε το σύνολο των στοιχείων ενός υπολογιστικού συστήματος με τα οποία ο χρήστης έρχεται σε επαφή και αλληλεπιδρά. Στα πλαίσια του μαθήματος θα εξεταστούν σύγχρονες τεχνολογίες διεπαφής (φυσική γλώσσα, αναγνώριση / σύνθεση φωνής, αναγνώριση / σύνθεση χειρονομιών, κ.λ.π.) και συνδυασμοί τους για την υλοποίηση νέων πολυτροπικών διεπαφών χρήσης. Βασικός στόχος του μαθήματος είναι η εισαγωγή στις βασικές έννοιες, τις τεχνολογίες, τους κανόνες, τις αρχές σχεδιασμού και τα εργαλεία των σύγχρονων μονοτροπικών και πολυτροπικών τεχνολογιών αλληλεπίδρασης ανθρώπου-υπολογιστή. Το μάθημα έχει ως στόχο επίσης να προσδιορίσει το περίγραμμα των απαιτούμενων γνώσεων για την αποτελεσματική ανάλυση, σχεδίαση και υλοποίηση διεπαφών αλληλεπίδρασης, καθώς και να προσδιορίσει τα ιδιαίτερα χαρακτηριστικά των διαφόρων τεχνολογιών για χρήση σε ένα μεγάλο εύρος εφαρμογών. 

Το περιεχόμενο του μαθήματος περιλαμβάνει: Εισαγωγή στα τεχνητά νευρωνικά δίκτυα και εφαρμογές. Δομές τεχνητών νευρωνικών δικτύων. Το perceptron, νευρωνικά δίκτυα πολλών βαθμίδων, δίκτυα radial basis. Διαδικασίες εκπαίδευσης. Ο αλγόριθμος εκπαίδευσης backpropagation, ποιοτική συμπεριφορά και τροποποιήσεις. Ακολουθιακή και ομαδική εκπαίδευση. Προβλήματα εκπαίδευσης και μέθοδοι αντιμετώπισης αυτών. Διαδικασίες αποτίμησης εκμάθησης,. Σχεδίαση αρχιτεκτονικής νευρωνικών δικτύων. Δυναμικά νευρωνικά δίκτυα και μέθοδοι εκπαίδευσης τους. Πολλαπλά νευρωνικά δίκτυα.. Deep learning και πιο συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (CNN - Convolutional Neural Networks). Δομή των συνελικτικών νευρωνικών δικτύων. Είδη ενδιάμεσων και τελικών στρωμάτων. Τεχνικές pre-processing και βελτιστοποίησης. 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 ταξινόμησης (Classification Problems), ανάλυσης και πρόβλεψης χρονοσειρών (Time Series Analysis and Prediction) και προβλημάτων ομαδοποίησης (Clustering Problems) με χρήση Νευρωνικών Δικτύων, γ) να επιλέγουν τον κατάλληλο για κάθε πρόβλημα αλγόριθμο και δ) να μπορούν να υλοποιήσουν προγραμματιστικά τους αλγορίθμους,

Στόχος του μαθήματος είναι η εισαγωγή και μελέτη των διαφόρων μεθοδολογιών της ασαφούς λογικής και των ασαφών συστημάτων, καθώς και εφαρμογές τους σε προβλήματα μοντελοποίησης συστημάτων και ταξινόμησης/ομαδοποίησης δεδομένων. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να:

• α) γνωρίζουν τις βασικές έννοιες ασαφών συνόλων, βασικά θεωρήματα και τελεστές ανάλυσης ασαφών συνόλων, ασαφείς σχέσεις και τελεστές σύνθεσης ασαφών σχέσεων.
• β) γνωρίζουν τις βασικές αρχές ασαφούς λογικής, ασαφείς IF/THEN κανόνες, σχέσεις επαγωγής, συνθετικούς κανόνες εξαγωγής συμπεράσματος, ασαφείς βάσεις κανόνων, συνθετική και επιμεριστική μέθοδος εξαγωγής συμπεράσματος.
• γ) γνωρίζουν την δομή των ασαφών συστημάτων, μεθόδους διαμερισμού του τμήματος υπόθεσης, μορφές ασαφοποιητών και από-ασαφοποιητών.
• δ) θα έχουν μελετήσει αναλυτικά και προγραμματιστικά τις βασικές μορφές ασαφών μοντέλων TSK καθώς και διαφόρους αλγορίθμους εκμάθησης ασαφών-νευρωνικών δικτύων. ε) έχουν αποκτήσει ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων, όπως η ασαφής μοντελοποίηση δυναμικών, η ανάπτυξη ασαφών ταξινομητών για την ταξινόμηση δεδομένων καθώς και η χρήση τεχνικών ασαφούς ομαδοποίησης δεδομένων.