Αντικείμενο του μαθήματος είναι ο τομέας της Τεχνητής Νοημοσύνης που ονομάζεται Μηχανική Μάθηση η οποία αφορά μεθόδους αναπαράστασης και αλγορίθμους για την εξαγωγή διαφόρων ειδών γνώσης από δεδομένα. Οι εφαρμογές της είναι διάφορες, κυρίως στην ανάλυση δεδομένων, συχνά στα πλαίσια συστημάτων υποστήριξης αποφάσεων. Εφαρμογή της σε μεγάλες βάσεις δεδομένων αποτελεί η Εξόρυξη Δεδομένων (Data Mining) ή Ανακάλυψη Γνώσης σε Βάσεις Δεδομένων (Knowledge Discovery in Databases).

Introduction to decentralized technologies. Classification of decentralized ledger technologies. Emphasis on privacy and security aspects of decentralization Introduction to Blockchain Technology Introduction to Bitcoin Scripting, Etherium, Hyperledger implementations Emphasis on hands-on and co-working experience 

Χωρικές και Πολυμεσικές Βάσεις Δεδομένων με έμφαση σε δεδομένα μεγάλης διάστασης, Μοντέλα και Γλώσσες για Χωρικές Βάσεις Δεδομένων (ΒΔ), Αρχεία και Κατάλογοι για Χωρικές ΒΔ, Επεξεργασία και Βελτιστοποίηση Ερωτημάτων σε Χωρικές ΒΔ, Χωρικά Δίκτυα, Ανάκτηση Πληροφορίας, Πληροφοριακά Συστήματα με βάση το περιεχόμενο, Τεχνικές ευρετηρίασης πολυδιάστατων δεδομένων, Β-Δέντρα και οι παραλλαγές τους, Persistent Δέντρα, Buffer Δέντρα, R-Δέντρα και οι παραλλαγές τους, X-Δέντρα, M-Δέντρα, Slim-Δέντρα, Αλγόριθμοι επεξεργασίας ερωτημάτων ομοιότητας σε πολυδιάστατους χώρους, Αλγόριθμοι επεξεργασίας ερωτημάτων ομοιότητας σε μετρικούς χώρους, Ερωτήματα προτίμησης (top-k, skylines), Τεχνικές κατακερματισμού. Spatial and Multimedia Databases with emphasis on high dimensional data, Spatial Data Models, Spatial Query Languages, Spatial Storage and Indexing, Spatial Query Processing Algorithms and Optimization, Spatial Networks, Information Retrieval, Content-based Information Systems, Multidimensional Indexing Techniques, B-Trees and their variants, persistent trees, buffer trees, R-Trees and their variants, X-Trees, M-Trees, Slim-Trees, Similarity Query Processing Algorithms in Multidimensional Spaces, Similarity Query Processing Algorithms in Metric Spaces, Preference Queries (top-k, skylines), hash indexing techniques. 

Η ανάλυση Κοινωνικών Δικτύων είναι μία τεχνική-κλειδί (σχετίζεται με τη θεωρία δικτύων) για τη μέτρηση και απεικόνιση των σχέσεων και των ροών ανάμεσα σε ανθρώπους, ομάδες, επιχειρήσεις, ηλεκτρονικούς υπολογιστές ή οποιεσδήποτε άλλες μονάδες επεξεργασίας γνώσης και πληροφορίας

Αντικείμενο του μαθήματος είναι ο Σημασιολογικός Ιστός, ο οποίος αποτελεί το επόμενο μεγάλο βήμα εξέλιξης στο διαδίκτυο. Η ανάπτυξη του Παγκόσμιου Ιστού (World Wide Web) κατέστησε το διαδίκτυο προσβάσιμο σε εκατομμύρια χρήστες, επιτρέποντας την απρόσκοπτη δημοσιοποίηση και πρόσβαση σε έγγραφα στο διαδίκτυο. Η εκρηκτική ανάπτυξη του Παγκόσμιου Ιστού δημιούργησε προβλήματα "πληροφοριακής υπερφόρτισης". Η παγκόσμια ερευνητική κοινότητα έχει στραφεί εδώ και αρκετά χρόνια σε μία νέα κατεύθυνση εξέλιξης του ιστού, η οποία ονομάζεται "Σημασιολογικός Ιστός " (Semantic Web) και περιλαμβάνει τη σαφή αναπαράσταση του νοήματος των πληροφοριών και των εγγράφων, επιτρέποντας την αυτόματη επεξεργασία και ενοποίηση διαδικτυακών πόρων από "έξυπνα" προγράμματα-πράκτορες. Ο Σημασιολογικός Ιστός θα επιτρέψει τον γρήγορο και ακριβή εντοπισμό πληροφοριών στον παγκόσμιο ιστό καθώς και την ανάπτυξη ευφυών διαδικτυακών πρακτόρων οι οποίοι θα διευκολύνουν την επικοινωνία μεταξύ πληθώρας ετερογενών ηλεκτρονικών συσκευών με πρόσβαση στο διαδίκτυο. Η κεντρική ιδέα είναι η ύπαρξη δεδομένων στον ιστό, οριζόμενων και συνδεδεμένων με έναν τρόπο που να επιτρέπει την αποδοτική ανακάλυψη, αυτοματοποίηση, ενσωμάτωση και επαναχρησιμοποίηση τους μέσω διαφόρων εφαρμογών χωρίς να είναι απαραίτητη η ανθρώπινη παρέμβαση.

Στατιστικές μέθοδοι στην ανάλυση δεδομένων με χρήση της γλώσσας R: Περιγραφική στατιστική και γραφική απεικόνιση δεδομένων. Κατανομές διακριτές και συνεχείς, παραγωγή τυχαίων αριθμών και κατανομές. Στατιστική συμπερασματολογία με παραμετρικές και μη-παραμετρικές μεθόδους. Έλεγχοι υποθέσεων και διαστήματα εμπιστοσύνης με μεθόδους επαναδειγματοληψίας. Μοντέλα παλινδρόμησης (γραμμική παλινδρόμηση και γενικευμένα μοντέλα για εξαρτημένες μεταβλητές συνεχείς, δυαδικές, κατηγορικές και απαρίθμησης και μικτές ανεξάρτητες). Μη-παραμετρική παλινδρόμηση. Πολυμεταβλητή ανάλυση: Ανάλυση παραγόντων, ανάλυση συστάδων και ανάλυση αντιστοιχιών.

Το μάθημα εστιάζει σε τεχνικές εξόρυξης δεδομένων που αφορά σε μεγάλα σύνολα δεδομένων. Έμφαση δίνεται στις αλγοριθμικές τεχνικές. 

• Introduction to the basic concepts of information and data management within World Wide Web.
• 1.Web Structure Mining (Web as a Graph, Network Measures & Models
• Web Content Mining (Data Mining, Sentiment & Opinion Mining)
• Web Usage Mining (Information Diffusion, Influence & Homophily)
• Hybrid Mining (Behavior Analytics, Pattern Discovery, Fairness)

• Connection to research and industry through guest lectures - Skills Building through hands-on mini-projects

TBD