Διαχείριση πτυχιακών εργασιών

Εισαγωγή. Κίνηση στερεού σώματος και ομογενείς μετασχηματισμοί. Πρόσω και αντίστροφη κινηματική. Κινηματική ταχύτητας- Χειρισμός των Ιακωβιανών. Σχεδιασμός τροχιάς και πλοήγηση. Δυναμική. Αντίληψη. Έλεγχος. Πολυδιάστατος Έλεγχος. Έλεγχος βασισμένος στην όραση. Εντοπισμός κινούμενων ρομπότ (Πιθανοκρατικός, Ταυτόχρονος εντοπισμός και απεικόνιση με χρήση φίλτρων Kalman).

Στον συγκεκριμένο εκπαιδευτικό χώρο υποστηρίζεται - η εκμάθηση πολυμεσικών τεχνολογιών - η ενημέρωση των φοιτητών που ενδιαφέρονται για τα Συστήματα Πολυμέσων και την τις Τεχνολογίες Μάθησης

Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών σε προπτυχιακό επίπεδο με τις βασικές αρχές και τεχνολογίες του Σημασιολογικού Ιστού, καθώς και η εξειδίκευσή τους στις παραπάνω τεχνολογίες μέσω της απόκτησης δεξιοτήτων ανάπτυξης και διαχείρισης σημασιολογικών μοντέλων, επεξεργασίας και εξαγωγής συμπερασμάτων, ανάκτησης πληροφορίας από γράφους γνώσης. Επίσης, οι φοιτητές θα κατανοήσουν τα οφέλη που προκύπτουν από την χρήση αυτών των τεχνολογιών σε πραγματικά περιβάλλοντα και σε διάφορες περιπτώσεις χρήσης.

Ενδεικτικά, το μάθημα θα επικεντρωθεί στα παρακάτω θέματα:

  • Αρχιτεκτονικές και εργαλεία Σημασιολογικού Ιστού
  • Πρότυπες γλώσσες αναπαράστασης γνώσης (RDF/S, Οντολογίες OWL2)
  • Σημασιολογία και λογική εξαγωγή συμπερασμάτων (Περιγραφική Λογική, Κανόνες)
  • Πρότυπη γλώσσα ερωτημάτων σε γράφους γνώσης (SPARQL)
  • Σχεδιασμός και ανάπτυξη οντολογιών με το Protégé

Σήμα και σύστημα. Γραμμικά χρονοαμετάβλητα συστήματα. Ανάλυση Fourier για σήματα και συστήματα συνεχούς χρόνου (σειρά Fourier, μετασχηματισμός Fourier). Μετασχηματισμός Laplace. Αναπαράσταση περιοδικών σημάτων διακριτού χρόνου με σειρά Fourier. Μετασχηματισμός Fourier διακριτού χρόνου. Μετασχηματισμός Ζ. Διακριτός μετασχηματισμός Fourier.

Στατιστικές έννοιες, μεθοδολογίες και μοντέλα μέσω της στατιστικής γλώσσας R

Στόχος του μαθήματος είναι να γνωρίσουν οι φοιτητές τη δομή, τη διαδικασία ανάπτυξης και τις χρήσεις των Συστημάτων Γνώσης. Ταυτόχρονα οι φοιτητές θα αποκτήσουν την ικανότητα να αναπτύσσουν προγράμματα (συστήματα βασισμένα στη γνώση) χρησιμοποιώντας τη γλώσσα κανόνων παραγωγής CLIPS, καθώς επίσης και οντολογίες χρησιμοποιώντας το εργαλείο ανάπτυξης οντολογιών Protege. Το παρόν μάθημα εμπίπτει στη γενικότερη περιοχή της Τεχνητής Νοημοσύνης και επομένως συνδέεται άμεσα με τα μαθήματα "Τεχνητή Νοημοσύνη", "Υπολογιστική Λογική και Λογικός Προγραμματισμός" και "Θεωρία και Συστήματα Λήψης Αποφάσεων" που διδάσκονται σε προηγούμενα εξάμηνα. Στο μάθημα παρουσιάζονται τα ακόλουθα θέματα: Εισαγωγή στα Συστήματα Γνώσης, ορισμοί εννοιών. Αναπαράσταση Γνώσης (Πλαίσια, Αντικείμενα, Κανόνες). Δομή και Λειτουργία. Τεχνολογία Γνώσης (Κύκλος Ανάπτυξης. Εκμαίευση Γνώσης. Μεθοδολογία KADS. Επαλήθευση & Έλεγχος Αξιοπιστίας. Εργαλεία Ανάπτυξης.) Προηγμένες Συλλογιστικές (Συλλογιστική βασισμένη σε Μοντέλα. Ποιοτική Συλλογιστική. Συλλογιστική βασισμένη σε Περιπτώσεις.) Εφαρμογές Συστημάτων Γνώσης (Κατηγοριοποίηση. Διαμόρφωση. Διάγνωση.) Μελέτη Περιπτώσεων. Γλώσσα Κανόνων CLIPS (Γεγονότα, Κανόνες, Ταυτοποίηση, Διαδικασία εκτέλεσης, Συναρτήσεις, Περιορισμοί στις Συνθήκες, Δομές Γεγονότων, Στρατηγικές Επίλυσης Ανταγωνισμού, Αντικείμενα (Κλάσεις, κληρονομικότητα, στιγμιότυπα, χρήση αντικειμένων στους κανόνες, Μηνύματα, Μέθοδοι, Διαχείριση, Ερωτήσεις, Συναρτήσεις). Ανάπτυξη Ευφυών Εφαρμογών.

Συστήματα Οπτικών Επικοινωνιών. Οπτικές ίνες, συζευκτές και απαγωγείς, συντονιζόμενα οπτικά φίλτρα, οπτικοί πομποί και δέκτες, οπτικοί ενισχυτές, διαμόρφωση και αποδιαμόρφωση οπτικών σημάτων.

Το μάθημα ασχολείται με τα εξής θέματα: Επικοινωνία- Μοντέλο Shannon-Weaver και μοντέλο Gerbner. Εντροπία, πλεονασμός. Πολυμέσα- δειγματοληψία, θεώρημα Nyquist, κβάντωση, κωδικοποίηση, διαδραστικά πολυμέσα, μέθοδοι συμπίεσης πληροφορίας πολυμέσων. Υπερμέσα- δομή και βασικά χαρακτηριστικά, ιστορική εξέλιξη, προσαρμοστικά υπερμέσα. Ψηφιακή εικόνα- ανάλυση και βάθος χρώματος, μορφοποιήσεις αρχείων εικόνας, συμπίεση κατά JPEG, τεχνολογία CCD, σάρωση, εκτύπωση, τεχνολογία οθονών. Ψηφιακός ήχος- μορφοποιήσεις αρχείων εικόνας, κωδικοποίηση mp3. Ψηφιακό video- τεχνολογία αναλογικού και ψηφιακού video, υποδειγματοληψία σήματος video, συμπίεση κατά MPEG, τεχνική motion compensation. Τεχνικές παραγωγής σχεδιοκίνησης (animation). Τεχνολογία ροής (streaming media). Τεχνολογία οπτικών ψηφιακών δίσκων (CD, CD-R, CD-RW, DVD)

Το μάθημα εστιάζει στις φάσεις εργασίας για την ανάπτυξη εκπαιδευτικού λογισμικού σύμφωνα με το μοντέλο ADDIE (Analysis, Design, Development, Implementation, Evaluation). Βασίζεται σε μεγάλο βαθμό στην εκπόνηση έργου από ομάδα (project-based). Στόχος είναι οι φοιτητές/-τριες να εξοικειωθούν με τις διάφορες φάσεις εργασίας και τα παραδοτέα ενός έργου (project). Οι φοιτητές/-τριες οργανώνονται σε ομάδες 2-3ων ατόμων και αναπτύσσουν εκπαιδευτικό λογισμικό υλοποιώντας όλες τις φάσεις εργασίας για την ανάπτυξη έργου.

Στόχοι του μαθήματος είναι η κατανόηση των αρχών σχεδίασης γλωσσών προγραμματισμού και των μεταγλωττιστών. Το περιεχόμενο του μαθήματος είναι: δομή μεταγλωττιστών και διαδικασία μεταγλώττισης, εργαλεία ανάπτυξης λογισμικού, μεταγλωττιστές μεταγλωττιστών, λεξική ανάλυση με πεπερασμένα αυτόματα και γεννήτριες κώδικα, συντακτική ανάλυση: συμβολισμοί BNF και EBNF, παράγωγα και συντακτικά δένδρα, γραμματικές με ασάφειες, καθοδική ανάλυση με προβλέπουσα αναδρομική κατάβαση ή τεχνική LL(1), απομάκρυνση αριστερής αναδρομικότητας, αριστερή παραγοντοποίηση, ανάνηψη λαθών, ανοδική ανάλυση τύπου LR (LR(0), SLR(1), LALR(1)), γεννήτριες κώδικα συντακτικής ανάλυσης. Αρχές σχεδίασης γλωσσών προγραμματισμού, σημασιολογική ανάλυση: ιδιότητες και μετάφραση με βάση τη σύνταξη, γραμματικές ιδιοτήτων, πίνακας συμβόλων, δηλώσεις, έλεγχοι τύπων, παραγωγή κώδικα: ενδιάμεση αναπαράσταση, μετάφραση εκφράσεων και εντολών, απεικόνιση τύπων και δεδομένων στη μνήμη, δημιουργία κώδικα μηχανής και κώδικα ιδεατής μηχανής στοίβας (virtual stack machine) και περιβάλλον εκτέλεσης: οργάνωση της μνήμης κατά την εκτέλεση του προγράμματος.   

Το μάθημα εστιάζει στις φάσεις εργασίας για την ανάπτυξη εκπαιδευτικού λογισμικού σύμφωνα με το μοντέλο ADDIE (Analysis, Design, Development, Implementation, Evaluation).

Βασίζεται σε μεγάλο βαθμό στην εκπόνηση έργου από ομάδα (project-basd). Οι φοιτητές οργανώνονται σε ομάδες 4ων ατόμων και αναπτύσσουν εκπαιδευτικό λογισμικό σύμφωνα με τις διάφορες φάσεις εργασίας.

Τα θεωρητικά θέματα του μαθήματος περιλαμβάνουν: διδακτική σχεδίαση (instructional design), ψυχοπαιδαγωγικές θεωρίες μάθησης και η επίδρασής τους στην σχεδίαση εκπαιδευτικού λογισμικού. Ανάλυση αναγκών και αρχική ανάλυση (needs και fron-end analysis). Μεθοδολογία σχεδιασμού εκπαιδευτικών συστημάτων. Σχεδίαση εκπαιδευτικής διάδρασης και διεπιφάνειας χρήστη. Σχεδίαση εφαρμογών πολυμέσων με βάση διδακτικές θεωρίες. Συμμετοχική σχεδίαση. Φάσεις παραγωγής (pre-production, production, post-production). Νόημα και στόχοι αξιολόγησης. Διαμορφωτική και αθροιστική αξιολόγηση, ποσοτικές και ποιοτικές μέθοδοι αξιολόγησης, μέθοδοι αξιολόγησης διεπαφής χρήστη, μοντέλο Kirkpatrick. Σχεδίαση εποικοδομικών περιβαλλόντων μάθησης. Ελληνικό και εξελληνισμένο εκπαιδευτικό λογισμικό. Ανάπτυξη εκπαιδευτικών εφαρμογών με προχωρημένο προγραμματισμό και χρήση Τεχνολογιών Διαδικτύου και Πολυμέσων.

Στόχος του μαθήματος είναι να γνωρίσουν οι φοιτητές τα προβλήματα που αντιμετωπίζει η Τεχνητή Νοημοσύνη καθώς και τις μεθόδους με τις οποίες τα αντιμετωπίζει. Σημαντικό βάρος δίνεται επίσης στους επιμέρους κλάδους και τις εφαρμογές της Τεχνητής Νοημοσύνης, καθώς επίσης και στα εργαλεία προγραμματισμού που χρησιμοποιεί. Το παρόν μάθημα συνδέεται άμεσα με το μάθημα του "Λογικού και Συναρτησιακού Προγραμματισμού" που διδάσκεται σε προηγούμενο εξάμηνο, αφού χρησιμοποιεί τη γλώσσα Prolog για την αναπαράσταση και επίλυση προβλημάτων της Τεχνητής Νοημοσύνης. Επίσης συνδέεται άμεσα με τα μαθήματα επιλογής "Συστήματα Γνώσης", "Συστήματα Λήψης Απόφασης" και "Ευφυή Αυτόνομα Συστήματα" που διδάσκονται σε επόμενα εξάμηνα. Το μάθημα περιλαμβάνει: Βασικές έννοιες της Τεχνητής Νοημοσύνης: Αναπαράσταση και Επίλυση Προβλημάτων, Αλγόριθμοι Αναζήτησης, Αναπαράσταση Γνώσης, Συλλογιστικές, Αρχιτεκτονικές Συστημάτων. Εφαρμογές της Τεχνητής Νοημοσύνης: Έμπειρα Συστήματα, Σχεδιασμός, Νευρωνικά Δίκτυα, Γενετικοί Αλγόριθμοι, Ευφυή Συστήματα Πρακτόρων, Μηχανική Μάθηση, Τεχνητή Όραση, Κατανόηση Φυσικής Γλώσσας, Ρομποτική. Πρακτική εξάσκηση: Υλοποίηση αλγορίθμων Τεχνητής Νοημοσύνης με Prolog, Χρήση εργαλείων μη συμβολικής λογικής (Νευρωνικά Δίκτυα, Γενετικοί Αλγόριθμοι).

Τεχνολογία Βάσεων Δεδομένων

Ηλεκτρονική Διακυβέρνηση, Ηλεκτρονικό Εμπόριο, Ηλεκτρονικό Επιχειρείν, Ηλεκτρονική Τραπεζική, Ηλεκτρονικές Υπηρεσίες Υγείας, Ηλεκτρονική Μάθηση, Τηλεεργασία,

Μαθηματική Λογική (Προτασιακή Λογική, Κανονικές Μορφές, Μηχανισμοί Εξαγωγής Συμπερασμάτων, Αρχή της Ανάλυσης, Κατηγορηματική Λογική, Μεταβλητές και Ποσοδείκτες, Αντικατάσταση και Ενοποίηση). Σχέση Μαθηματικής Λογικής με Λογικό Προγραμματισμό (Μορφή Kowalski, Προτάσεις Horn).
Λογικός Προγραμματισμός (Βασικές έννοιες, Ιστορία, Η γλώσσα Prolog). Σύνταξη λογικών προγραμμάτων (Ερωτήσεις, Κανόνες, Κατηγορήματα, Σύνθετοι όροι). Ταυτοποίηση. Μηχανισμός ελέγχου. Αναδρομικοί Κανόνες. Λίστες. Παράσταση αριθμών (Αριθμητικές πράξεις, Σύγκριση, Μαθηματικές Συναρτήσεις). Χειρισμός συμβολοσειρών. Είσοδος/Έξοδος. Μεταβλητή κλήση. Προσδιορισμός τύπου. Σύνθεση/διάσπαση σύνθετων όρων. Αποκοπή (Επίδραση στο δένδρο υπολογισμού, Χρήση). Άρνηση σαν αποτυχία. Διαχείριση λύσεων. Διαχείριση προγράμματος. Μεθοδολογία Προγραμματισμού. Εφαρμογές Λογικού Προγραμματισμού.

Επισκόπηση νευρωνικών δικτύων. Συσχετιστικές μνήμες. Αναδρομικά δίκτυα Hopfield. Αυτο-οργανωνούμενα δίκτυα. Kohonen maps και ανταγωνιστική μάθηση. Προσομοιωμένη ανόπτηση και μηχανή Boltzmann. Βαθιά μάθηση. Συνελικτικά Νευρωνικά Δίκτυα. Αυτοτροφοδοτούμενα Νευρωνικά Δίκτυα. Νευρωνικά δίκτυα Βαθιάς Ενισχυτικής Μάθησης. Ασαφής λογική, ασαφής μάθηση και ασαφή συστήματα. Γενετικοί και εξελικτικοί αλγόριθμοι βελτιστοποίησης. Αλγόριθμοι βασισμένοι στην νοημοσύνη πληθυσμών (swarm intelligence). Γενετικός προγραμματισμός, Κοινωνιογνωσιακοί και μιμητικοί αλγόριθμοι. Εφαρμογές στην αναγνώριση προτύπων, ρομποτική. Νευροασαφή συστήματα. Υβριδικά συστήματα υπολογιστικής νοημοσύνης στην ανάλυση σήματος, εικόνας και video η συναρτήσεων, συμπίεση εικόνας, διαχωρισμό σημάτων.