Τίτλος μαθήματος

Προχωρημένα Θέματα Τεχνολογίας Λογισμικού

Κωδικός μαθήματος

CSE 521

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Α Εξάμηνο

Όνομα διδάσκοντα

Ανδρέας Ανδρέου

ECTS

7

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα εμβαθύνει σε συγκεκριμένες περιοχές και  προχωρημένα θέματα της Τεχνολογίας Λογισμικού με έμφαση σε τρεις άξονες:

1. Τεχνολογία Λογισμικού για Κατανεμημένα Συστήματα και το Υπολογιστικό Νέφος
2. Εξόρυξη Διαδικασιών
3. Επαναχρησιμοποίηση Λογισμικού

Μαθησιακά αποτελέσματα

Εμπλουτισμός των γνώσεων σε προχωρημένα θέματα Τεχνολογίας Λογισμικού (πέρα από τα βασικά στάδια και τις φάσεις για την ανάπτυξη ενός συστήματος λογισμικού) και γνωριμία με εξειδικευμένους τομείς που σχετίζονται τόσο με παραδοσιακές πτυχές, όπως η επαναχρησιμοποίηση λογισμικού, όσο και με σύγχρονες τεχνολογικές εξελίξεις όπως το υπολογιστικό νέφος και τα κατανεμημένα συστήματα, καθώς και η εξόρυξη επιχειρησιακών διαδικασιών

Προαπαιτούμενα

Προπτυχιακά μαθήματα στον τομέα της Μηχανικής Λογισμικού

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Ενότητα A’ - Τεχνολογία Λογισμικού για Κατανεμημένα Συστήματα και το Υπολογιστικό Νέφος

• Τεχνολογία Λογισμικού για κατανεμημένα συστήματα
• Εισαγωγή στο DevOps
• Τεχνολογία Λογισμικού και Υπολογιστικό Νέφος
• Τεχνολογία Λογισμικού προσανατολισμένη στις Υπηρεσίες  Λογισμικού
• Εισαγωγή στο σύστημα του Blockchain

Ενότητα Β’ - Εξόρυξη Διαδικασιών

• Εισαγωγή στην Εξόρυξη Διαδικασιών
• Μοντελοποίηση και Ανάλυση Διαδικασιών
• Συλλογή Δεδομένων για Εξόρυξη Διαδικασιών

Ενότητα Γ’ - Επαναχρησιμοποίηση

• Επαναχρησιμοποίηση λογισμικού
• Τεχνολογία Λογισμικού βασισμένη στα συστατικά λογισμικού

Μεθοδολογία διδασκαλίας

Εβδομαδιαίες διαλέξεις με χρήση διαφανειών που προετοιμάζονται και διατίθενται από τον διδάσκοντα. Ερευνητικά άρθρα για μελέτη, παρουσίαση στην τάξη και ομαδική συζήτηση.

Βιβλιογραφία

Βασική:

1. “Software Engineering”, Ian Sommerville, Addison-Wesley, 9th ed., 2011 (ή πιο πρόσφατη έκδοση).

Συμπληρωματική:

1. “Software Engineering”, 4th ed., Pfleeger, S. L. and Atlee, J. M., Pearson, 2010.
2.  “Software Engineering, A Practitioner’s Approach, European Adaptation”, Roger S. Pressman, 5th Edition, McGraw-Hill, 2000 (ή πιο πρόσφατη έκδοση).
3. “Software Engineering: Principles and Practice”, 3rd ed., H. van Vliet, John Wiley & Sons, 2008.

Επιστημονικά άρθρα.

Αξιολόγηση

         *

 *νοουμένου ότι είναι επιτυχής/είς η/οι εργασία/ες εξαμήνου

Τίτλος μαθήματος

Συστήματα για Μηχανική Μάθηση Μεγάλης Κλίμακας

Κωδικός μαθήματος

CSE 522

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Α Εξάμηνο

Όνομα διδάσκοντα

Μιχαήλ Σιριβιανός

ECTS

8

Διαλέξεις / εβδομάδα

4

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα εμβαθύνει στις αρχές σχεδιασμού και υλοποίησης κατανεμημένων και δικτυωμένων λειτουργικών συστημάτων για Μηχανική Μάθηση. Δίνεται έμφαση σε κλασσικές αρχές σχεδιασμού λειτουργικών συστημάτων και στην περιγραφή της υλοποίησης σύγχρονων συστημάτων που αποτελούν τη βάση της υποδομής επεξεργασίας και αποθήκευσης μεγάλων δεδομένων στο υπολογιστικό νέφος.

Η ύλη του μαθήματος περιλαμβάνει τα ακόλουθα. Virtual Memory, Process Management και Inter-process Communication. Το λειτουργικό σύστημα Unix. Log-structured συστήματα αρχείων. Κατανεμημένα συστήματα αρχείων. Virtual Machines. Θέματα που αφορούν τον κύκλο ζωής της ανάλυσης δεδομένων για Μηχανική Μάθηση (ML), περιλαμβανομένων των data sourcing and preparation για ML, προγραμματιστικά μοντέλα ML, συστήματα για κλιμακώσιμη δημιουργία μοντέλων ML, και αναδυόμενα θέματα όπως διακυβέρνηση ML συστημάτων, επεξηγησιμότητα, και ηθική (fairness, transparency, etc.) της Μηχανικής Μάθησης.

Μαθησιακά αποτελέσματα

Στο τέλος του μαθήματος οι διδασκόμενοι θα είναι εις θέση να:

1. περιγράψουν τις σημαντικότερες αρχές σχεδιασμού κατανεμημένων συστημάτων.
2. περιγράψουν και χρησιμοποιήσουν βασικές τεχνικές υλοποίησης κατανεμημένων συστημάτων μεγάλης κλίμακας.
3. κατανοήσουν τις  αρχές λειτουργίας της υποδομής υπολογιστικού νέφους και Μηχανικής Μάθησης της Google, Amazon, Facebook και άλλων γιγαντιαίων διαδικτυακών υπηρεσιών.
4. διαβάζουν και να κατανοούν ερευνητικές αναφορές της μηχανικής υπολογιστικών συστημάτων.
5. κατανοούν την υλοποίηση ενός περίπλοκου και μεγάλης κλίμακας κατανεμημένου συστήματος για Μηχανική Μάθηση ώστε να μπορούν να το τροποποιήσουν και να αξιολογήσουν την απόδοση του.

Προαπαιτούμενα

Προπτυχιακά μαθήματα στους τομείς των Λειτουργικών Συστημάτων, των Υπολογιστικών Δικτύων και της Μηχανικής Μάθησης

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Εβδομάδα 1: Process Management. The Unix Time Sharing System

Εβδομάδα 2: Memory Management

Εβδομάδα 3: File Systems. Virtual Machines: LFS, Xen

Εβδομάδα 4: Infrastructures for Big Data (Google): Google Filesystem, Google BigTable, Google Borg

Εβδομάδα 5: ML Lifecycle Overview

Εβδομάδα 6: Classical ML Training at Scale: Parameter Server, XGBoost

Εβδομάδες 7-8: Deep Learning Systems: TensorFlow, TVM

Εβδομάδες 9-10: System-assisted Feature Engineering and Model Selection: Cerebro, MSMS

Εβδομάδα 11: Data Sourcing and Preparation: TFDV, Snorkel

Εβδομάδες 12-13: ML Deployment; Clipper Online Prediction Serving System, Federated Learning

Μεθοδολογία διδασκαλίας

Εβδομαδιαίες διαλέξεις με παρουσιάσεις ερευνητικών άρθρων, συνοδευόμενες από διαφάνειες και σημειώσεις που διανέμονται από τον διδάσκοντα. Προφορικές ερωτήσεις επί των άρθρων και απαντήσεις των φοιτητών στην τάξη. Συζητήσεις που ενισχύουν την κριτική σκέψη, αφού ανατεθούν στους φοιτητές εργασίες περίληψης άρθρων σε δύο σελίδες.

Βιβλιογραφία

• Κύρια βιβλιογραφία του μαθήματος:
  • Ερευνητικά άρθρα που θα γίνονται διαθέσιμα στο Moodle.

• Προαιρετικά:
  • Operating Systems Concepts (book) by Silberschatz, Galvin, and Gagne

Book slides at http://codex.cs.yale.edu/avi/os-book/OS9/slide-dir/

• Οι διαλέξεις Data Systems for Machine Learning του Arun Kumar

  https://cseweb.ucsd.edu/classes/wi24/cse234-a/schedule.html

Αξιολόγηση

• Περιλήψεις Ερευνητικών Άρθρων: Πριν από κάθε μάθημα οι φοιτητές/τριες θα πρέπει να παραδίδουν περίληψη του άρθρου προς συζήτηση. Κάθε φοιτητής/τρια θα πρέπει να παραδίδει τη δική του/της περίληψη. Οι περιλήψεις θα βαθμολογούνται με 1-5 βάσει του κατά πόσο ικανοποιούν τις οδηγίες που περιγράφονται στο Moodle.
• Παρουσιάσεις Ερευνητικών Άρθρων: Σε μερικές διαλέξεις, ομάδες 2 φοιτητών θα ετοιμάσουν μια μονόωρη παρουσίαση για το άρθρο που συζητείται. Η παρουσίαση θα βαθμολογείται ανά ομάδα. Η παρουσίαση θα πρέπει να είναι ενδελεχής (30-40 διαφάνειες) και θα πρέπει να αφήνει περιθώρια για πολλές ερωτήσεις και απαντήσεις από διδάσκοντα και συμφοιτητές. Όλοι οι φοιτητές, συμπεριλαμβανόμενων και αυτών που παρουσιάζουν το άρθρο, θα πρέπει να υποβάλλουν περίληψή του και θα πρέπει να συμμετέχουν κανονικά στη συζήτηση καθώς θα βαθμολογηθούν ως αναφέρεται πιο πάνω. 
• Τελική Εξέταση: Θα γίνει με κλειστά βιβλία και σημειώσεις. Θα περιλαμβάνει ερωτήσεις πάνω σε ερευνητικά άρθρα και σημειώσεις που συμπεριλαμβάνονται στην ύλη του μαθήματος. Η εξέταση θα γίνει με πρόσβαση στο διαδίκτυο αλλά μόνο για να κατεβάσετε τα ερευνητικά άρθρα και τις σημειώσεις. Απαγορεύεται η χρήση Generative AI σε οποιαδήποτε μορφή (περιλαμβανόμενων εργαλείων  εξυπνότερης αναζήτησης όπως το Perplexity).

Σημείωση: Μεταπτυχιακοί φοιτητές που έχουν διδαχθεί την προπτυχιακή εκδοχή του μαθήματος θα κάνουν παρουσίαση δύο ερευνητικών ερευνητικών άρθρων σε ομάδες των δύο. Κάθε παρουσίαση θα αντιστοιχεί στο 20% του συνολικού βαθμού. Επίσης θα πρέπει να παραδώσουν και να παρουσιάσουν με 10 διαφάνειες μία εξαμηνιαία εργασία χρήσης ή τροποποίησης και μέτρησης ενός υπολογιστικού εργαλείου μεγάλης κλίμακας εξ αυτών που διδάσκονται στο μάθημα. Η εξαμηνιαία εργασία θα αποτελεί το 60% του συνολικού βαθμού.

Τίτλος μαθήματος

Βαθιά Μάθηση Ι

Κωδικός μαθήματος

CSE 523

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Α Εξάμηνο

Όνομα διδάσκοντα

Σωτήριος Χατζής

ECTS

8

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα "Βαθιά Μάθηση Ι" είναι το πρώτο από μία σειρά δύο μαθημάτων σχετικά με τη βαθιά μάθηση, με έμφαση στις βασικές έννοιες και τεχνικές. Το μάθημα αυτό καλύπτει τα θεμέλια της βαθιάς μάθησης, επιτρέποντας στους φοιτητές να κατανοήσουν πώς να κατασκευάζουν και να εκπαιδεύουν νευρωνικά δίκτυα αποτελεσματικά. Οι φοιτητές θα μάθουν τις βασικές αρχιτεκτονικές, την αρχή της μάθησης αναπαραστάσεων, μεθόδους εκπαίδευσης και βελτιστοποίησης, καθώς και εισαγωγή σε συνελικτικά και επαναλαμβανόμενα νευρωνικά δίκτυα. Στο τέλος του μαθήματος, οι φοιτητές θα είναι κατάλληλα προετοιμασμένοι για πιο προχωρημένα θέματα στο επόμενο μάθημα (Βαθιά Μάθηση ΙΙ) και για να ηγηθούν επιτυχημένων έργων μηχανικής μάθησης.

Μαθησιακά αποτελέσματα

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν να:

1. Περιγράφουν και να ταξινομούν τις θεμελιώδεις αρχές σχεδίασης συστημάτων βαθιάς μάθησης
2. Υλοποιούν και να χρησιμοποιούν καθιερωμένες τεχνικές για την κατασκευή και εκπαίδευση βαθιών νευρωνικών δικτύων.
3. Συνοψίζουν και να αξιολογούν κριτικά επιστημονικά άρθρα σχετικών θεμάτων.
4. Εφαρμόζουν μεθόδους βαθιάς μάθησης σε ολοκληρωμένα έργα, από τη διατύπωση προβλήματος έως την υλοποίηση και αξιολόγηση μοντέλου.

Προαπαιτούμενα

Προπτυχιακό επίπεδο γνώσεων σε γραμμική άλγεβρα και στατιστική (αναμένεται και βασική εξοικείωση με ανάλυση και πιθανότητες).

Συναπαιτούμενα

Ναι

Περιεχόμενο μαθήματος

• Εισαγωγή στη Βαθιά Μάθηση: Ιστορικό, σημασία και εφαρμογές.
• Βασικά Νευρωνικά Δίκτυα: Perceptrons, συναρτήσεις ενεργοποίησης, πολυεπίπεδα δίκτυα, αλγόριθμος backpropagation.
• Αναπαραστάσεις Δεδομένων: Μάθηση χαρακτηριστικών αυτόματα έναντι παραδοσιακής εξαγωγής χαρακτηριστικών.
• Εκπαίδευση Νευρωνικών Δικτύων: Στοχαστική καθοδική κλίση και παραλλαγές, συναρτήσεις κόστους, σταθερότητα εκπαίδευσης.
• Κανονικοποίηση: L2, dropout, early stopping, και η επίδρασή τους στη γενίκευση.
• Βελτιστοποίηση και Ρύθμιση Υπερπαραμέτρων: Ρυθμός μάθησης, μέγεθος batch, αρχικοποίηση, κανονικοποίηση batch.
• Συνελικτικά Δίκτυα (CNNs): Αρχές, αρχιτεκτονικές, και εξαγωγή χωρικών χαρακτηριστικών.
• Επαναλαμβανόμενα Δίκτυα (RNNs): Μοντελοποίηση ακολουθιών, LSTM/GRU.

Μεθοδολογία διδασκαλίας

Η διδασκαλία πραγματοποιείται μέσω εβδομαδιαίων διαλέξεων και συζητήσεων με ενεργή συμμετοχή των φοιτητών. Κατά τις πρώτες επτά εβδομάδες, ο διδάσκων παρουσιάζει τα θεμελιώδη θέματα της βαθιάς μάθησης όπως περιγράφονται στην ενότητα περιεχομένου. Στις έξι τελευταίες εβδομάδες του εξαμήνου, οι φοιτητές παρουσιάζουν επιλεγμένα ερευνητικά άρθρα σχετικά με τα εν λόγω θέματα.

Κατά τη διάρκεια του μαθήματος, ο διδάσκων παρέχει διαφάνειες και σημειώσεις και ενθαρρύνει τη συμμετοχή των φοιτητών μέσω προφορικών ερωτήσεων που σχετίζονται με την ύλη και τα ανατεθειμένα άρθρα. Αναμένεται από τους φοιτητές να ετοιμάζουν σύντομες γραπτές περιλήψεις των ερευνητικών άρθρων πριν από κάθε μάθημα και να συμβάλλουν ενεργά στις συζητήσεις στην τάξη.

Ο συνδυασμός διαλέξεων, φοιτητικών παρουσιάσεων, συζητήσεων επί ερωτημάτων και γραπτών περιλήψεων αποσκοπεί στην ενίσχυση του αναστοχασμού, στην εμβάθυνση της κατανόησης και στην καλλιέργεια κριτικής σκέψης γύρω από την εφαρμογή μεθόδων βαθιάς μάθησης.

Βιβλιογραφία

• Πρωτογενές Υλικό:
  • Επιστημονικά άρθρα μέσω Moodle.
• Συμπληρωματικό Βιβλίο:
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.
• Πρόσθετοι Πόροι:
  • Σημειώσεις διδάσκοντα, διαδικτυακοί οδηγοί και τεκμηρίωση εργαλείων.

Αξιολόγηση

Τίτλος μαθήματος

Επιστήμη Δικτύων

Κωδικός μαθήματος

CSE 524

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Α Εξάμηνο

Όνομα διδάσκοντα

Φραγκίσκος Παπαδόπουλος

ECTS

7

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα αυτό επικεντρώνεται στην αναδυόμενη επιστήμη των πολύπλοκων δικτύων (complex networks) και στις εφαρμογές τους. Στόχος του μαθήματος είναι η εκμάθηση της μαθηματικής θεωρίας των πολύπλοκων δικτύων με τρόπο που οι φοιτητές να μπορούν να εφαρμόσουν τη θεωρία αυτή για επίλυση σχετικών προβλημάτων σε τομείς τεχνολογίας, κοινωνιολογίας, και βιολογίας, καθώς και σε ερευνητικά προβλήματα πολύπλοκων δικτύων (Internet, On-line Social networks, Transportation Networks, Brain networks, networks of metabolic reactions, κτλ).

Μαθησιακά αποτελέσματα

Οι μεταπτυχιακοί φοιτητές θα αποκτήσουν γνώσεις στις ιδιότητες πραγματικών δικτύων και στις τεχνικές ανάλυσης δικτύων, καθώς και γνώσεις για τη συνεχιζόμενη έρευνα στον τομέα της επιστήμης δικτύων. Συγκεκριμένα οι φοιτητές αναμένεται να αποκτήσουν γνώσεις σε θέματα  όπως θεωρία γράφων, τυχαία δίκτυα, δίκτυα τύπου small-world και scale-free δίκτυα, το μοντέλο των Barabási-Albert, γεωμετρία δικτύων, φαινόμενα διάδοσης και ανάλυση τους, τεχνικές στατιστικής συμπερασματολογίας (statistical inference) για πρόβλεψη συμπεριφοράς σε δίκτυα, το εργαλείο Gephi για απεικόνιση δικτύων, κτλ. Οι φοιτητές θα είναι θέση να εφαρμόσουν τις γνώσεις αυτές στην ανάλυση πραγματικών συστημάτων πολύπλοκων δικτύων.

Προαπαιτούμενα

Πιθανότητες και Στατιστική, άλγεβρα.

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Θεωρία γραφημάτων, τυχαία δίκτυα, δίκτυα “μικρού κόσμου”, δίκτυα scale-free, μοντέλο Barabási-Albert, γεωμετρία δικτύων, ενσωματώσεις δικτύων, υπερβολικοί γεωμετρικοί γράφοι, πλοήγηση δικτύων, στατιστική συμπερασματολογία, πρόβλεψη, δίκτυα πολλαπλών στρωμάτων, χρονικά μεταβαλλόμενα δίκτυα, φαινόμενα διάδοσης.

Μεθοδολογία διδασκαλίας

Εβδομαδιαίες διαλέξεις. Κάθε εβδομάδα ο διδάσκων θα παρουσιάζει το εκάστοτε θέμα μέσω διάλεξης, ακολουθούμενης από ομαδική συζήτηση. Το μάθημα συνδυάζει παρουσιάσεις, δραστηριότητες επίλυσης προβλημάτων και συζητήσεις σε μικρές ομάδες

Βιβλιογραφία

Network Science, A.-L. Barabási, Cambridge University Press; 1 edition (Αύγουστος 5, 2016).

Αξιολόγηση

Τίτλος μαθήματος

Επιστήμη Δεδομένων

Κωδικός μαθήματος

CSE 525

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Β Εξάμηνο

Όνομα διδάσκοντα

Σίμος Γερασίμου

ECTS

8

Διαλέξεις / εβδομάδα

4

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

To μάθημα εστιάζει στις βασικές έννοιες και πρακτικές που αφορούν την αξιόπιστη υλοποίηση ενός έργου επιστήμης δεδομένων. Οι φοιτητές θα εισαχθούν στη διαδικασία και στον κύκλο ζωής της επιστήμης δεδομένων που συνήθως ακολουθείται για την υλοποίηση ενός τέτοιου έργου. Επίσης, θα εξοικειωθούν με τις μεθόδους συλλογής, χειρισμού και καθαρισμού δεδομένων, αποκτώντας παράλληλα εμπειρία στην αξιολόγηση της ποιότητας των δεδομένων.

Ως τρόπους αποθήκευσης και πρόσβασης σε δεδομένα, το μάθημα καλύπτει τις σχεσιακές βάσεις δεδομένων και τη γλώσσα SQL, καθώς και άλλα παραδείγματα βάσεων δεδομένων, όπως NoSQL,. Οι φοιτητές θα γνωρίσουν τις κατανομές δεδομένων και τη στατιστική ανάλυση – περιλαμβανομένων της συσχέτισης, των διαστημάτων εμπιστοσύνης και της επαγωγικής στατιστικής – και θα μάθουν πώς να τα εφαρμόζουν σε ένα προγραμματιστικό περιβάλλον.

Τέλος, οι φοιτητές θα αποκτήσουν πρακτική εμπειρία σε διαφορετικούς τομείς προβλημάτων μηχανικής μάθησης (εποπτευόμενη και μη εποπτευόμενη) και θα εμβαθύνουν στα διαθέσιμα μοντέλα μηχανικής μάθησης, σχεδιάζοντας και αναπτύσσοντας κατάλληλες ροές δεδομένων που τα ενσωματώνουν. Επίσης θα εξεταστούν οι ηθικές προεκτάσεις στην επιστήμη δεδομένων.

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα έχουν αποκτήσει γνώση στην εφαρμογή και πρακτικές δεξιότητες σε όλο το φάσμα της ροής εργασιών της επιστήμης δεδομένων, θα είναι σε θέση να σχεδιάζουν, να αναπτύσσουν, να υλοποιούν και να αξιολογούν τις δικές τους ολοκληρωμένες λύσεις επιστήμης δεδομένων.

Μαθησιακά αποτελέσματα

Με το τέλος του μαθήματος, οι φοιτητές θα είναι σε θέση να:

1. Διακρίνουν μεταξύ διαφορετικών τύπων δεδομένων που παράγονται στην επιστήμη δεδομένων, καθώς και να εφαρμόζουν στρατηγικές για τη διασφάλιση της ποιότητας των δεδομένων.
2. Αντλούν δεδομένα από ποικίλες πηγές και σε διάφορες μορφές.
3. Εφαρμόζουν επαγωγική στατιστική και διαδικασίες στατιστικής για τον έλεγχο υποθέσεων σχετικά με χαρακτηριστικά και σχέσεις μέσα σε σύνολα δεδομένων.
4. Χρησιμοποιούν κατάλληλα διαγράμματα για την παρουσίαση και την εξερεύνηση συνόλων δεδομένων.
5. Χρησιμοποιούν βάσεις δεδομένων, τόσο σχεσιακές όσο και άλλων παραδειγμάτων, για την αποθήκευση και ανάκτηση δεδομένων.
6. Υλοποιούν αλγορίθμους εποπτευόμενης και μη εποπτευόμενης μηχανικής μάθησης.
7. Αναγνωρίζουν τα ηθικά ζητήματα σχετικά με την προέλευση των δεδομένων, την ιδιωτικότητα των ατόμων και τον αντίκτυπο που μπορεί να έχει η ανάλυση δεδομένων στην κοινωνία.

Προαπαιτούμενα

Γνώσεις προγραμματισμού με Python επιπέδου προπτυχιακού (αναμένεται επίσης βασική οικειότητα με τη στατιστική και τις πιθανότητες)

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Εβδομάδα 1: Εισαγωγή στην επιστήμη δεδομένων, κύκλοι ζωής και παραδείγματα παραδειγμάτων

Εβδομάδα 2: Συλλογή δεδομένων, διερευνητική ανάλυση δεδομένων, οπτικοποίηση δεδομένων

Εβδομάδα 3: Δομημένα και μη δομημένα δεδομένα, σχεσιακές βάσεις δεδομένων

Εβδομάδα 4: Κανονικοποίηση βάσεων δεδομένων, Γλώσσα Δομημένων Ερωτημάτων (SQL), APIs βάσεων δεδομένων, NoSQL

Εβδομάδα 5: Επεξεργασία δεδομένων και ακεραιότητα δεδομένων

Εβδομάδα 6: Πιθανότητες, κεντρικό οριακό θεώρημα, διαστήματα εμπιστοσύνης, συνδιακύμανση, συσχέτιση

Εβδομάδα 7: Επαγωγική στατιστική (παραμετρική και μη παραμετρική)

Εβδομάδα 8: Εισαγωγή στη μηχανική μάθηση και εποπτευόμενη μάθηση (παλινδρόμηση)

Εβδομάδα 9: Εποπτευόμενη μάθηση (ταξινόμηση)

Εβδομάδα 10: Μη εποπτευόμενη μάθηση (συσταδοποίηση, μείωση διαστάσεων)

Εβδομάδα 11: Ηθική στην επιστήμη δεδομένων, πρότυπα/νόμοι/οδηγίες για τα δεδομένα

Εβδομάδα 12: Ανάπτυξη και εξέλιξη μοντέλων επιστήμης δεδομένων

Εβδομάδα 13: Παρουσιάσεις φοιτητών

Μεθοδολογία διδασκαλίας

Η διδασκαλία πραγματοποιείται μέσω εβδομαδιαίων διαλέξεων, χρησιμοποιώντας διαφάνειες, σημειώσεις και παραπομπές που διανέμονται από τον διδάσκοντα​. Οι διαλέξεις συμπληρώνονται από διαδραστικές συζητήσεις που ενθαρρύνουν την κριτική σκέψη​, καθώς και από μία πρακτική ενότητα που βοηθά τους φοιτητές να εξοικειωθούν με το περιεχόμενο του εβδομαδιαίου στόχου διδασκαλίας.

Βιβλιογραφία

• Spiegelhalter, D., The Art of Statistics: Learning from Data, Pelican, 2019.
• VanderPlas, J. Python Data Science Handbook: Essential Tools for Working with Data, O’Reilly, 2016.
• Igual, L. Segui, S. Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications, Springer, 2017

Αξιολόγηση

Τίτλος μαθήματος

Κλιμακώσιμα Συστήματα Επεξεργασίας Δεδομένων

Κωδικός μαθήματος

CSE 526

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Β Εξάμηνο

Όνομα διδάσκοντα

Ηρόδοτος Ηροδότου

ECTS

8

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Η εκμάθηση και κατανόηση εννοιών, τεχνικών και συστημάτων που σχετίζονται με κλιμακώσιμη επεξεργασία δεδομένων χρησιμοποιώντας παράλληλα σχεσιακά συστήματα βάσεων δεδομένων, συστήματα NoSQL και συστήματα επεξεργασίας δεδομένων όπως το MapReduce και το Spark.

Μαθησιακά αποτελέσματα

Οι μαθητές θα αποκτήσουν γνώση για τη λειτουργίες των σύγχρονων συστημάτων και τεχνικών για την επεξεργασία δεδομένων μεγάλης κλίμακας. Οι μαθητές θα είναι σε θέση να επιλέξουν και να αξιοποιήσουν τα ποιο κατάλληλα εργαλεία αναλόγως του είδους της ανάλυσης που θέλουν να διεκπεραιώσουν και της δομής των δεδομένων που θέλουν να επεξεργαστούν.

Προαπαιτούμενα

CEI 325 - Βάσεις Δεδομένων

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Η ανάγκη για αποθήκευση και επεξεργασία δεδομένων μεγάλης κλίμακας έχει οδηγήσει σε μία εξέλιξη των υπαρχόντων συστημάτων βάσεων δεδομένων, ενώ μια νέα γενιά συστημάτων επεξεργασίας δεδομένων έχει αναδυθεί. Αυτό το μάθημα καλύπτει ένα φάσμα θεμάτων από τις βασικές τεχνικές της διαχείρισης σχεσιακών δεδομένων μέχρι την κλιμακώσιμη επεξεργασία δεδομένων χρησιμοποιώντας παράλληλα συστήματα βάσεων δεδομένων και κατανεμημένα συστήματα επεξεργασίας δεδομένων (π.χ., MapReduce, Spark). Αρχικά, το μάθημα καλύπτει τις βασικές αρχές της επεξεργασίας και βελτιστοποίησης ερωτημάτων, όπως είναι οι δείκτες, οι τεχνικές διάταξης και συνένωσης, η επανεγγραφή ερωτημάτων και η επιλογή εκτελεστικών πλάνων. Το μάθημα καλύπτει επίσης θέματα από παράλληλες και κατανεμημένες βάσεις δεδομένων, συμπεριλαμβανομένου των κατατμήσεων δεδομένων και των κατανεμημένων αλγόριθμων συνένωσης. Τέλος, το μάθημα καλύπτει κλιμακώσιμα συστήματα επεξεργασίας δεδομένων και βάσεις δεδομένων NoSQL (αποθήκες στηλών, κειμένων και κλειδιών-τιμών). Το υλικό των μαθημάτων θα αντληθεί από εκπαιδευτικά βιβλία καθώς και πρόσφατη ερευνητική βιβλιογραφία.

Μεθοδολογία διδασκαλίας

Παρουσιάσεις, ομαδική συζήτηση, κατ’ οίκων εργασίες και εργασία εξαμήνου

Βιβλιογραφία

• Abraham Silberschatz, Henry F. Korth, S. Sudarshan. Database System Concepts. 7th Edition, McGraw-Hill, 2019, ISBN: 9780078022159

Greek version: Abraham Silberschatz, Henry F. Korth, S. Sudarshan. Συστήματα Βάσεων Δεδομένων, Εκδόσεις Μ. Γκιούρδας, 2019

• Πρόσφατη ερευνητική βιβλιογραφία

Αξιολόγηση

Τίτλος μαθήματος

Ερευνητικές Μέθοδοι στην Πληροφορική και Μηχανική Υπολογιστών

Κωδικός μαθήματος

CSE 527

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Β Εξάμηνο

Όνομα διδάσκοντα

* Θα διδαχθεί από Ειδικό Επιστήμονα

ECTS

7

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα αποσκοπεί στο να εφοδιάσει τους φοιτητές με τις απαραίτητες γνώσεις και ικανότητες ώστε να μπορούν να σχεδιάζουν και να διεξάγουν έρευνα με μεθοδικότητα, επιστημονική εγκυρότητα και επαγγελματισμό. Οι φοιτητές θα έρθουν σε επαφή με τον ρόλο της έρευνας στην τεχνολογική εξέλιξη, την καινοτομία, την εκπαίδευση, και την προώθηση των Στόχων Βιώσιμης Ανάπτυξης του ΟΗΕ (SDGs), καθώς και με τους τρόπους με τους οποίους η έρευνα εφαρμόζεται αποτελεσματικά σε αυτούς τους τομείς.

Κατά τη διάρκεια του μαθήματος, οι φοιτητές θα μάθουν να εντοπίζουν και να αξιολογούν επιστημονικές πηγές μέσω ψηφιακών εργαλείων και βιβλιογραφικών βάσεων, με σεβασμό στην ακαδημαϊκή δεοντολογία και τα δικαιώματα πνευματικής ιδιοκτησίας. Παράλληλα, θα εξοικειωθούν με εργαλεία αξιολόγησης επιστημονικών δημοσιεύσεων και με δείκτες μέτρησης της ερευνητικής απήχησης. Επίσης, ιδιαίτερη έμφαση δίνεται στην ανάπτυξη πρακτικών δεξιοτήτων όπως: σύνταξη ερευνητικών προτάσεων, συγγραφή επιστημονικών άρθρων για συνέδρια και περιοδικά, καθώς και εκπόνηση τεκμηριωμένων διπλωματικών ή διδακτορικών εργασιών. Οι φοιτητές θα αποκτήσουν επίσης βασική γνώση σε θέματα διαχείρισης έργου, χρηματοδότησης, και επικοινωνίας ερευνητικών αποτελεσμάτων.

Το μάθημα εξετάζει ακόμη σύγχρονες θεματικές όπως η επιστημονική και πολιτιστική διπλωματία, η προστασία προσωπικών δεδομένων (GDPR), καθώς και το θεσμικό και ηθικό πλαίσιο γύρω από την έρευνα. Θα αναδειχθεί ο ρόλος της επιστήμης στη διεθνή συνεργασία και διαμόρφωση πολιτικών, ενώ προβλέπεται, όπου είναι εφικτό, συμμετοχή των φοιτητών σε διαλέξεις και σεμινάρια από ακαδημαϊκούς ή προσκεκλημένους ειδικούς.

Μαθησιακά αποτελέσματα

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Γνώση και Κατανόηση

1. Να κατανοούν τους διαφορετικούς τύπους έρευνας και τις κατάλληλες μεθόδους που απαιτεί κάθε περίπτωση.
2. Να εντοπίζουν και να ανακτούν επιστημονικές πληροφορίες από φυσικές και ψηφιακές βιβλιοθήκες, καθώς και από διαδικτυακές βάσεις δεδομένων.
3. Να συντάσσουν επιστημονικά άρθρα για συνέδρια, περιοδικά και ερευνητικές προτάσεις, περιλαμβάνοντας: 
   ·       Κριτική βιβλιογραφική ανασκόπηση 
   ·       Αξιολόγηση επιστημονικών εργασιών 
   ·       Συγγραφή ερευνητικών προτάσεων 
   ·       Συγγραφή ανασκόπησης βιβλιογραφίας
    
4. Να εκπονούν μεταπτυχιακές εργασίες υψηλής ποιότητας, τόσο για ανοικτή όσο και για περιορισμένη πρόσβαση.
5. Να σχεδιάζουν και να υλοποιούν ερευνητικά πειράματα που συνδέονται με το αντικείμενο σπουδών τους.
6. Να κατανοούν τις αρχές συλλογής, αποθήκευσης, διατήρησης και επεξεργασίας δεδομένων, με επίγνωση των θεμάτων πνευματικής ιδιοκτησίας και προστασίας προσωπικών δεδομένων (GDPR).
7. Να αναγνωρίζουν βασικές αρχές διαχείρισης κινδύνου και χρόνου στον σχεδιασμό και την υλοποίηση ερευνητικών έργων.
8. Να κατανοούν την έννοια και τη σημασία της επιστημονικής και πολιτιστικής διπλωματίας.

Δεξιότητες και Ικανότητες

1. Να εντοπίζουν και να διαχειρίζονται αποτελεσματικά ακαδημαϊκές πηγές μέσω φυσικών και ψηφιακών εργαλείων και βάσεων δεδομένων.
2. Να μελετούν εις βάθος ένα ερευνητικό θέμα και να συντάσσουν δομημένη βιβλιογραφική ανασκόπηση.
3. Να συλλέγουν, να επεξεργάζονται και να διαχειρίζονται δεδομένα σύμφωνα με τις νομικές και δεοντολογικές προδιαγραφές.
4. Να συγγράφουν ανταγωνιστικές ερευνητικές προτάσεις και επιστημονικά άρθρα για δημοσίευση.
5. Να παράγουν τεκμηριωμένες και επιστημονικά άρτιες διπλωματικές εργασίες μεταπτυχιακού επιπέδου.
6. Να εφαρμόζουν αρχές διαχείρισης κινδύνου και χρόνου στο πλαίσιο της ερευνητικής δραστηριότητας.

Προαπαιτούμενα

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Το μάθημα δομείται σε πέντε θεματικές ενότητες, καθεμία από τις οποίες εξετάζει βασικές πτυχές της ερευνητικής πρακτικής και μεθοδολογίας στον τομέα της Πληροφορικής και της Μηχανικής Υπολογιστών. Οι ενότητες είναι οργανωμένες έτσι ώστε να καθοδηγούν τους φοιτητές σταδιακά, από τις θεμελιώδεις έννοιες έως την αποτελεσματική παρουσίαση και τεκμηρίωση της ερευνητικής εργασίας.

Θεματική Ενότητα 1: Θεμελιώδεις Αρχές της Έρευνας

• Ερευνητικές μέθοδοι στην Πληροφορική και Μηχανική Υπολογιστών
• Εμπειρική μεθοδολογία για την ερευνα
• Τυπική μεθοδολογία για την ερευνα
• Ερευνητική Εποπτεία

Θεματική Ενότητα 2: Αναζήτηση βιβλιοθηκών και εργαλείων βιβλιογραφίας

• Εργαλεία βιβλιοθήκης
• Αναζήτηση βιβλιοθήκης
• Συμβουλές αναζήτησης βάσης δεδομένων
• Ψηφιακές βιβλιοθήκες

Θεματική Ενότητα 3: Βιβλιογραφική Ανασκόπηση

• Είδη επιστημονικής βιβλιογραφίας
• Ανάλυση επιστημονικής δημοσίευσης/εργασίας
• Συγγραφή αξιολόγησης επιστημονικού άρθρου
• Συστηματικές βιβλιογραφικές ανασκοπήσεις

Θεματική Ενότητα 4: Δεδομένα

• Η φύση των δεδομένων
• Συλλογή πρωτογενών δεδομένων
• Συλλογή και ανάλυση δευτερογενών δεδομένων
• Ποσοτική ανάλυση δεδομένων
• Ποιοτική ανάλυση δεδομένων

Θεματική Ενότητα 5: Γράφοντας το έργο σου

• Συγγραφή επιστημονικού/ερευνητικού άρθρου
• Συγγραφή διπλωματικής εργασίας

Μεθοδολογία διδασκαλίας

Η διδασκαλία του μαθήματος πραγματοποιείται μέσω συνδυασμού διαλέξεων και συνεδριών καθοδήγησης (supervision) με ακαδημαϊκούς συμβούλους. Οι διαλέξεις καλύπτουν τα βασικά θέματα που ορίζονται στις θεματικές ενότητες του μαθήματος, προσφέροντας τόσο θεωρητικά θεμέλια όσο και πρακτική καθοδήγηση σχετικά με τη μεθοδολογία έρευνας, τη συγγραφή επιστημονικών κειμένων, τη διαχείριση δεδομένων και την οργάνωση χρόνου.

Επιπρόσθετα, οι φοιτητές θα συμμετέχουν σε παρουσιάσεις από προσωπικό της βιβλιοθήκης, στο πλαίσιο των οποίων θα γίνει επίδειξη χρήσης ψηφιακών βιβλιογραφικών εργαλείων και ακαδημαϊκών βάσεων δεδομένων για αναζήτηση και πρόσβαση σε επιστημονικές πηγές. Οι συνεδρίες αυτές στοχεύουν στην ενίσχυση των δεξιοτήτων των φοιτητών στην ανάκτηση πληροφορίας και στην εξοικείωση τους με τις σύγχρονες υποδομές και τεχνολογίες έρευνας.

Όπου είναι εφικτό, οι φοιτητές θα έχουν επίσης την ευκαιρία να παρακολουθήσουν σεμινάρια από προσκεκλημένους ομιλητές ή ακαδημαϊκό προσωπικό από άλλα τμήματα του πανεπιστημίου. Οι δράσεις αυτές αποσκοπούν στη διεύρυνση της αντίληψης των φοιτητών γύρω από τις ερευνητικές πρακτικές και στην ανάδειξη διεπιστημονικών προσεγγίσεων.

Βιβλιογραφία

• Βασική Βιβλιογραφία

• Laurel, B. (Ed.). Design Research: Methods and Perspectives. MIT Press, 2003. ISBN: 978-0262122634
• Bell, J., Waters, S. Doing Your Research Project: A Guide for First-Time Researchers. McGraw-Hill Education (UK), 2014.
• O’Leary, Z. The Essential Guide to Doing Your Research Project. 3rd ed., SAGE Publications, 2021.
• Διαφάνειες και σημειώσεις διαλέξεων που ετοιμάζει ο διδάσκων.

• Συμπληρωματικό Υλικό (Προαιρετικό)

• Cohen, L., Manion, L., Morrison, K. Research Methods in Education. 7th ed., Routledge, 2011.

Αξιολόγηση

Τίτλος μαθήματος

Βαθιά Μάθηση ΙΙ

Κωδικός μαθήματος

CSE 528

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Β Εξάμηνο

Όνομα διδάσκοντα

Σωτήριος Χατζής

ECTS

8

Διαλέξεις / εβδομάδα

4

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα "Βαθιά Μάθηση ΙΙ" αποτελεί τη συνέχεια της σειράς στη βαθιά μάθηση και εστιάζει σε προχωρημένα θέματα και σύγχρονες τεχνικές. Βασιζόμενο στο υπόβαθρο του "Βαθιά Μάθηση Ι", αυτό το μάθημα εισάγει τους φοιτητές σε καινοτόμες αρχιτεκτονικές νευρωνικών δικτύων και μεθοδολογίες. Εξετάζονται σύγχρονες εξελίξεις όπως τα μοντέλα μετασχηματιστών (transformers), οι μηχανισμοί αυτοπροσοχής, τα μοντέλα διάχυσης (diffusion), και άλλες προχωρημένες γενετικές αρχιτεκτονικές. Περιλαμβάνονται επίσης τεχνικές τακτοποίησης, βελτιστοποίησης και εκπαίδευσης μεγάλης κλίμακας, καθώς και εφαρμογές αιχμής στον χώρο της έρευνας και της βιομηχανίας. Στόχος είναι οι φοιτητές να κατανοήσουν και να εφαρμόσουν αυτές τις τεχνικές, προετοιμαζόμενοι για σύγχρονα ερευνητικά προβλήματα και καινοτόμες λύσεις βαθιάς μάθησης.

Μαθησιακά αποτελέσματα

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν να:

1. Περιγράφουν προηγμένες αρχιτεκτονικές βαθιάς μάθησης (όπως transformers) και να εξηγούν τις αρχές σχεδίασής τους.
2. Εφαρμόζουν τεχνικές αιχμής (π.χ. γενετικά μοντέλα, προχωρημένη τακτοποίηση) για την επίλυση σύνθετων προβλημάτων.
3. Αξιολογούν κριτικά σύγχρονες ερευνητικές δημοσιεύσεις και να παρουσιάζουν τα ευρήματά τους με σαφήνεια.
4. Αναπτύσσουν λύσεις βαθιάς μάθησης για εφαρμογές μεγάλης κλίμακας ή καινοτόμες περιοχές, αντιμετωπίζοντας πρακτικές προκλήσεις.

Προαπαιτούμενα

Βαθιά Μάθηση Ι (ή αντίστοιχο μάθημα), ή πολύ καλή γνώση βασικών αρχών νευρωνικών δικτύων και αρχιτεκτονικών CNN/RNN.

Συναπαιτούμενα

Ναι

Περιεχόμενο μαθήματος

• Μοντέλα Μετασχηματιστών & Αυτοπροσοχή: Αρχιτεκτονική transformers, μηχανισμός αυτοπροσοχής, μοντέλα όπως BERT και GPT.
• Γενετικά Νευρωνικά Δίκτυα: VAEs, GANs, αρχές βαθιάς παραγωγικής μοντελοποίησης και σύνθεση δεδομένων.
• Μοντέλα Διάχυσης: Εισαγωγή σε μοντέλα διάχυσης για παραγωγή εικόνας/ήχου (π.χ. DDPM).
• Προχωρημένες Τεχνικές Κανονικοποίησης: Στρατηγικές για γενίκευση, όπως data augmentation, adversarial training.
• Εφαρμογές Αιχμής: LLMs στη φυσική γλώσσα, όραση υπολογιστών, ενισχυτική μάθηση, ερμηνευσιμότητα και ηθικά ζητήματα.

Μεθοδολογία διδασκαλίας

Όπως και στο μάθημα Deep Learning I, η διδασκαλία πραγματοποιείται μέσω εβδομαδιαίων διαλέξεων και συνεδριών με ενεργή συμμετοχή των φοιτητών. Κατά τις πρώτες επτά εβδομάδες, ο διδάσκων παρουσιάζει προχωρημένα θέματα της βαθιάς μάθησης, βασισμένα στην ύλη του μαθήματος. Στις έξι τελευταίες εβδομάδες του εξαμήνου, οι φοιτητές αναλαμβάνουν ενεργό ρόλο, παρουσιάζοντας επιλεγμένα πρόσφατα ερευνητικά άρθρα που σχετίζονται με τα θέματα που έχουν καλυφθεί.

Καθ’ όλη τη διάρκεια του μαθήματος, ο διδάσκων παρέχει διαφάνειες, σημειώσεις και συνοδευτικό υλικό αναφοράς για κάθε διάλεξη, και θέτει τακτικά προφορικές ερωτήσεις τόσο για την ύλη των διαλέξεων όσο και για τα ερευνητικά άρθρα, με σκοπό την ενίσχυση της ενεργούς συμμετοχής των φοιτητών. Οι φοιτητές καλούνται να ετοιμάζουν και να παραδίδουν σύντομες γραπτές περιλήψεις των ανατεθειμένων άρθρων πριν από κάθε μάθημα, καθώς και να συμβάλλουν ενεργά στις συζητήσεις στην τάξη.

Ο συνδυασμός διαλέξεων, φοιτητικών παρουσιάσεων, συζητήσεων επί ερωτημάτων και γραπτών περιλήψεων ενθαρρύνει την εις βάθος διερεύνηση της ύλης, ενισχύει την ικανότητα κριτικής ανάλυσης και προάγει την αυτοπεποίθηση των φοιτητών στη συζήτηση σύγχρονων ερευνητικών θεμάτων στον τομέα της βαθιάς μάθησης.

Βιβλιογραφία

• Πρωτογενές Υλικό

• Συλλογή πρόσφατων ερευνητικών άρθρων (διατίθενται μέσω της πλατφόρμας Moodle του μαθήματος), τα οποία αποτελούν τον βασικό κορμό μελέτης για κάθε θεματική ενότητα. Περιλαμβάνονται θεμελιώδεις εργασίες/ άρθρα σχετικά με transformers, diffusion models και άλλες προηγμένες τεχνικές, οι οποίες λειτουργούν ως κύρια πηγή γνώσης για το μάθημα.

• Βιβλίο και Συμπληρωματικό Υλικό
  • Αν και δεν υπάρχει κάποιο σύγγραμμα που να καλύπτει πλήρως όλα τα σύγχρονα θέματα, οι φοιτητές μπορούν να συμβουλεύονται το Deep Learning των Ian Goodfellow, Yoshua Bengio και Aaron Courville (MIT Press, 2016), για τα θεμελιώδη κεφάλαια που σχετίζονται με μέρος της ύλης.
  • Πρόσθετο υλικό, όπως πρόσφατες βιβλιογραφικές ανασκοπήσεις (survey papers) και διαδικτυακά tutorials ή τεκμηριώσεις, θα προτείνονται από τον διδάσκοντα για ενότητες όπως οι transformers και τα diffusion models, συμπληρώνοντας τις διαλέξεις και την ανάγνωση των άρθρων.

Αξιολόγηση

Τίτλος μαθήματος

Ασφάλεια και Ιδιωτικότητα στην Τεχνητή Νοημοσύνη και τα Συστήματα Δεδομένων

Κωδικός μαθήματος

CSE 529

Τύπος μαθήματος

Υποχρεωτικό

Επίπεδο

Μεταπτυχιακό

Έτος / Εξάμηνο

Πρώτο Έτος / Β Εξάμηνο

Όνομα διδάσκοντα

Παναγιώτης Ηλία

ECTS

7

Διαλέξεις / εβδομάδα

3

Εργαστήρια / εβδομάδα

-

Σκοπός και στόχοι μαθήματος

Το μάθημα επικεντρώνεται στις προκλήσεις ασφάλειας και προστασίας της ιδιωτικότητας που προκύπτουν κατά τον σχεδιασμό, την ανάπτυξη και την υλοποίηση συστημάτων τεχνητής νοημοσύνης και συστημάτων δεδομένων. Στόχος είναι να εφοδιάσει τους φοιτητές με σφαιρική κατανόηση των κινδύνων που προκύπτουν σε τέτοια περιβάλλοντα, και των στρατηγικών με τις οποίες μπορούν να αντιμετωπιστούν μέσω κατάλληλων επιλογών αρχιτεκτονικής και σχεδιασμού. Οι φοιτητές θα μάθουν να εντοπίζουν ευπάθειες και απειλές, να τις αξιολογούν με χρήση μεθόδων μοντελοποίησης κινδύνων και να λαμβάνουν τεκμηριωμένες αποφάσεις που ενσωματώνουν αρχές ασφάλειας και αρχές προστασίας προσωπικών δεδομένων. Έμφαση δίνεται σε κινδύνους όπως η διαρροή δεδομένων, η ανακατασκευή μοντέλων, και οι επιθέσεις παραπλάνησης (adversarial attacks).

Το μάθημα βασίζεται σε θεμελιώδεις έννοιες, όπως η ακεραιότητα δεδομένων, ο έλεγχος ταυτότητας, η διαχείριση πρόσβασης και η μοντελοποίηση απειλών, και τις αξιοποιεί στην ανάλυση και τον σχεδιασμό αξιόπιστων συστημάτων δεδομένων και τεχνητής νοημοσύνης. Καλύπτονται σύγχρονες μέθοδοι ενίσχυσης ιδιωτικότητας, όπως η ανωνυμοποίηση, η διαφορική ιδιωτικότητα (differential privacy) και η ομοσπονδιακή μάθηση (federated learning), με ανάλυση των περιορισμών, των υποθέσεων και των συμβιβασμών που τις συνοδεύουν. Οι θεματικές ενότητες επεκτείνονται σε όλα τα επίπεδα ενός σύγχρονου συστήματος: από τις εισόδους δεδομένων και τις διαδικτυακές πλατφόρμες έως τις ροές AI/ML. Συζητούνται ζητήματα όπως η παρακολούθηση, η δακτυλοσκόπηση χρηστών, η δηλητηρίαση δεδομένων, οι επιθέσεις αναγνώρισης συμμετοχής και οι ευπάθειες στην πλευρά του χρήστη, καθώς και βασικές αρχές όπως η πολυεπίπεδη άμυνα, ο καθαρισμός εισόδων και η ιδιωτικότητα εξ ορισμού.

Τέλος, γίνεται συστηματική σύνδεση με τη ρυθμιστική, την ηθική και δεοντολογική διάσταση (π.χ. συμμόρφωση με τον Γενικό Κανονισμό για την Προστασία Δεδομένων - GDPR), ενισχύοντας την ικανότητα των φοιτητών να σχεδιάζουν ανθεκτικά, διαφανή και υπεύθυνα συστήματα.

Μαθησιακά αποτελέσματα

Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

1. Κατανοούν τις βασικές αρχές ασφάλειας και ιδιωτικότητας, όπως είναι η εμπιστευτικότητα, ακεραιότητα, διαθεσιμότητα, ο έλεγχος ταυτότητας, η διαχείριση πρόσβασης, καθώς επίσης και την διάκριση μεταξύ ασφάλειας και ιδιωτικότητας.
2. Εντοπίζουν και να αναλύουν ευπάθειες και απειλές, εφαρμόζοντας τεχνικές μοντελοποίησης κινδύνων για την αξιολόγηση ρίσκων σε διαφορετικά είδη αρχιτεκτονικής και συστημάτων.
3. Αξιολογούν μεθόδους ενίσχυσης της ιδιωτικότητας, όπως η ανωνυμοποίηση, η ψευδωνυμοποίηση, η διαφορική ιδιωτικότητα, η ομοσπονδιακή μάθηση και η ασφαλής πολυμερής υπολογιστική, κατανοώντας τις παραδοχές, τους περιορισμούς και τη χρησιμότητά τους στον σχεδιασμό συστημάτων.
4. Αναγνωρίζουν και αξιολογούν κινδύνους ασφάλειας και ιδιωτικότητας σε ευφυή συστήματα, όπως επιθέσεις παραπλάνησης, δηλητηρίασης δεδομένων, αναγνώρισης συμμετοχής και αντιστροφής μοντέλου.
5. Αναλύουν ζητήματα έκθεσης δεδομένων σε διαδικτυακές υποδομές, όπως η παρακολούθηση, η δακτυλοσκόπηση χρηστών και οι ευπάθειες στην πλευρά του χρήστη.
6. Εφαρμόζουν αρχές σχεδιασμού ασφαλών και συστημάτων, όπως η πολυεπίπεδη άμυνα, ο καθαρισμός εισόδων και η «ιδιωτικότητα εξ ορισμού», και να αξιολογούν τα σχετικά συμβιβαστικά ζητήματα σε επίπεδο απόδοσης, ανθεκτικότητας, διαφάνειας και δικαιοσύνης.

Προαπαιτούμενα

CSE 423 – Εισαγωγή στην Κρυπτογραφία και την Ασφάλεια Υπολογιστών

Συναπαιτούμενα

-

Περιεχόμενο μαθήματος

Το περιεχόμενο του μαθήματος οργανώνεται σε πέντε βασικές θεματικές ενότητες, καθεμία εκ των οποίων καλύπτει ένα διακριτό σύνολο τεχνικών περιοχών και εννοιών:

Θεματική Ενότητα 1: Βασικές Έννοιες Ασφάλειας και Ιδιωτικότητας
Εμπιστευτικότητα, κεραιότητα, διαθεσιμότητα (CIA); έλεγχος ταυτότητας, εξουσιοδότηση και διαχείριση πρόσβασης, διάκριση μεταξύ ιδιωτικότητας και ασφάλειας, μοντέλα επιτιθέμενων, εισαγωγή στη μοντελοποίηση απειλών μέσω των πλαισίων STRIDE και LINDDUN.

Θεματική Ενότητα 2: Τεχνικές και Περιορισμοί Προστασίας Δεδομένων
Ανωνυμοποίηση, ψευδωνυμοποίηση και κίνδυνοι επαναταυτοποίησης· διαφορική ιδιωτικότητα και ομοσπονδιακή μάθηση, ασφαλής πολυμερής υπολογιστική (secure multiparty computation) και ομομορφική κρυπτογράφηση (homomorphic encryption) ως εννοιολογικά μοντέλα.

Θεματική Ενότητα 3: Ασφάλεια και Ιδιωτικότητα σε Ευφυή Συστήματα
Επιθέσεις παραπλάνησης (adversarial attacks), δηλητηρίαση δεδομένων και «πίσω πόρτες» (backdoors); επιθέσεις αναγνώρισης συμμετοχής (membership inference) και αναστροφή μοντέλων (model inversion); στρατηγικές μετριασμού, συμβιβασμοί μεταξύ ιδιωτικότητας και ερμηνευσιμότητας σε συστήματα τεχνητής νοημοσύνης και μηχανικής μάθησης.

Θεματική Ενότητα 4: Ιδιωτικότητα και Κίνδυνοι Έκθεσης σε Web Περιβάλλοντα
Συλλογή δεδομένων μέσω διαδικτύου, μοντέλα ασφάλειας διαδικτύου (Same-Origin Policy, CSP, CORS); παρακολούθηση (tracking), δακτυλοσκόπηση (fingerprinting) και ευπάθειες στην πλευρά του χρήστη, επιπτώσεις στον σχεδιασμό συστημάτων.

Θεματική Ενότητα 5: Σχεδιασμός Ασφαλών Συστημάτων και Σχετικοί Συμβιβασμοί
Άμυνα σε βάθος, καθαρισμός εισόδων, ελαχιστοποίηση δεδομένων, ασφάλεια και ιδιωτικότητα εξ ορισμού; πολιτικές καταγραφής και διατήρησης δεδομένων· ανθεκτικότητα συστημάτων, διαφάνεια, δικαιοσύνη και ευθυγράμμιση του σχεδιασμού με τον Γενικό Κανονισμό για την Προστασία Δεδομένων (GDPR); ηθικές και δεοντολογικές αρχές.

Μεθοδολογία διδασκαλίας

Το μάθημα διδάσκεται μέσω εβδομαδιαίων διαλέξεων από τον διδάσκοντα, με χρήση υλικού που έχει σχεδιαστεί ειδικά για τις ανάγκες του μαθήματος, καθώς και επιλεγμένων συμπληρωματικών πηγών. Οι διαλέξεις καλύπτουν τις θεματικές ενότητες του μαθήματος, εισάγοντας τους φοιτητές σε βασικές έννοιες, τεχνικές και κρίσιμες παραμέτρους σχεδιασμού.

Κάθε διάλεξη περιλαμβάνει καθοδηγούμενες συζητήσεις και ερωτήσεις, με στόχο την ενίσχυση της ενεργής συμμετοχής και την εμβάθυνση στην κατανόηση των εννοιών που παρουσιάζονται. Μετά από κάθε μάθημα, οι φοιτητές καλούνται να συντάξουν μια σύντομη γραπτή σύνοψη της ενότητας. Οι σύνοψεις αυτές συζητούνται στην αρχή της επόμενης διάλεξης, με σκοπό την εμπέδωση της ύλης και την ευκαιρία για διευκρινίσεις και αναστοχασμό.

Κατά τις δύο τελευταίες εβδομάδες του μαθήματος, οι φοιτητές επιλέγουν και μελετούν κριτικά μία ερευνητική εργασία από προκαθορισμένη λίστα που σχετίζεται με τη θεματολογία του μαθήματος. Κάθε φοιτητής παρουσιάζει την ερευνητική εργασία που επέλεξε και συντονίζει μια σύντομη συζήτηση στην τάξη, με έμφαση στα βασικά ευρήματα, στους περιορισμούς της μελέτης και στις συνδέσεις με τα θέματα που καλύφθηκαν στο μάθημα.

Η δραστηριότητα αυτή φέρνει τους φοιτητές σε επαφή με τη σύγχρονη ερευνητική βιβλιογραφία και τους βοηθά να αναπτύξουν δεξιότητες ανάλυσης, κριτικής σκέψης και τεχνικής επικοινωνίας. Παράλληλα, ενθαρρύνεται η σύνδεση των εννοιών μεταξύ ενοτήτων, η αξιολόγηση της συνάφειας της έρευνας με πρακτικές προκλήσεις, και η διατύπωση τεκμηριωμένων απόψεων για αναδυόμενα ζητήματα στον τομέα.

Βιβλιογραφία

• Βασικό Υλικό

• Διαφάνειες και σημειώσεις διαλέξεων που προετοιμάζονται από τον διδάσκοντα και διατίθενται εβδομαδιαία, σε αντιστοιχία με τις θεματικές ενότητες του μαθήματος. Το υλικό αυτό αποτελεί την κύρια πηγή αναφοράς για το περιεχόμενο των διαλέξεων και προορίζεται να υποστηρίξει τους φοιτητές στην προετοιμασία των γραπτών περιλήψεων και των συζητήσεων στην τάξη.

• Βιβλία και Συμπληρωματικό Υλικό

Δεν υπάρχει κάποιο βιβλίο που να καλύπτει το σύνολο της ύλης του μαθήματος. Οι φοιτητές καλούνται να μελετήσουν επιλεγμένα κεφάλαια από τα παρακάτω προτεινόμενα βιβλία, ανάλογα με τη θεματική ενότητα:

• Stallings, W., Brown, L., Computer Security: Principles and Practice. 4th ed., Pearson, 2017.
• Hoffman, A. Web Application Security: Exploitation and Countermeasures for Modern Web Applications. 1st ed., O’Reilly Media, 2020.
• Chio, C., Freeman, D. Machine Learning and Security: Protecting Systems with Data and Algorithms. 1st ed., O’Reilly Media, 2018.

• Ερευνητικά Άρθρα

Επιμελημένη λίστα ερευνητικών άρθρων που καλύπτουν και πρόσφατες εξελίξεις σε συναφείς επιστημονικές περιοχές. Οι φοιτητές θα κληθούν να επιλέξουν ένα άρθρο, να το αναλύσουν κριτικά και να το παρουσιάσουν στις δύο τελευταίες εβδομάδες του μαθήματος, συνδέοντάς το με τις έννοιες και τα θέματα που έχουν καλυφθεί κατά τη διάρκεια του εξαμήνου.

Αξιολόγηση