Στόχοι Μαθήματος: Οι φοιτητές θα πρέπει να αφομοιώσουν τις απαραίτητες θεωρητικές και πρακτικές γνώσεις σχετικά με τις διάφορες φάσεις της ψηφιακής επεξεργασίας μονοδιάστατων και δισδιάστατων ψηφιακών σημάτων. Σχεδιασμός και ανάλυση ψηφιακών συστημάτων και των εφαρμογών/υλοποιήσεών τους με χρήση προγραμματισμού. Το μάθημα προσφέρεται μέσω ενός συνδυασμού διαλέξεων, ασκήσεων και εργαστηρίων προγραμματισμού.

Μαθησιακά Αποτελέσματα: Να αποκτήσουν ολοκληρωμένη γνώση ανάλυσης σήματος, προδιαγραφών, λειτουργίας, σχεδίασης, ανάλυσης και προγραμματισμού ψηφιακών συστημάτων. Επίσης αποκτήστε γνώσεις για συστήματα και ιδιότητες διακριτού χρόνου, συνεχή και διακριτό μετασχηματισμό Fourier και εφαρμογές. Εισαγωγή στη σχεδίαση πεπερασμένων και άπειρων ψηφιακών φίλτρων (FIR και IIR) κρουστικής απόκρισης.

Περιεχόμενο Μαθήματος: Το μάθημα βασίζεται στα βασικά στοιχεία της ανάλυσης και επεξεργασίας ψηφιακών σημάτων και συστημάτων, που προσφέρονται στο προαπαιτούμενο μάθημα και έχει ως κύριους στόχους τους: (1)Ανακεφαλαίωση σε σήματα, συστήματα, ημιτονοειδείς δειγματοληψίες. Αλλαγή και δίπλωμα. Θεώρημα δειγματοληψίας. (2) Συστήματα και ιδιότητες διακριτού χρόνου. Παρορμητική απόκριση. Σύγκλιση. Εφαρμογή σε περιβάλλον MATLAB. (3) Σειρά, μετασχηματισμός Fourier και ιδιότητες. Απόκριση Συχνότητας Συστήματος. Συστήματα απόκρισης πεπερασμένης και άπειρης κρούσης (FIR, IIR). Εφαρμογές σε περιβάλλον MATLAB. (4)Απόκριση συχνότητας συστημάτων FIR και IIR. Γραμμική φάση. (5) Δειγματοληψία συχνότητας. Διακριτός μετασχηματισμός Fourier. Εφαρμογές σε περιβάλλον MATLAB. (6) Ιδιότητες και εφαρμογές διακριτού μετασχηματισμού Fourier. Ανάλυση φάσματος σήματος. Κυκλική συνέλιξη. (7) Εισαγωγή στα ψηφιακά φίλτρα. Σχεδιασμός φίλτρων FIR με χρήση παραθύρων. Εφαρμογές σε περιβάλλον MATLAB. (8) Σχεδιασμός φίλτρων FIR με δειγματοληψία συχνότητας. (9) Z-Transform. Υλοποίηση σε περιβάλλον MATLAB. (10) Σχεδιασμός φίλτρων IIR. (11) Εφαρμογή συστημάτων διακριτού χρόνου. Καλύπτονται τα ακόλουθα κεφάλαια: (1) Δειγματοληψία ημιτονοειδών σημάτων. Θεώρημα δειγματοληψίας. (2)Συστήματα διακριτού χρόνου και οι ιδιότητές τους. (3) Σειρά Fourier και μετασχηματισμός Fourier και ιδιότητες. Συστήματα πεπερασμένης και άπειρης συνέλιξης (απόκρισης) (FIR, IIR). (4) Δειγματοληψία συχνότητας. Διακριτός μετασχηματισμός Fourier. Κυκλική συνέλιξη. (5) Εισαγωγή στα ψηφιακά φίλτρα. Σχεδιασμός φίλτρων FIR με χρήση παραθύρων και δειγματοληψία συχνότητας. (6)Μετασχηματισμός Ζ. (7) Σχεδιασμός φίλτρων IIR.

Στόχοι Μαθήματος: Οι στόχοι αυτού του μαθήματος είναι: (1) Nα αποκτήσουν οι φοιτητές εργαστηριακή hands-on εμπειρία στον σχεδιασμό ψηφιακών κυκλωμάτων και στην χρήση έτοιμων Ολοκληρωμένων Κυκλωμάτων (ICs) τόσο σε εκπαιδευτικά boards όσο και με CAD εργαλεία σε FPGAs. (1) Nα αποκτήσουν οι φοιτητές πρακτική γνώση και να εξασκηθούν στην χρήση των απαραίτητων σχεδιαστικών προσεγγίσεων για τον σχεδιασμό συστημάτων όπως η επαναχρησιμοποίηση, η ιεραρχική σχεδίαση, επίπεδα αφαιρετικότητας κ.α. (3) Nα αποκτήσουν οι φοιτητές πρακτική γνώση και να εξασκηθούν στις τεχνικές ελέγχου ορθής λειτουργίας και αποσφαλμάτωσης κατά την φάση σχεδιασμού (simulation). (4) Η μελέτη και κατανόηση των αρχών λειτουργίας των ψηφιακών συστημάτων και κυκλωμάτων, των παραμέτρων τους, τον σχεδιαστικών περιορισμών τους και των διάφορων τεχνολογιών υλοποίησης και σχεδίασης τους. (5) Η χρήση και κατανόηση της δομής και τρόπου λειτουργίας και αξιοποίησης των συσκευών FPGA, η σχηματική περιγραφή κυκλωμάτων συνδυαστικής και ακολουθιακής λογικής καθώς και η σύγκριση με την περιγραφή ψηφιακών κυκλωμάτων και συστημάτων με γλώσσες περιγραφής υλικού (HDLs). (6) H υλοποίηση τόσο σε εκπαιδευτικά boards όσο και με CAD εργαλεία σε FPGAs με ταυτόχρονη κατανόηση των αρχών που διέπουν τον σχεδιασμό κυκλωμάτων συνδυαστικής και ακολουθιακής λογικής καθώς και ο βέλτιστος σχεδιασμός τους και οι διάφορες παράμετροι υλοποίησης τους. (7) H ανάλυση, σχεδίαση και υλοποίηση απαριθμητών (σύγχρονων και ασύγχρονων) όπως και πιο πολύπλοκων σχεδιασμών όπως οι ALUs τόσο σε εκπαιδευτικά boards όσο και σε FPGAs μέσω CAD tools.

Μαθησιακά Αποτελέσματα: Στο τέλος αυτού του μαθήματος οι φοιτητές θα έχουν: (1) Αποκτήσει Ηands-on experience στον σχεδιασμό ψηφιακών κυκλωμάτων (συνδυαστικά και ακολουθιακά) και στην χρήση έτοιμων ολοκληρωμένων ICs τόσο σε CAD εργαλεία με τελική υλοποίηση σε FPGAs όσο και σε εκπαιδευτικά boards. (2) Αποκτήσει πρακτικές γνώσεις για να εφαρμόζουν τις απαραίτητες σχεδιαστικές τεχνικές όπως Eπαναχρησιμοποίηση, Ιεραρχικό σχεδιασμό, Επίπεδα αφαιρετικότητας κλπ για την αποδοτική υλοποίηση πολύπλοκων σχεδιασμών. (3) Αποκτήσει πρακτικές γνώσεις στο να κάνουν αποδοτικά έλεγχο ορθής λειτουργίας (simulation) και αποσφαλμάτωση των σχεδιασμών τους κατά την φάση σχεδιασμού. (4) Μελετήσει και κατανοήσει τις βασικές αρχές λειτουργίας και σχεδιασμού των ψηφιακών συστημάτων και κυκλωμάτων, τις παραμέτρους τους και σχεδιαστικούς περιορισμούς τους και τις διάφορες σχεδιαστικές επιλογές τους, τόσο σε FPGAs όσο και σε εκπαιδευτικά boards. (5) Κατανοήσει την εσωτερική δομή καθώς και την χρήση των FPGAs για σχεδιασμό συνδυαστικών και ακολουθιακών κυκλωμάτων. (6) Μάθει να χρησιμοποιούν CAD tools λογισμικά για τον σχεδιασμό, την εξομοίωση της λειτουργίας των ψηφιακών κυκλωμάτων καθώς και για την τελική υλοποίηση των σχεδιασμών τους σε FPGA. (7) Εκπαιδευτεί να χρησιμοποιούν άριστα τον εργαστηριακό εξοπλισμό για τους πειραματικούς σχεδιασμούς τους ήτοι τα breadboards, ICs, γεννήτριες συχνοτήτων, πολύμετρα, ψηφιακούς παλμογράφους κλπ. (8) Κατανοήσει την διαφορά μεταξύ υλοποίησης μέσω σχεδιαστικής περιγραφής και υλοποίησης μέσω γλωσσών περιγραφής υλικού HDL. (9) Υλοποιήσει σύνθετους σχεδιασμούς σε FPGAs, με διαχείριση της πολυπλοκότητας των σχεδιασμών και αποτίμηση των πλεονεκτημάτων/μειονεκτημάτων κάθε σχεδιαστικής προσέγγισης.

Περιεχόμενο Μαθήματος: Επεξήγηση εξοπλισμού, εξοικείωση με τις βασικές λογικές πύλες και σχεδιασμός και υλοποίηση κυκλωμάτων και εφαρμογών συνδυαστικής λογικής, με την χρήση ολοκληρωμένων SSI και MSI κυκλωμάτων. Σχεδιασμός και υλοποίηση Αθροιστών, Συγκριτή, Πολυπλεκτών, Αποκωδικοποιητών, Κωδικοποιητών κ.α., σε εκπαιδευτικό board. Εξοικείωση με Flip Flops: S-R flip flop, D flip flop και J-K flıp flop. Λειτουργίες Preset και Clear. Υλοποίηση απλών ακολουθιακών κυκλωμάτων και εφαρμογών (εκπαιδευτικό board). Σχεδιασμός και υλοποίηση Ασύγχρονων και Σύγχρονων απαριθμητών (εκπαιδευτικό board). Εισαγωγή στο πρόγραμμα σχεδιασμού ALTERA Quartus II, στις προγραμματιζόμενες συσκευές και στην υλοποίηση ψηφιακών κυκλωμάτων μέσω προγραμματισμού FPGA board. FPGΑs vs ICs, Σχηματική περιγραφή vs HDL περιγραφής, Simulation και Debugging στο Altera Quartus II, Κατέβασμα σχεδιασμού σε FPGA. Σχεδιασμός και υλοποίηση σε FPGA συνδυαστικών κυκλωμάτων: Αθροιστών, Συγκριτή, Πολυπλεκτών, Αποκωδικοποιητών, Κωδικοποιητών κ.α. Ιεραρχική σχεδίαση και αλυσιδωτή (cascade) σύνδεση. Τεχνική επαναχρησιμοποίησης. Σχεδιασμός και υλοποίηση σε FPGA  ψηφιακών κυκλωμάτων ακολουθιακής λογικής: S-R flıp flop, D flıp flop και J-K flıp flop. Κυκλώματα Ασύγχρονων και Σύγχρονων απαριθμητών  σε FPGAs. Ιεραρχική σχεδίαση και υλοποίηση σε FPGA board Αριθμητικής και Λογικής Μονάδας (ALU). Επίπεδα αφαιρετικότητας, πλεονεκτήματα και μειονεκτήματα. Σχηματική περιγραφή vs HDL περιγραφής

Στόχοι Μαθήματος: Κατανόηση των ιδιοτήτων και λειτουργίας διατάξεων ημιαγωγών για συγκεκριμένες εφαρμογές. Οι φοιτητές πρέπει να μπορούν να αναλύουν και να σχεδιάζουν κυκλώματα με διόδους και τρανζίστορ.

Μαθησιακά Αποτελέσματα: Να αποκτήσουν ολοκληρωμένη γνώση σχετικά με την ανάλυση, λειτουργία, σχεδιασμό και εφαρμογή κυκλωμάτων με διόδους και τρανζίστορ.

Περιεχόμενο Μαθήματος: (1) Δίοδοι επαφής, (2) Διπολικοί τρανζίστορ επαφής (BJT), (3) Τρανζίστορ πεδίου (FET), (4) Πόλωση και σταθερότητα, (5) Ενισχυτές μικρού σήματος, (6) Διαφορικοί ενισχυτές, (7) Απόκριση συχνότητας.

Στόχοι Μαθήματος: Το 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.

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.

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.

Περιεχόμενο Μαθήματος: (1) Μοντέλα Μετασχηματιστών & Αυτοπροσοχή: Αρχιτεκτονική transformers, μηχανισμός αυτοπροσοχής, μοντέλα όπως BERT και GPT. (2) Γενετικά Νευρωνικά Δίκτυα: VAEs, GANs, αρχές βαθιάς παραγωγικής μοντελοποίησης και σύνθεση δεδομένων. (3) Μοντέλα Διάχυσης: Εισαγωγή σε μοντέλα διάχυσης για παραγωγή εικόνας/ήχου (π.χ. DDPM). (4) Προχωρημένες Τεχνικές Κανονικοποίησης: Στρατηγικές για γενίκευση, όπως data augmentation, adversarial training. (5) Εφαρμογές Αιχμής: LLMs στη φυσική γλώσσα, όραση υπολογιστών, ενισχυτική μάθηση, ερμηνευσιμότητα και ηθικά ζητήματα.

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.

Περιεχόμενο Μαθήματος: (1) Εισαγωγή στη Βαθιά Μάθηση: Ιστορικό, σημασία και εφαρμογές. (2) Βασικά Νευρωνικά Δίκτυα: Perceptrons, συναρτήσεις ενεργοποίησης, πολυεπίπεδα δίκτυα, αλγόριθμος backpropagation. (3) Αναπαραστάσεις Δεδομένων: Μάθηση χαρακτηριστικών αυτόματα έναντι παραδοσιακής εξαγωγής χαρακτηριστικών. (4) Εκπαίδευση Νευρωνικών Δικτύων: Στοχαστική καθοδική κλίση και παραλλαγές, συναρτήσεις κόστους, σταθερότητα εκπαίδευσης. (5) Κανονικοποίηση: L2, dropout, early stopping, και η επίδρασή τους στη γενίκευση. (6) Βελτιστοποίηση και Ρύθμιση Υπερπαραμέτρων: Ρυθμός μάθησης, μέγεθος batch, αρχικοποίηση, κανονικοποίηση batch. (7) Συνελικτικά Δίκτυα (CNNs): Αρχές, αρχιτεκτονικές, και εξαγωγή χωρικών χαρακτηριστικών. (8) Επαναλαμβανόμενα Δίκτυα (RNNs): Μοντελοποίηση ακολουθιών, LSTM/GRU.

Στόχοι Μαθήματος: Στόχος του μαθήματος είναι να εμβαθύνει σε συγκεκριμένες περιοχές και προχωρημένα θέματα της Σχεδίασης και Ελέγχου Ολοκληρωμένων Κυκλωμάτων όπως: (1) H ροή σχεδιασμού και η υλοποίηση συστημάτων υλικού καθώς και μελέτη και συγκριτική αποτίμηση των διαφορετικών εναλλακτικών αρχιτεκτονικών υλοποίησης τους. (2) Τεχνικές βελτιστοποίησης ψηφιακών σχεδιασμών και πρακτική εφαρμογή τους. (3) Τεχνικές ελέγχου και ελεγξιμότητας ορθής λειτουργίας ολοκληρωμένων κυκλωμάτων (ICs), στην αποτίμηση γραμμών παραγωγής IC (yield), στα οικονομικά του ελέγχου ICs κ.α. (4) Η μοντελοποίηση και ανίχνευση σφαλμάτων και ο σχεδιασμός για ελεγξιμότητα ICs.

Μαθησιακά Αποτελέσματα: Τα μαθησιακά αποτελέσματα του μαθήματος είναι: (1) H αξιολόγηση και χρήση των εναλλακτικών αρχιτεκτονικών υλοποίησης και στρατηγικών σχεδιασμού ψηφιακών συστημάτων για τη σχεδίαση ψηφιακών κυκλωμάτων υψηλής ταχύτητας, χαμηλής κατανάλωσης και μικρής επιφάνειας ολοκλήρωσης. (2) H συγκριτική αποτίμηση και χρήση τεχνικών βελτιστοποίησης σε όλα τα επίπεδα της σχεδιαστικής ροής. (3) Η απόκτηση εκτενούς εμπειρίας στον σχεδιασμό, βελτιστοποίηση και υλοποίηση σχεδιασμών  ψηφιακών συστημάτων σε υλικό με τη γλώσσα περιγραφής υλικού VHDL μέσω των κατ' οίκον εβδομαδιαίων mini εργαστηριακών ασκήσεων. (4) Η αξιολόγηση και αποτίμηση των διαφόρων  τεχνικών ελέγχου ολοκληρωμένων κυκλωμάτων αναφορικά και με οικονομικές παραμέτρους του σχεδιασμού και υλοποίησης ICs. (5) Η χρήση και πρακτική εφαρμογή τεχνικών ανίχνευσης και μοντελοποίησης σε λογικό επίπεδο των σφαλμάτων σε ICs καθώς και τεχνικών σχεδιασμού για ελεγξιμότητα  σε ICs.

Περιεχόμενο Μαθήματος: Εισαγωγικές  αλλά και προχωρημένες τεχνικές ανάπτυξης, σχεδιασμού και ελέγχου ολοκληρωμένων κυκλωμάτων. Τεχνικές βελτιστοποίησης ψηφιακών σχεδιασμών ως προς διάφορες παραμέτρους των σχεδιαζόμενων συστημάτων καθώς και εφαρμοσμένες πρακτικές επαλήθευσης των σχεδιασμών αυτών. Αναλυτική προσέγγιση της ροής σχεδιασμού, των επιπέδων σχεδιασμού και υλοποιήσεων ψηφιακών συστημάτων, Top/Down και Bottom/Up προσέγγιση με παραδείγματα, Θέματα χρονισμού και βελτιστοποίησης του. Σχεδίαση συστημάτων με pipeline για υψηλή απόδοση. Σχεδίαση συστημάτων με παραλληλισμό για χαμηλή κατανάλωση. Σχεδιασμοί με Pipeline, Αλγοριθμικό ξεδίπλωμα, και παράλληλη επεξεργασία για χαμηλή κατανάλωση. Υλοποίηση Testbenches για εξομοίωση συστημάτων. Προβλήματα σχεδίασης σε σύγχρονες τεχνολογίες μικρότερες των 90nm. Σχεδιασμός ψηφιακών συστημάτων με γλώσσα περιγραφής υλικού VHDL. Περιπτωσιολογική εκτενής ανάλυση και βελτιστοποιημένος επανασχεδιασμός  υλοποίησης σε υλικό κρυπτογραφικού αλγορίθμου: περίπτωση συνάρτησης κατακερματισμού SHA-1 με  pipelined σχεδιασμό. Εισαγωγή στον έλεγχο ορθής λειτουργίας. Μοντελοποίηση και ανίχνευση σφαλμάτων. Μοντέλα απλών και πολλαπλών σφαλμάτων. Κάλυψη σφαλμάτων. Σφάλματα γεφύρωσης. Λογική εξομοίωση και εξομοίωση σφαλμάτων. Σειριακοί, Παράλληλοι, Επαγωγικοί και Σύνδρομοι εξομοιωτές σφαλμάτων. Δημιουργία και εφαρμογή διανυσμάτων ελέγχου. Αλγεβρικές και αλγοριθμικές μέθοδοι εξαγωγής διανυσμάτων ελέγχου. Τεχνικές σχεδιασμού για ελεγξιμότητα. Σημεία παρατήρησης και ελέγχου. Ψευδό-εξαντλητικός έλεγχος. Scan-path τεχνική για έλεγχο ακολουθιακών κυκλωμάτων.

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.

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.

Στόχοι Μαθήματος: Το μάθημα διερευνά το σχεδιασμό και την ανάλυση σύγχρονων αρχιτεκτονικών υπολογιστών, με έμφαση σε συστήματα υψηλής επίδοσης και ενεργειακής απόδοσης. Βασιζόμενοι στη θεμελιώδη αρχιτεκτονική υπολογιστών, οι φοιτητές θα εμβαθύνουν σε προηγμένα θέματα όπως η επεξεργασία πολλαπλών πυρήνων. Το μάθημα καλύπτει επίσης τις τάσεις της βιομηχανίας αιχμής και τις κατευθύνσεις έρευνας, συμπεριλαμβανομένων των επιταχυντών τεχνητής νοημοσύνης, του σχεδιασμού GPU και TPU, του RISC-V, των αρχιτεκτονικών για συγκεκριμένο τομέα και της ασφάλειας υλικού. Μέσω ενός μίγματος θεωρίας, εργαλείων προσομοίωσης, περιπτωσιολογικών μελετών και συζητήσεων ερευνητικών/επιστημονικών άρθρων, οι φοιτητές θα αποκτήσουν βαθιά εννοιολογική κατανόηση και πρακτικές δεξιότητες στην αξιολόγηση και το σχεδιασμό σύνθετων αρχιτεκτονικών που οδηγούν τους σύγχρονους υπολογιστές.

Μαθησιακά Αποτελέσματα: Με την ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν να: (1) Περιγράφουν και να εξηγούν προχωρημένες αρχές που διέπουν την αρχιτεκτονική ειδών μοντέρνων επεξεργαστών και βελτιστοποιήσεων και τον αντίκτυπο τους στην επίδοση των εφαρμογών. (2) Να αξιολογούν τις σύγχρονες τεχνολογίες στην περιοχή της αρχιτεκτονικής υπολογιστών. (3) Κατανοούν, να κρίνουν και να αναλύουν επιστημονικά άρθρα στον τομέα της Αρχιτεκτονικής Υπολογιστών. (4) Διεκπεραίωσης έρευνα σε προχωρημένο πτυχιακό επίπεδο, μέσω της ανάπτυξης βασικών ερευνητικών δεξιοτήτων.

Περιεχόμενο Μαθήματος: Το μάθημα θα περιλαμβάνει τις εξής ενότητες: (1) Βασικές αρχές των επεξεργαστών, (2)  Παραλληλισμός και Παράλληλες αρχιτεκτονικές (Scalable Multi-core and Many-core Systems, Interconnection Networks and NoC (Network-on-Chip)), (3) Αναδυόμενες και υψηλών επιδόσεων αρχιτεκτονικές (GPU Architecture and GPGPU Programming,  Specialized AI Accelerators,  RISC-V Architecture and Open-ISA Revolution,  Heterogeneous Computing), (4)  Επιταχυντές και αρχιτεκτονικές για ειδικές εφαρμογές (FPGAs in the Datacenter,  Neuromorphic Computing, Quantum-Aware Architectures,  In-Memory Computing), (5)  Ασφάλεια στο υλικό και τις αρχιτεκτονικές (Side-channel Attacks and Defenses, Trusted Execution Environments (Intel SGX, AMD SEV)), (6) Τρέχουσες κατευθύνσεις και τάσεις έρευνας στον ευρύτερο τομέα της Αρχιτεκτονικής Υπολογιστών (Open Hardware Movement and Hardware-Software Co-design, Approximate Computing)

Στόχοι Μαθήματος: Να 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.

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.