Ηρόδοτος Ηροδότου
Ο Ηρόδοτος Ηροδότου είναι Επίκουρος Καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής (ΗΜΜΗΥΠ) του Τεχνολογικού Πανεπιστημίου Κύπρου, όπου είναι ο Επιστημονικός Υπεύθυνος του Data Intensive Computing Research Lab.
Έλαβε Διδακτορικό (Ph.D.) και Μεταπτυχιακό Τίτλο Σπουδών (M.Sc.) στον κλάδο της Πληροφορικής από το Duke University τον Μάιο του 2012 και τον Μάιο του 2009, αντίστοιχα. Συμπλήρωσε τις προπτυχιακές του σπουδές στο University of Maryland, Baltimore County (UMBC) τον Μάιο του 2007 εξασφαλίζοντας πτυχίο στην Πληροφορική και στα Μαθηματικά. Η διδακτορική του διατριβή με τίτλο "Automatic [...]" έλαβε τις τιμητικές διακρίσεις "SIGMOD Jim Gray Doctoral Dissertation Award Honorable Mention" και "Outstanding Ph.D. Dissertation Award in Computer Science at Duke".
Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν τα Συστήματα Επεξεργασίας Δεδομένων Μεγάλης Κλίμακας και Συστήματα Βάσεων Δεδομένων. Ειδικότερα, το έργο του επικεντρώνεται στην απλοποίηση χρήσης, στην διαχειρισιμότητα και στην αυτόματη ρύθμιση κεντρικών καθώς και κατανεμημένων συστημάτων ανάλυσης δεδομένων μεγάλης κλίμακας. Επιπλέον, ενδιαφέρεται για την εφαρμογή τεχνικών των Βάσεων Δεδομένων και Μηχανικής Μάθησης σε άλλους τομείς, όπως η Ναυτιλιακή Πληροφορική, Υπολογιστική Επιστήμη, η Βιοπληροφορική και η Κοινωνική Πληροφορική.
Στο παρελθόν, ο Δρ. Ηροδότου εργάστηκε ως Senior Research SDE στην ομάδα "Data Management, Exploration and Mining (DMX)" της Microsoft Research. Ασχολήθηκε με διάφορα ερευνητικά έργα που σχετίζονται με το υπολογιστικό νέφος (cloud computing) καλύπτοντας τα στρώματα υπολογισμού, αποθήκευσης και δικτύωσης σε παγκόσμια κέντρα δεδομένων. Η επαγγελματική του εμπειρία περιλαμβάνει επιπλέον ερευνητικές θέσεις εργασίας στα Yahoo! Labs και στην Aster Data, καθώς και προγραμματιστικές θέσεις εργασίας στη Microsoft και στο RWD Technologies.
Οι κύριοι ερευνητικοί τομείς με τους οποίους ασχολείται ο Δρ. Ηροδότου είναι:
- Συστήματα Επεξεργασίας Δεδομένων μεγάλης κλίμακας (π.χ., MapReduce, Spark)
- Κεντρικά και Κατανεμημένα Συστήματα Βάσεων Δεδομένων
- Υπολογιστικό νέφος - cloud computing (στρώματα υπολογισμού, αποθήκευσης και δικτύωσης)
Ως ένθερμος υποστηρικτής της εφαρμοσμένης έρευνας, ο Δρ. Ηροδότου επικεντρώνεται στην καινοτόμο επίλυση πρακτικών προβλημάτων στους τομείς διαχείρισης των πληροφοριών, υποδομής για τα συστήματα βάσεων δεδομένων μεγάλης κλίμακας, μείωσης του συνολικού κόστους ιδιοκτησίας των συστημάτων διαχείρισης πληροφοριών, επιτρέποντας ευέλικτους τρόπους για την αναζήτηση, περιήγηση και οργάνωση πλούσιων συνόλων δεδομένων που περιέχουν τόσο δομημένα όσο και αδόμητα δεδομένα, καθώς και της αυτοματοποιημένης διαχείρισης των συστημάτων βάσεων δεδομένων και επεξεργασίας δεδομένων.
Λίστα με δημοσιεύσεις: https://dicl.cut.ac.cy/publications
Google Scholar: http://scholar.google.com/citations?user=jyykiFIAAAAJ&hl=en
US Patent 9,367,601 B2. Cost-Based Optimization of Configuration Parameters and Cluster Sizing for Hadoop. June 2016.
US Provisional Patent DU4146PROV. Systems and Methods for Cost-Based Optimization for MapReduce Workflows. March 2013.
Τρέχον Ερευνητικές Εργασίες: https://dicl.cut.ac.cy/research/ongoingprojects
Προηγούμενες Ερευνητικές Εργασίες: https://dicl.cut.ac.cy/research/completedprojects
Πηγές Χρηματοδότησης: https://dicl.cut.ac.cy/research/funding
Υπηρεσίες και Προσκεκλημένες Ομιλίες: https://dicl.cut.ac.cy/people/coordinator
ΜΗΥΠ 325 - Βάσεις Δεδομένων
Το μάθημα προσφέρει μια εισαγωγή στις βάσεις δεδομένων και επικεντρώνεται στα συστήματα διαχείρισης σχεσιακών βάσεων δεδομένων. Τα θέματα περιλαμβάνουν μοντελοποίηση δεδομένων, θεωρία και μεθοδολογία σχεδίασης βάσεων δεδομένων, γλώσσες ορισμού και χειρισμού των δεδομένων, τεχνικές αποθήκευσης και δεικτοδότησης, επεξεργασία και βελτιστοποίηση ερωτημάτων, συναλλαγές, έλεγχος συγχρονικότητας και αποκατάσταση συστήματος. Επιπλέον, το μάθημα καλύπτει αρχές αρχιτεκτονικής συστημάτων διαχείρισης βάσεων δεδομένων και τεχνικές για την ανάπτυξη εφαρμογών.
MHYΠ 467/526 - Προχωρημένα Θέματα Συστημάτων Επεξεργασίας Δεδομένων
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 επεκτάσιμη επεξεργασία δεδομένων χρησιμοποιώντας παράλληλα συστήματα βάσεων δεδομένων και συστήματα MapReduce. Κατ 'αρχάς, 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 επεκτάσιμα συστήματα επεξεργασίας δεδομένων, όπως MapReduce και βάσεις δεδομένων NoSQL (αποθήκες στηλών, κειμένων και κλειδιών-τιμών). Το υλικό των μαθημάτων θα αντληθεί από εκπαιδευτικά βιβλία καθώς και πρόσφατη ερευνητική βιβλιογραφία. Προαπαιτούμενο υπόβαθρο: Βασικές γνώσεις βάσεων δεδομένων.
ΜΗΥΠ 226 - Αλγόριθμοι και Πολυπλοκότητα
Το μάθημα επικεντρώνεται στο σχεδιασμό και ανάλυση αποδοτικών αλγορίθμων και της πολυπλοκότητάς τους. Συγκεκριμένα, το μάθημα καλύπτει θέματα όπως η ανάλυση αλγορίθμων, ο ασυμπτωτικός συμβολισμός, οι αναδροµικές σχέσεις, οι αλγόριθμοι διαίρει και κυρίευε, ο δυναμικός προγραμματισμός, οι άπληστοι αλγόριθμοι, η αναπαράσταση γραφημάτων, η αναζήτηση σε γραφήματα, τα ελαφρύτατα συνδετικά δένδρα, οι ελαφρύτατες διαδρομές, η μέγιστη ροή δικτύων, η NP-πληρότητα, και οι προσεγγιστικοί αλγόριθμοι. Προαπαιτούμενο υπόβαθρο: Δομές δεδομένων.
