Postgraduate Section 4 1013

• Ελληνικά
• English

Ειδικά Θέματα Πληροφορικής

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΠΛ10
Εξάμηνο	2
Τίτλος Μαθήματος	Ειδικά Θέματα Πληροφορικής
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Επιλογής
Προαπαιτούμενα Μαθήματα	Απαραίτητες γνώσεις από 641- Σχεδίαση και Ανάλυση Αλγορίθμων
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Στόχος του μαθήματος είναι η ειδίκευση σε περιοχές που καλύπτει η Επιστήμη των Υπολογιστών σε εφαρμοσμένα πεδία. Παρέχει υπόβαθρο στη διαχείριση δεδομένων και πληροφορίας. Η ειδίκευση καλύπτει γνωστικούς τομείς όπως Βάσεις Δεδομένων, Μηχανική Μάθηση, Τεχνητή Νοημοσύνη, Εξόρυξη Δεδομένων, κ.α. Επίσης πραγματεύεται όλα τα ζητήματα σχετικά με τη σχεδίαση και τη βελτιστοποίηση του υλικού και του λογισμικού των υπολογιστικών συστημάτων. Περιλαμβάνονται γνωστικοί τομείς όπως οι Γλώσσες Προγραμματισμού και η Υλοποίησή τους, οι Μεταγλωττιστές, η Σχεδίαση του Υλικού, η Αρχιτεκτονική Υπολογιστών, τα Λειτουργικά Συστήματα, τα Κατανεμημένα Συστήματα, κ.α. Οι φοιτητές του μαθήματος αναμένεται να εμβαθύνουν σε σύγχρονες τεχνικές διαχείρισης δεδομένων τόσο από θεωρητικής όσο και από πρακτικής απόψεως ενώ παράλληλα αποκτούν πολύπλευρη γνώση των αρχών της σχεδίασης και του προγραμματισμού των συστημάτων υπολογιστών. Στο μάθημα περιλαμβάνονται ατομικές ασκήσεις, περιληπτική συγγραφή και παρουσίαση σχετικών ερευνητικών εργασιών. Η ύλη θα προσαρμόζεται και θα ειδικεύεται ανάλογα με τις εκάστοτε εξελίξεις και απαιτήσεις.

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών Αυτόνομη εργασία Εργασία σε διεπιστημονικό περιβάλλον

Περιεχόμενο Μαθήματος

Ο κύριος στόχος του μαθήματος είναι η ειδίκευση σε περιοχές που καλύπτει η Επιστήμη των Υπολογιστών σε εφαρμοσμένα πεδία όπως: Διαχείριση Μεγάλων Δεδομένων Τεχνητή Νοημοσύνη Συστήματα Βάσεων Δεδομένων Ασφάλεια Πληροφοριακών Συστημάτων Κατανεμημένα Συστήματα Κινητά και Ασύρματα Δίκτυα Αναγνώριση Προτύπων Μηχανική Μάθηση Προχωρημένα Θέματα Επεξεργασίας Σήματος Η ύλη του μαθήματος θα προσαρμόζεται και θα ειδικεύεται ανάλογα με τις εκάστοτε εξελίξεις και απαιτήσεις.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Στην τάξη.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Υποστήριξη Μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας e-class.
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις 39 Αυτοτελής Μελέτη 78 Επίλυση Ασκήσεων - Εργασίες 70.5 Σύνολο Μαθήματος 187.5
Αξιολόγηση Φοιτητών	Ατομικές Εργασίες (50%) Συγγραφή Περιληπτικών Εργασιών (20%) Παρουσιάσεις (30%)

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Special Topics in Computer Science

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Graduate
Course Code	ΠΛ10
Semester	2
Course Title	Special Topics in Computer Science
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type	Elective
Prerequisite Courses	641 - Design and Analysis of Algorithms
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

The aim of the course is to specialize in areas covered by Computer Science in applied fields. It provides background in data and information management. The specialization covers cognitive domains such as Databases, Machine Learning, Artificial Intelligence, Data Mining, etc. It also addresses all issues related to the design and optimization of computer hardware and software. This includes cognitive areas such as Programming Languages and their Implementation, Compilers, Hardware Design, Computer Architecture, Operating Systems, Distributed Systems, and more. The students of the course are expected to deepen in modern data processing techniques both theoretically and practically, while also acquiring a multifaceted knowledge of the principles of computer system design and programming. The course includes individual exercises, summary writing projects and presentation of relevant research papers. The material will be adapted and specialized according to the necessary developments and requirements.

General Competences

Search for, analysis and synthesis of data and information, with the use of the necessary technology Working independently Team work Project planning and management

Syllabus

The main objective of the course is to specialize in areas covered by Computer Science in applied fields such as: Data Mining Artificial Intelligence Database Systems Security of Information Systems Distributed Systems Mobile and Wireless Networks Pattern Recognition Machine Learning Signal Processing The specialized subject will be adapted and specialized according to the necessary developments and requirements.

Teaching and Learning Methods - Evaluation

Mode of Instruction	Lectures.
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	Use of projector and interactive board during lectures.
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures 39 Working independently 78 Exercises - Homework 70.5 Course total 187.5
Student Performance Evaluation	Written exercises (50%) Essay / report (20%) Public presentation (30%)

Attached Bibliography

See the official Eudoxus site.