Postgraduate Section 4 1025

• Ελληνικά
• English

Παράλληλοι Υπολογισμοί

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΑΑ8
Εξάμηνο	2
Τίτλος Μαθήματος	Παράλληλοι Υπολογισμοί
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Ειδικού υποβάθρου
Προαπαιτούμενα Μαθήματα
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	Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση: να γνωρίζουν τεχνικές Παράλληλης Επεξεργασίας, να κατανοήσουν τη χρησιμότητα των παράλληλων υπολογισμών για την επίλυση προβλημάτων μεγάλης κλίμακας, να υλοποιούν μεθόδους με προγράμματα σε παράλληλα υπολογιστικά συστήματα.
Γενικές Ικανότητες	Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών Προσαρμογή σε νέες καταστάσεις Άσκηση κριτικής και αυτοκριτικής Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Περιεχόμενο Μαθήματος

Τεχνικές Παράλληλης Επεξεργασίας. Παράλληλοι Αλγόριθμοι για την Επίλυση Γραμμικών Συστημάτων με επαναληπτικές μεθόδους. Παράλληλοι Αλγόριθμοι βασισμένοι σε μεθόδους Διαχωρισμού Χωρίων για την Επίλυση προβλημάτων Συνοριακών Τιμών. Μέτρα απόδοσης και κλιμάκωση παραλληλίας.

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
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	Γραπτή εξέταση - Προφορική εξέταση - Εκπόνηση Εργασίας

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Parallel Algorithms

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Graduate
Course Code	AA8
Semester	2
Course Title	Parallel Algorithms
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type	Special Background
Prerequisite Courses	-
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	After successful completion of this course, students will be able to: understand techniques of Parallel Computations, understand the necessity of Parallel Computations to solve large scale problems, implement methods with programs on systems of parallel computations.
General Competences	Search for, analysis and synthesis of data and information, with the use of the necessary technology Adapting to new situations Criticism and self-criticism Production of free, creative and inductive thinking

Syllabus

Techniques of Parallel Computations. Parallel Algorithms for the Solution of Linear Systems by Iterative Methods. Parallel Algorithms based on Domain Decomposition Methods for the solution of Boundary Value Problems. Parallelization factors of efficiency.

Teaching and Learning Methods - Evaluation

Delivery	In class
Use of Information and Communications Technology	-
Teaching Methods	Activity Semester Workload Lectures 39 Study and analysis of bibliography 78 Exercises - Homework 70.5 Course total 187.5
Student Performance Evaluation	Written examination - Oral Examination - Project

Attached Bibliography

See the official Eudoxus site.