Μαθήματα

Agents and environments, uncertainty and probabilities, probabilistic reasoning. Bayesian networks, exact and approximate inference in Bayesian networks, enumeration and sampling algorithms. Probabilistic reasoning over time (filtering, prediction, smoothing, finding the most likely sequence), Dynamic Bayesian Networks. Mobile robot navigation, motion control, path planning, localization, mapping, SLAM. Decision making under uncertainty, Markov Decision Processes, optimal policies, value iteration, policy iteration, partial observability. Reinforcement learning, prediction and control, basic and advanced learning algorithms. Approximate methods for multidimensional and continuous spaces. Competitive agents, planning and learning in Markov games. Multi-agent coordination using auctions. Applications to autonomous robotic agents. Laboratory instruction of robotic systems programming tools.

Syllabus [pdf]     Videos [YouTube]

For the Computer Vision course, we will be using Moodle as educational plaform! 
(https://moodle.tuc.gr/course/view.php?id=287)

You can self-enroll on Moodle: login to Moodle, find the Computer Vision course in the list of the ECE school, click on the course, then press "enrol me" (No enrolment key required).

I won't be using eClass -- I just have this message here as a placeholder to redirect you to Moodle. 

This is a joint course (senior undergraduate - ECE Masters program - MLDS Masters Program - ECE Doctoral Program).

The course description is as follows:

• Brief summary of Linear Algebra concepts (vectors, planes, vector and matrix norms).
• Vectors and matrices in Matlab.
• Brief summary of functions of several variables (gradient, Hessian, level sets).
• Convex sets (definition and examples), operations on convex sets that preserve convexity.
• Convex functions (definition, examples), operations on convex functions that preserve convexity.
• Convex optimization problems (definition, examples), optimal points.
• Unconstrained optimization (characterization of optimal solution, gradient method, convergence analysis, Newton method, local convergence analysis).
• Convex optimization with constraints (Farkas Lemma, Fritz John conditions, conditions Karush-Kuhn-Tucker (KKT) - examples).
• Duality, Lagrangian, dual function, weak and strong duality – examples of dual problems.
• Convex optimization with affine equality constraints (Newton method, primal-dual).
• General convex optimization problems (barrier function, interior point method, primal-dual).
• Alternating Direction Method of Multipliers
• Introduction to distributed optimization

The Lab part of the course consists of four (4) projects which contain theoretical questions as well as matlab (or octave) code implementing selected optimization algorithms.

Grading;

• Final Exam 6/10,
• Projects (4/10).

Our main source will be the textbook

S. Boyd and L. Vandenberghe. "Convex Optimization," Cambridge University Press, 2004 (I uploaded the textbook in the "Εγγραφα" section).

See also the video series of recent Boy's lectures 

https://www.youtube.com/playlist?list=PLoROMvodv4rMJqxxviPa4AmDClvcbHi6h

Another excellent source is the book

A. Beck, Introduction to nonlinear optimization (2nd edition), SIAM.

This is a joint course (ECE senior undergraduate, ECE Masters).

We will follow, mainly, the following sourse:

M. Mitzenmacher and E. Upfal. "Probability and Computing: Randomization and Probabilistic Techniques in Algorithms and Data Analysis." Cambridge University Press, 2018 (second edition).

The lectures are scheduled as follows:

Monday: 14:00-16:00, Room 145Π58

Tuesday: 13:00-15:00, Room 137Π39

Some other useful sources will appear at the end of this description.

In order to give the most accurate view of the course, the description will be updated during the semester

• Randomized algorithms for checking polynomial and matrix equalities

• Randomized min-cut algorithm

• Discrete random variables: Bernoulli, binomial, geometric

• The coupon collector problem

• Probabilistic analysis of Quick-sort

• Inequalities: Markov, Chebyshev

• Randomized median algorithm

• Inequalities: Chernoff, Hoeffding

• The balls-and-bins problem

• Multinomial and Poisson random variables

• Random graphs

• Randomized algorithm for Hamiltonian cycle

• Probabilistic Method and its applications: large cut-sets, thresholds in random graphs

• Satisfiability problems (SAT)

• Martingales, Hoeffding-Azuma Inequality, and applications.

• Machine Learning related topics

The grade will be derived from

• written exam (6/10 with threshold 3)
• projects (theoretical questions, matlab code) (4/10) (please, try to avoid chapGTP or any other electronic help)
  
• bonus projects (approx 2/10) (tentative...)
  

Other useful sources (the list will be updated regularly...)

• N. Alon and J. E. Spencer. "The Probabistic Method." Wiley, fourth edition, 2015.
• R. Vershynin. "High-dimensional Probability." (excellent book, somewhat advanced) Available at: https://www.math.uci.edu/~rvershyn/papers/HDP-book/HDP-book.pdf

Η πλατφόρμα για το μάθημα ΗΜΜΥ "Αλγόριθμοι και Πολυπλοκότητα" ΠΛΗ 401 είναι στο https://moodle.tuc.gr/

Το μάθημα δεν διαθέτει περιγραφή

Το μάθημα δεν διαθέτει περιγραφή

Το μάθημα δεν διαθέτει περιγραφή

Πράκτορες και περιβάλλοντα, αβεβαιότητα και πιθανότητες, πιθανοτική συλλογιστική. Δίκτυα Bayes, ακριβής και προσεγγιστικός συμπερασμός σε δίκτυα Bayes, αλγόριθμοι απαρίθμησης και δειγματοληψίας. Πιθανοτική συλλογιστική στο χρόνο (φιλτράρισμα, πρόβλεψη, εξομάλυνση, εύρεση πιθανότερης ακολουθίας), δυναμικά δίκτυα Bayes. Πλοήγηση κινητών ρομπότ, έλεγχος κίνησης, σχεδιασμός διαδρομής, εντοπισμός, χαρτογράφηση, SLAM. Λήψη αποφάσεων υπό αβεβαιότητα, Μαρκωβιανές διεργασίες απόφασης, βέλτιστες πολιτικές, επανάληψη αξιών, επανάληψη πολιτικών, μερική παρατηρησιμότητα. Ενισχυτική μάθηση, πρόβλεψη και έλεγχος, βασικοί και προηγμένοι αλγόριθμοι ενισχυτικής μάθησης. Προσεγγιστικές μέθοδοι για πολυδιάστατους και συνεχείς χώρους. Ανταγωνιστικοί πράκτορες, σχεδιασμός και μάθηση σε Μαρκωβιανά παίγνια. Πολυπρακτορικός συντονισμός με δημοπρασίες. Εφαρμογές σε αυτόνομους ρομποτικούς πράκτορες και εργαστηριακή διδασκαλία εργαλείων προγραμματισμού ρομποτικών συστημάτων.

Περιγραφή [pdf]     Videos [youtube]

Πράκτορες και περιβάλλοντα, αβεβαιότητα και πιθανότητες, πιθανοτική συλλογιστική. Δίκτυα Bayes, ακριβής και προσεγγιστικός συμπερασμός σε δίκτυα Bayes, αλγόριθμοι απαρίθμησης και δειγματοληψίας. Πιθανοτική συλλογιστική στο χρόνο (φιλτράρισμα, πρόβλεψη, εξομάλυνση, εύρεση πιθανότερης ακολουθίας), δυναμικά δίκτυα Bayes. Πλοήγηση κινητών ρομπότ, έλεγχος κίνησης, σχεδιασμός διαδρομής, εντοπισμός, χαρτογράφηση, SLAM. Λήψη αποφάσεων υπό αβεβαιότητα, Μαρκωβιανές διεργασίες απόφασης, βέλτιστες πολιτικές, επανάληψη αξιών, επανάληψη πολιτικών, μερική παρατηρησιμότητα. Ενισχυτική μάθηση, πρόβλεψη και έλεγχος, βασικοί και προηγμένοι αλγόριθμοι ενισχυτικής μάθησης. Προσεγγιστικές μέθοδοι για πολυδιάστατους και συνεχείς χώρους. Ανταγωνιστικοί πράκτορες, σχεδιασμός και μάθηση σε Μαρκωβιανά παίγνια. Πολυπρακτορικός συντονισμός με δημοπρασίες. Εφαρμογές σε αυτόνομους ρομποτικούς πράκτορες και εργαστηριακή διδασκαλία εργαλείων προγραμματισμού ρομποτικών συστημάτων.

Περιγραφή [pdf]     Videos [youtube]

Το μάθημα Γραμμικά Συστήματα ΣΥΣ 411 του 7ου εξαμήνου της σχολής ΗΜΜΥ θα διδάσκεται πλέον ως κατ' επιλογής υποχρεωτικό μάθημα (σε αντίθεση με το ΣΥΣ 401, το οποίο ήταν υποχρεωτικό). Το προσωρινό περίγραμμα του μαθήματος με όλες τις πληροφορίες επισυνάπτεται στην ενότητα "Έγγραφα". Το μάθημα αναφέρεται σε φοιτητές με μεγάλο ενδιαφέρον/κίνητρο για εμβάθυνση στη θεωρία συστημάτων ελέγχου και της εφαργμογές της.

Το μάθημα καλύπτει το «πώς» και το «γιατί» του σχεδιασμού των σημαντικότερων πρωτοκόλλων Διαδικτύου, απομυθοποιώντας τα κύρια στοιχεία στα οποία οι καθημερινές εφαρμογές στηρίζονται για να λειτουργούν πάνω από πραγματικά δίκτυα.

Ξεκινά με δημοφιλή πρωτόκολλα επιπέδου εφαρμογής όπως HTTP (για ιστοσελίδες), SMTP/IMAP (email), FTP (μεταφορά αρχείων), DASH (ροή βίντεο), πρωτόκολλα Peer-to-Peer (P2P) για από κοινού κατέβασμα αρχείων (π.χ. BitTorrent), καθώς και το πρωτόκολλο DNS και αρχιτεκτονικές προσωρινής αποθήκευσης (caching).

Συνεχίζει με τεχνολογίες Δρομολόγησης και Προώθησης που επιτρέπουν σε χιλιάδες δρομολογητές και μεταγωγείς να ανακαλύπτουν δικτυακά μονοπάτια μεταξύ οποιουδήποτε χρήστη και διακομιστή. Καλύπτει σχήματα διευθύνσεων IP (IPv4 και IPv6). Aλγόριθμους προώθησης που επιτρέπουν στους σημερινούς δρομολογητές να λειτουργούν με ταχύτητες Gbps. Πρωτόκολλα δρομολόγησης εντός (OSPF, Distance Vector Routing) και μεταξύ αυτόνομων συστημάτων (σύντομη εισαγωγή στο BGP) καθώς και εισαγωγή στο δίκτυα κατευθυνόμενα από λογισμικό (Software-defined Networks).

Στη συνέχεια εισάγει πρωτόκολλα μεταφοράς χωρίς (UDP) και με μνήμη (TCP), καθώς και στρατηγικές αναμετάδοσης που χρησιμοποιούνται τόσο στο επίπεδο μεταφοράς (από άκρο σε άκρο) όσο και στο επίπεδο σύνδεσης. Συγκεκριμένα, καλύπτει τον έλεγχο ροής (πώς να μην συμφορείται ένας προορισμός), τον έλεγχο συμφόρησης (πώς να μην συμφορείται το δίκτυο) και τα πρωτόκολλα αναμετάδοσης (πώς να αναγνωρίζονται χαμένα πακέτα και να αποστέλονται εκ νέου).

Τέλος, εισάγει εν συντομία κύριες ασύρματες αρχιτεκτονικές δικτύων, WiFi και κυψελοτών (2ης, 3ης και 4ης γενιάς) και τη σύγκλισή τους προς τεχνολογίες TCP/IP. Το μάθημα περιέχει ασκήσεις φροντιστηρίου καθώς και εργαστηριακές ασκήσεις, όπου οι μαθητές θα εξοικειωθούν με χρήσιμες δικτυακές εντολές μέτρησης και εργαλεία όπως traceroute, netstat, wireshark, και άλλα.

Το μάθημα δεν διαθέτει περιγραφή

Στοιχεία οπτικής και φυσικής στερεάς κατάστασης, διαμόρφωση φωτός, Lasers, εφαρμογές των Lasers, φωτοανιχνευτές, οπτικές ίνες, συστήματα οπτικής επικοινωνίας.

Γενική εισαγωγή στο δίκαιο, βασικές διακρίσεις δικαίου, στοιχεία δημοσίου δικαίου και δικαίου της Ευρωπαϊκής Ένωσης. Στοιχεία αστικού δικαίου (γενικές αρχές, ενοχικό δίκαιο, εμπράγματο δίκαιο). Στοιχεία εργατικού δικαίου, εμπορικού δικαίου, βιομηχανική ιδιοκτησία (σήμα, ευρεσιτεχνία), πνευματική ιδιοκτησία, στοιχεία δικαίου του περιβάλλοντος. Στοιχεία δικαίου των δημοσίων έργων (η ανάθεση και εκπόνηση μελετών δημοσίων έργων, η ανάθεση και κατασκευή δημοσίων έργων, το εργολαβικό αντάλλαγμα, η παραλαβή του δημοσίου έργου, η συμβατική ευθύνη των μερών, η διοικητική και δικαστική επίλυση των διαφορών, η οργάνωση των εργοληπτών δημοσίων έργων).

Θεμελίωση και ιστορία της Τεχνητής Νοημοσύνης. Ευφυείς πράκτορες και περιβάλλοντα. Μέθοδοι απληροφόρητης, πληροφορημένης, ευριστικής συστηματικής αναζήτησης. Μέθοδοι τοπικής αναζήτησης. Προβλήματα ικανοποίησης περιορισμών και αλγόριθμοι επίλυσής τους. Βασική θεωρία παιγνίων και αναζήτηση υπό αντιπαλότητα. Προτασιακή λογική, λογική πρώτης τάξης, συλλογιστική, αλγόριθμοι συμπερασμού. Αναπαράσταση γνώσης, βάσεις γνώσης. Συστήματα συλλογιστικής, αποδείκτες θεωρημάτων, λογικός προγραμματισμός. Σχεδιασμός (planning) και αλγόριθμοι σχεδιασμού. Σχεδιασμός στον πραγματικό κόσμο.

Περιγραφή [pdf]