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 program - ECE MSc program - MLDS MSc Program - ECE Doctoral Program).

-----------------------------------------------------------------------------

Lectures:

Wednesday, 17:00-19:00, Room 145Π58

Friday, 16:00-18:00, Room 145Π58

-----------------------------------------------------------------------------

About this course:

This is a introductory but fundamental course concerning theory and algorithms for smooth (convex) optimization.

We wil present basic topics in convex sets and convex functions, (convex) optimization problems, optimality conditions (Fritz-John, KKT), algorithms (gradient, Newton, interior point) and convergence analysis results. We shall also introduce some Machine Learing models (Logistic Regression, Support Vector Machines, Neural Networks) and will present the Back-Propagation algorithm.

---------------------------------------------------------------------------------

Detailed course description:

• Brief summary of Linear Algebra concepts (vectors, planes, vector and matrix norms).
• 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).
• Presentation of simple ML models (Logistic Regression, Support Vector Machines, Neural Networks
• Derivation and presentation of the Back-Propagation algorithm.

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;

• Midterm exam (2/10)
• Course participation (1/10 + Bonus 1/10)
• Final Exam (5/10, success threshold 2.5),
• Projects, with both theretical questions and experiments (2/10, the students must explicitly state which parts of the projects were produced by AI).

--------------------------------------------------------

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.

    Course Description 
    State vector Hilbert spaces, Qubit. Theory of quantum measurements, orthonormal complete bases, projectors, positive operator-valued probability measures (POVM). Density matrix, spectral decomposition, convex decomposition. Bloch sphere and vector. Introduction to quantum entanglement. Quantum correlations, Biorthogonal analysis, Schmidt numbers. Measures of entanglement, Quantum entropy measures. Quantum information. The Schroedinger--HJW theorem. Quantum channels (single qubit, collective channels). Quantum algorithms, Computational and communicational algorithms. The Deutsch--Jozsa algorithm. Quantum teleportation algorithm for states, gates, channels. The LOCC protocol. Quantum walks (QW). Coin-walker Hilbert spaces. The QW channel maps.
    
    Περιγραφή 
    Χώροι Hilbert καταστατικών διανυσμάτων - Qubit. Θεωρία κβαντικών μετρήσεων, ορθοκανονικές βάσεις, προβολικοί τελεστές. Θετικά τελεστικά μέτρα πιθανότητας POVM. Πίνακας πυκνότητας, φασματική ανάλυση, κυρτοί συνδυασμοί. Σφαίρα κα διάνυσμα Bloch. Εισαγωγή στο κβαντικό εναγκαλισμό. Κβαντικές συσχετίσεις - Διορθογώνια ανάλυση - Αριθμοί Schmidt. Μετρήσεις εναγκαλισμού- Μέτρα κβαντικής εντροπίας. Κβαντική Πληροφορία. Το θεώρημα Schroedinger -HJW. Κβαντικά κανάλια (1-qubit, συλλογικά κανάλια). Κβαντικοί αλγόριθμοι - Αλγόριθμοι υπολογισμών και επικοινωνίας. Ο αλγόριθμος Deutsch--Jozsa. Κβαντική τηλεμεταφορά καταστάσεων, πυλών, καναλιών. Το πρωτόκολο LOCC. Κβαντικοί περίπατοι (QW). Χώροι Hilbert νομίσματος-περιπατητή. Κανάλια τύπου QW.

Photo: https://en.wikipedia.org/wiki/One-way_quantum_computer#/media/File:Bernstein_Vazirani_quantum_circuit.png

    Διαλέξεις/Lectures
    Τρίτη αιθ. 2042, 13.00-15.00
    
Tuesday room  2042, 13.00-15.00
    Πέμπτη αιθ. 2042, 14.00 - 16.00
    Thursday room 2042, 14.00 - 16.00
    
    Το μάθημα απευθύνεται σε μεταπτυχικούς/προπτυχιακους φοιτητές με x-listed
    The course concerns students of MSc MLDS
    
    Ώρες γραφείου : Μία ώρα μετά το τέλος των διαλέξεων ή μετά από συνεννόηση
    Office hours: One hour after the end of lectures or by arrangment
    Διδάσκων Δημοσθενης Έλληνας \Instructor Demosthenes Ellinas
    Tel. +30 2821 0 37167
    Email: dellinas(at)tuc.gr
    Web: https://www.qlab.tuc.gr/en/people/faculty/d-ellinas
    Office 145Β78Β Science Building
    
    Εξέταση μαθήματος\Grading
    Γραπτή Τελική Εξέταση\Written final exam 35%
    Γραπτή Εξέταση Πρόοδου\Written midterm exam 20%
    Εβδομαδιαίες Ασκήσεις \Weekly exercises 20% (2Χ10= 20 excer. )
    Εργασία\Project 25%
    (written exams: may use 2-pages of handwritten notes)
    (στις εξετασεις και στην πρόοδο επιτρέπεται η χρήση δισέλιδου με χειρόγραφες σημειώσεις)

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

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:

Tuesday: 15:00-17:00, Room 137Π39

Friday: 13:00-15:00, Room 145Π58

-----------------------------------------------------------------------------

About the course:

Randomized algorithms are algorithms which, during some stages of their execution, make random decisions.

They may be simpler and/or more efficient compared with competitive deterministic algorithms, when used for the solution of some "easy" problems (e.g., randomized median).

More importantly, they provide efficient approaches for the solution of sub-classes of instances of "difficult" problems (e.g., Hamiltonian cycles).

-------------------------------------------------------------------------------------------------

The course description may be updated during the semester

Detailed course description:

• 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

Grading:

The grade will be derived from

• mid-term exam (2/10)
• course participation (1/10 + Bonus 1/10) 
• final exam (5/10 with threshold 2.5)
• projects (theoretical questions, matlab code) (2/10) (the students must clearly state the parts of the projects that were accomplished with the help of AI machines)

Other useful sources include:

• N. Alon and J. E. Spencer. "The Probabistic Method." Wiley, fourth edition, 2015.
• R. Vershynin. "High-dimensional Probability." (excellent advanced book). 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/

• 2026/2027: https://moodle.tuc.gr/course/view.php?id=312

Παλαιότερα έτη

• 2025/2026: https://moodle.tuc.gr/course/view.php?id=279

Το μάθημα δεν διαθέτει περιγραφή

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 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]