Π.Μ.Σ. στην Εφαρμοσμένη Πληροφορική

Σκοπός

Ο σκοπός του μαθήματος είναι διττός: (α) εξοικείωση με το συντακτικό, τις τεχνικές και τα εργαλεία της γλώσσας προγραμματισμού ανοικτού κώδικα Python και (β) εμβάθυνση σε ζητήματα διαδικτυακού προγραμματισμού, τόσο μέσω του περιβάλλοντος της Python όσο και με χρήση HTML (HyperText Markup Language), CSS (Cascade Style Sheet) και JavaScript, δίνοντας έμφαση στην ανάπτυξη εφαρμογών με MVC (Model View Controller) αρχιτεκτονικές. Ο φοιτητής στο τέλος του μαθήματος θα πρέπει να είναι σε θέση προγραμματίζει ολοκληρωμένες προγραμματιστικές εφαρμογές.

Περίγραμμα

• Η γλώσσα προγραμματισμού Python (περιβάλλον, συντακτικό, βιβλιοθήκες)

• Ανάπτυξη εφαρμογών και προτυποποίηση με Python

• Model View Controller (MVC) αρχιτεκτονικές, αντικειμενοστρέφεια

• Python και PHP για διαδικτυακό προγραμματισμό

• XML, HTML, CSS

• Σχεδιασμός και υλοποίηση Representational State Transfer (REST) APIs

Σκοπός

Η ασφάλεια πληροφοριακών, υπολογιστικών και τηλεπικοινωνιακών συστημάτων είναι ένα ιδιαίτερα επίκαιρο και ενεργό – τόσο επιστημονικά όσο και τεχνολογικά – αντικείμενο, με αυξημένες ανάγκες για ειδικούς στην παγκόσμια αγορά. Στόχος του μαθήματος είναι να αντιμετωπιστεί η ασφάλεια πληροφοριών και δικτύων ολιστικά, καθώς πιθανά κενά ασφάλειας σε οποιοδήποτε συστατικό ενός πληροφοριακού συστήματος μπορούν να εκθέσουν σε κίνδυνο ολόκληρο το σύστημα. Έτσι, περιλαμβάνονται υπολογιστικές δομές, λειτουργικά συστήματα, δικτυακές τεχνολογίες, συστήματα αποθήκευσης δεδομένων και διαδικασίες ανάπτυξης λογισμικού. Το μάθημα επιχειρεί να εφοδιάσει τον μεταπτυχιακό φοιτητή με τα νεώτερα εργαλεία, τεχνικές και γνώσεις σε μια από τις πιο ενδιαφέρουσες περιοχές της σύγχρονης επιστήμης των υπολογιστών. Η ολιστική οπτική προς την κυβερνοασφάλεια περιλαμβάνει τις τεχνολογίες εκείνες επί των οποίων εδράζεται ο κυβερνοχώρος, αναγνωρίζοντας όμως και τον ρόλο της ψυχολογίας, της κοινωνιολογίας και της γλωσσολογίας στη διαχείριση των κυβερνο-προκλήσεων.

Περίγραμμα

Στο μάθημα καλύπτονται αντικείμενα όπως: Θεμέλια της Κυβερνοασφάλειας. Ταυτότητα, Εμπιστοσύνη, Φήμη και οι εφαρμογές τους. Ασφάλεια υπολογιστών, δικτύων και επικοινωνιών. Μηχανισμοί ασφάλειας σε λειτουργικά συστήματα: λίστες ελέγχου πρόσβασης και οι δυνατότητές τους. Επιθέσεις βασισμένες σε λογισμικό και αντίμετρα: π.χ. έγχυση κώδικα sql, υπερχείλιση μνήμης, κα. Κρυπτογραφία και εφαρμογές. Δοκιμές διείσδυσης. Απόκριση σε γεγονότα. Ανίχνευση εισβολών. Ψηφιακή Δικανική: Αρχές και Πρακτική. Ανάλυση κακόβουλου λογισμικού. Διάγνωση απάτης. Συμπεριφορά χρηστών και Ιδιωτικότητα. Νομική, Ηθική και Επαγγελματική πρακτική.

Σκοπός

Σκοποί του μαθήματος είναι αφενός μεν οι μεταπτυχιακοί φοιτητές να εξοικειωθούν με τις έννοιες και τη μεθοδολογία της στατιστικής ανάλυσης, αφετέρου δε να μελετήσουν και να εφαρμόσουν σύγχρονα εργαλεία στατιστικής ανάλυσης. Η μελέτη γίνεται τόσο σε θεωρητικό όσο και πρακτικό επίπεδο, όπου έμφαση δίνεται στη χρήση των εργαλείων ανάλυσης μέσα από εργασίες (projects).

Περίγραμμα

Πληθυσμός, δείγμα. Είδη μεταβλητών, κατανομή συχνοτήτων, ομαδοποίησης δεδομένων. Γραφικές παραστάσεις (ραβδογράμματα, ιστογράμματα, κυκλικά διαγράμματα, φυλογραφήματα, θηκογραφήματα, γραφήματα χρονικών σειρών, γραφήματα διασποράς, χρωματικά και πολυδιάστατα γραφήματα). Μέτρα θέσης και διασποράς, υπολογισμοί από απλούς ή ομαδοποημένους πίνακες συχνοτήτων. Δειγματικές κατανομές, κατανομές αθροισμάτων τυχαίων μεταβλητών, κεντρικό οριακό θεώρημα και οι συνέπειές του στη στατιστική. Εκτιμητές σημείου και διαστήματος, αμεροληψία και επάρκεια. Αμερόληπτες εκτιμήτριες ελάχιστης διασποράς, μέθοδος ροπών και μέθοδος μέγιστης πιθανοφάνειας. Διαστήματα εμπιστοσύνης και έλεγχοι υποθέσεων για ένα και δύο δείγματα (ανεξάρτητα ή ζευγαρωτά) για τη μέση τιμή και τη διασπορά. Διαστήματα εμπιστοσύνης και έλεγχοι υποθέσεων αναλογιών. Η δοκιμασία X2 (έλεγχοι προσαρμογής, ανεξαρτησίας και ομοιογένειας). Απλή γραμμική παλινδρόμηση και συσχέτιση. Μη παραμετρικές δοκιμασίες (κριτήριο ροών, έλεγχοι τυχαιότητας, κριτήριο Kolmogorov-Smirnov, κριτήριο Mann-Whitney, κριτήριο Wilcoxon, κριτήριο McNemar, κριτήριο Kruskal-Wallis).

Δοκιμασία υποθέσεων και σχετικά κριτήρια. Θεμελιώδες λήμμα των Neymann-Pear-son, σύνθετες υποθέσεις, έλεγχοι υποθέσεων γενικευμένου λόγου πιθανοφανειών, έλεγχοι υποθέσεων για την κανονική κατανομή ενός ή δύο δειγμάτων. Δοκιμασία X2. Πίνακες συνάφειας.

Η χαρακτηριστική συνάρτηση για πολυδιάστατες τυχαίες μεταβλητές. Η πολυδιάστατη κανονική κατανομή και οι παραγόμενες από αυτήν κατανομές. Εφαρμογές των παραπάνω αποτελεσμάτων στην στατιστική ανάλυση (θεώρημα Cochran, ANOVA, παλινδρόμηση, Χ2). Εξαγωγή στατιστικών συμπερασμάτων τόσο με την κλασική θεωρία των Neyman και Pearson, όσο και με την θεωρία αποφάσεων και του γενικευμένου λόγου πιθανοφανειών.

Δειγματοληψία και Στατιστική Επεξεργασία:

• Η Δειγματοληψία και οι εφαρμογές της στα Κοινωνικά και Οικονομικά Θέματα. Μέθοδοι και τεχνικές Δειγματοληψίας. Δημοσκοπήσεις από το Α ως το Ω.
• Κατάρτιση Ερωτηματολογίου και δοκιμή αξιοπιστίας του. Είδη ερωτήσεων και εξειδίκευση των χρήσεών τους. Από το ερωτηματολόγιο στις τυχαίες μεταβλητές και στην καταγραφή των δεδομένων τους σε αρχεία του Υπολογιστή. Επεξεργασία δεδομένων μετά την καταγραφή τους.
• Θέματα Δειγματοληψίας ειδικού περιεχομένου, όπως: «Ανίχνευση γραμμικής τάσης δεδομένων», «Ανίχνευση περιοδικότητας δεδομένων», «Δημιουργία εξίσωσης Συνάρτησης Πιθανότητας (2-βάθμιο μοντέλο) από δεδομένα 2 διαστάσεων, κλπ», «Ο Συντελεστής Μεταβλητότητας και οι εφαρμογές του, π.χ. Εύρεση δυμμετρικού μοντέλου συνάρτησης πυκνότητας πιθανότητας».

Σκοπός

Στόχος του μαθήματος είναι οι μεταπτυχιακοί φοιτητές, μετά την επιτυχή παρακολούθησή τους, να είναι σε θέση: (α) να γνωρίζουν τις διαφορές μεταξύ του κλασικού σειριακού προγραμματισμού σε σχέση με τον Παράλληλο Προγραμματισμό, (β) να γνωρίζουν τον τρόπο με τον οποίο μπορούν να μετατρέψουν σειριακούς αλγορίθμους σε παράλληλους, χρησιμοποιώντας την κατάλληλη αρχιτεκτονική καθώς και το κατάλληλο μοντέλο προγραμματισμού, (γ) να έχουν τη δυνατότητα να δημιουργούν και να εκτελούν παράλληλα προγράμματα είτε σε υπερυπολογιστή (grid computer) είτε σε συστοιχία Η/Υ με το λογισμικό MATLAB.

Περίγραμμα

• Εισαγωγή: γενικά περί παράλληλου προγραμματισμού, παράλληλες αρχιτεκτονικές, μέτρα απόδοσης, κατηγοριοποίηση κατά Φλυν (Flynn) και νόμος του Άμνταλ (Amdahl), κατευθυνόμενοι μη-Κυκλικοί Γράφοι (DAGs) και διαγράμματα Gantt.

• Παράλληλες αρχιτεκτονικές: γενική επισκόπηση και εμβάθυνση στις κλάσεις SIMD, MIMD κοινής και κατανεμημένης μνήμης.

• Παράλληλος προγραμματισμός-εργαλεία: αρχές παράλληλου προγραμματισμού κοινής μνήμης και SIMD, προγραμματισμός στο μοντέλο κοινής μνήμης, προγραμματισμός με μεταβίβαση μηνυμάτων, προγραμματισμός πελάτη-εξυπηρετητή.

• Παράλληλοι αλγόριθμοι επεξεργασίας πινάκων, ταξινόμησης, αναζήτησης κ.α. για διάφορες αρχιτεκτονικές. Υπολογισμός παράλληλης πολυπλοκότητας (επεξεργασία, επικοινωνία).