Κωδικός Μαθήματος

ΠΠΣ-190

Εξάμηνο Μαθήματος

2ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

Λεύκιππος

Κατηγορία Μαθήματος

Υποχρεωτικό

Διδάσκοντες Μαθήματος

Γ. Βασιλακόπουλος
Α. Πρέντζα
Δ.Κυριαζής

Στόχος

Ο κύριος στόχος του μαθήματος είναι να παρουσιάσει στους φοιτητές σύγχρονες τεχνικές, συστήματα και πλατφόρμες για την υλοποίηση ευφυών συστημάτων με χρήση προσεγγίσεων Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης.

Έμφαση θα δοθεί σε θέματα που σχετίζονται με τη δυνατότητα κλιμάκωσης των πληροφοριακών συστημάτων, και τη διαχείριση τους συμπεριλαμβανομένων μηχανισμών εποπτείας, αυτό-διαχείρισης και ανεκτικότητας σε λάθη στον πλήρη κύκλο ζωής των υπηρεσιών των πληροφοριακών συστημάτων.

Επιπρόσθετα θα αναλυθούν θέματα σχετικά με τις αρχιτεκτονικές διασυνδεμένων υπηρεσιών πληροφοριακών συστημάτων καθώς και τις τεχνικές υλοποίησης και χρήσης των προαναφερθέντων υπηρεσιών.

Μέσα από το μάθημα αυτό, οι φοιτητές αναμένεται ότι θα αποκτήσουν σημαντικές τεχνικές δεξιότητες αναφορικά με την μοντελοποίηση ευφυών πληροφοριακών συστημάτων, και θα μάθουν να σχεδιάζουν και να υλοποιούν πληροφοριακά συστήματα μεγάλης κλίμακας που αποτελούνται από σύνθετες υπηρεσίες.

Οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος θα μπορούν:

  • να αποκτήσουν σημαντικές τεχνικές δεξιότητες αναφορικά με την μοντελοποίηση ευφυών πληροφοριακών συστημάτων,
  • να σχεδιάζουν και να υλοποιούν πληροφοριακά συστήματα μεγάλης κλίμακας που αποτελούνται από σύνθετες υπηρεσίες,
  • να κατανοούν ζητήματα διαλειτουργικότητας δεδομένων και εφαρμογών,
  • να γνωρίζουν τεχνικές μηχανικής μάθησης και τεχνητής νοημοσύνης,
  • να εφαρμόζουν μεθόδους τεχνητής νοημοσύνης.

Μαθησιακά Αποτελέσματα

  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Ομαδική Εργασία
  • Παράγωγή νέων ερευνητικών ιδεών.
  • Σχεδιασμός και διαχείριση έργων.
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Περιεχόμενα Μαθήματος

  • Αρχιτεκτονικές λάμδα για τη διασύνδεση υπηρεσιών πληροφοριακών συστημάτων

    Προσεγγίσεις για την αποθήκευση, χρήση και ανάλυση δεδομένων μέσω ροών υπηρεσιών. Batch layer για την αποθήκευση των δεδομένων σε ένα μέσο, Serving layer για τη δημιουργία δεικτών και Real-time processing layer.

     

  • Προσεγγίσεις πληροφοριακού συστήματος ως υπηρεσία

    Κατάλογοι υπηρεσιών και μηχανισμοί εύρεσης, επιλογής, εκτέλεσης, εποπτείας, αποτίμησης και κοστολόγησης. Μεθοδολογία μοντελοποίησης και ανάπτυξης πληροφοριακών συστημάτων ως υπηρεσία.

     

  • Πλατφόρμα ως υπηρεσία (Εργαστήριο)

    Προσεγγίσεις πλατφορμών για την υλοποίηση πληροφοριακών συστημάτων ως υπηρεσία. Αρχιτεκτονικές serverless computing. Εργαστήριο που εστιάζει στον προγραμματισμό, την παραμετροποίηση και την εκτέλεση εφαρμογών με χρήση της πλατφόρμας Google AppEngine και της πλατφόρμας Apache OpenWhisk.

     

  • Αυτό-διαχείριση πληροφοριακών συστημάτων

    Τεχνικές εποπτείας και ανάλυσης δεδομένων υποδομής και δεδομένων πληροφοριακού συστήματος σε πραγματικό χρόνο. Προσεγγίσεις κλιμάκωσης, ελαστικότητας και ανοχής σε σφάλματα.

     

  • Τεχνητή νοημοσύνη και μηχανική μάθηση για τη διαχείριση πληροφοριακών συστημάτων

    Υπηρεσίες δημιουργίας προφίλ ανάπτυξης υπηρεσιών πληροφοριακών συστημάτων και αλλαγών κατά το χρόνο εκτέλεσης με χρήση προσεγγίσεων τεχνητής νοημοσύνης και μηχανικής μάθησης (νευρωνικά δίκτυα, reinforcement learning).

     

  • Νεφοϋπολογιστική και πληροφοριακά συστήματα

    Μοντελοποίηση και μετάπτωση πληροφοριακών συστημάτων σε υποδομές υπολογιστικών και αποθηκευτικών νεφών. Διαστασιολόγηση αναγκαίων πόρων και τεχνικές ανάδρασης σε πραγματικό χρόνο για την προσαρμογή της υποδομής βάσει των αναγκών των πληροφοριακών συστημάτων.

     

  • Εισαγωγή και νευρωνικά δίκτυα Ι

    Εισαγωγή στην τεχνητή νοημοσύνη και μηχανική μάθηση, κατηγορίες προβλημάτων, μάθηση με επίβλεψη, μάθηση χωρίς επίβλεψη, μάθηση με ενίσχυση, παραδείγματα εφαρμογών. Εισαγωγή στα νευρωνικά δίκτυα, μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, perceptron, γραμμική και μη-γραμμική διαχωρισιμότητα, πολυεπίπεδο perceptron, αλγόριθμοι εκπαίδευσης νευρωνικών δικτύων.

     

  • Νευρωνικά δίκτυα ΙI

    Αξιολόγηση απόδοσης νευρωνικών δικτύων, ικανότητα γενίκευσης, εφαρμογές ανάπτυξης νευρωνικών δικτύων, μελέτη περίπτωσης.

     

  • Συσταδοποίηση Ι

    Ορισμοί, κατηγορίες ομαδοποίησης, συναρτήσεις απόστασης, συναρτήσεις ομοιότητας, διαμεριστική συσταδοποίηση, αλγόριθμος k-means.

     

  • Συσταδοποίηση ΙΙ

    Ιεραρχική συσταδοποίηση, αξιολόγηση και εγκυρότητα συσταδοποίησης, εφαρμογές συσταδοποίησης, μελέτη περίπτωσης.

Βιβλιογραφία

  • Aurelien Geron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2019
  • Peter Sbarski, Serverless Architectures on AWS, 2017
  • Cagatay Gurturk, Building Serverless Architectures, 2017