Tο μάθημα πραγματεύεται την μάθηση απο δεδομένα, με στόχο την υψηλού επιπέδου ανάλυση που θα επιτρέψει την εξαγωγή χρήσιμων συμπερασμάτων και την πραγματοποίηση προβλέψεων. Ο διαχωρισμός της χρήσιμης πληροφορίας από τον θόρυβο στα δεδομένα ενέχει πολύ μεγάλες προκλήσεις, τόσο υπολογιστικές όσο και στο επίπεδο της μαθηματικής ανάλυσης και μοντελοποίησης. Στο μάθημα αυτό προσεγγίζουμε αυτές τις προκλήσεις τόσο υπό ένα πρίσμα που κινείται στην τομή μεταξύ της επιστήμης των υπολογιστών και της επιστήμης της στατιστικής. Μέσα από παραδείγματα πραγματικών εφαρμογών με ευρύ ενδιαφέρον, εισάγουμε μεθόδους για: • βέλτιστες τεχνικές δειγματοληψίας για λήψη αντιπροσωπευτικών και διαχειρίσιμων συλλογών δεδομένων εκπαίδευσης • τεχνικές αποθήκευσης και διαχείρισης μεγάλων όγκων δεδομένων ώστε να διευκολύνεται η πρόσβαση σε αυτά γρήγορα και αξιόπιστα με χαμηλή καθυστέρηση • τεχνικές ανάλυσης και συμπερασμού για εξαγωγή ισχυρών υποθέσεων και βαθειάς κατανόησης σχετικά με τις εξαρτήσεις και την χρήσιμη πληροφορία που υποκρύπτεται σε μεγάλες συλλογές δεδομένων • παραγωγή πρόβλεψης με χρήση στατιστικών εργαλείων όπως regression, classification, and clustering • βέλτιστες τεχνικές παρουσίασης των αποτελεσμάτων της ανάλυσης μέσω γραφικής απεικόνισης, λεκτικών εξιστορήσεων, και ερμηνεύσιμων από τον άνθρωπο περιλήψεων. Το μάθημα περιλμαβάνει ένα θεωρητικό τμήμα και ένα σύνολο απο εργαστηριακές ασκήσεις ΘΕΩΡΗΤΙΚΟ ΤΜΗΜΑ • Εισαγωγή. Τι είναι η επιστήμη των δεδομένων; Ποια η σημασία της; Ποιοί είναι οι επιστήμονες δεδομένων; • Ανάλυση δεδομένων για συμπερασμό. Τύποι δεδομένων. Διαστάσεις δεδομένων. Ιδιότητες οπτικοποίησης. Αποτελεσματικές οπτικοποιήσεις δεδομένων. • Αρχές οπτικοποίησης δεδομένων και αποτελεσμάτων ανάλυσης. Στατιστικοί γράφοι. • Πηγές δεδομένων. Συλλογή δεδομένων από το διαδίκτυο. Ξεκαθάρισμα δεδομένων • Επανάληψη στην θεωρία πιαθανοτήτων. Στατιστικά μοντέλα. Παραμετρικές και μη-παραμετρικές κατανομές • Bootstrap. • Μεροληψία και δειγματοληψία. Τύποι δειγματοληψίας. Ισορροπία μεταξύ μεροληψίας και επάρκειας αντιπροσώπευσης της μεταβλητότητας κατά την δειγματοληψία. • Ταξινόμηση και παλινδρόμηση • Πολυδιάστατα δεδομένα. Παράλληλα συστήματα συντεταγμένων. Glyphs. Μείωση διαστάσεων. PCA. SVD. MDS. • Cross-validation. Clustering. • Το Bayesian υπόδειγμα σκέψης και οι βασικές μέθοδοι. Prior κατανομές, πιθανοφάνεια. • Τεχνικές δειγματοληψίας, Bayesian υπολογισμοί, μέθοδοι Monte Carlo. • Βασικές μέθοδοι μηχανικής μάθησης. • Amazon EC2, AWS Datastore, MapReduce, MRJob • Δειγματοληψία δικτύων, εντοπισμός κοινοτήτων στα δίκτυα. ΕΡΓΑΣΤΗΡΙΟ • Εισαγωγή στην Python και τα Numpy Arrays • Συλλογή δεδομένων από το διαδίκτυο, ξεκαθάρισμα δεδομένων και Pandas • Viz, και Matplotlib • SciKit Learn και Στατιστικά Μοντέλα σε Python • SciKit Learn: Συμπερασμός και cross-validation • SciKit Learn: Bayesian Analysis • MCMC στην Python • EC2 και MRJob • Theano και GPU acceleration.

Ψηφιακή επεξεργασία σημάτων multi-rate και εφαρμογές, Μοντελοποίηση συστημάτων με μεθόδους ελαχίστων τετραγώνων και σχεδιασμοί φίλτρων. Γραμμική πρόβλεψη forward και backward. Μοντελοποίηση με μεθόδους AR, MA ARMA. αντίστροφα συστήματα και deconvolution, Φίλτρα Wiener, Adaptive filters. Εφαρμογές.

Aνεύρεση πληροφοριών από την βιβλιοθήκη και τις βάσεις δεδομένων. Συγγραφή επιστημονικών άρθρων για συνέδρια και επιστημονικά περιοδικά. Αξιολόγηση επιστημονικού έργου. Συγγραφή ερευνητικών προτάσεων. Συγγραφή μελέτης ανασκόπησης. Συγγραφή επιστημονικών διατριβών μεταπτυχιακού επιπέδου. Σχεδιασμός πειραμάτων σχετικά με την έρευνα των φοιτητών. Συλλογή, φύλαξη και επεξεργασία δεδομένων. Διαχείριση του κινδύνου.

Αναπαράσταση ψηφιακών εικόνων. Δειγματοληψία και κβαντοποίηση. Επεξεργασία στο πεδίο του χώρου και το πεδίο συχνοτήτων. Ψηφιακή καταγραφή, ευθυγράμμιση, εξαγωγή χαρακτηριστικών και ανάλυση εικόνας. Αποκατάσταση, βελτίωση και κατάτμηση εικόνας. Ανίχνευση ακμών, γραμμών, δομή, σχήμα, υφή και κατάταξη. Συμπίεση και κωδικοποίηση ψηφιακής εικόνας. Εισαγωγή στη επεξεργασία βίντεο. Μετασχηματισμοί εικόνας: 1-D και 2-D Fourier, DCT, Hotelling, Hough. Έμφαση σε προγραμματιστική εμπειρία επεξεργασίας εικόνας και βίντεο με χρήση λογισμικών πακέτων.

Το μάθημα θα εξετάσει τις βασικές αρχές λειτουργίας θεραπευτικών τεχνολογιών όπως τα Λέιζερ, ραδιοσυχνότητες, μικροκύματα, κρυοχειρουργική και θεραπευτικών υπερήχων. Θα γίνει εκτενέστερη ανάλυση για τους θεραπευτικούς υπέρηχους. Μέτρηση ακουστικής εξασθένησης, μέτρηση έντασης και ακουστικού πεδίου θεραπευτικών υπερήχων, τον μηχανισμός Σπηλαίωσης. Υλισμικό θεραπευτικών Υπερήχων. Το μάθημα θα περιλαμβάνει επίσης τις βασικές μεθόδους απεικόνισης θεραπευτικών τεχνολογιών: Καθοδήγηση με υπερηχοτομογραφία, ελαστογραφία, αξονικό, και καθοδήγηση με μαγνητικό τομογράφο. Το μάθημα θα περιλαμβάνει επίσης διάφορες εφαρμογές όπως η συνέργεια θεραπευτικών υπερήχων με φάρμακα, Θεραπεία καρκίνου του προστάτη Θεραπεία γυναικολογικών  όγκων, Θεραπεία ασθενειών του εγκέφαλου (πάρκινσον, καρκίνος), Συστήματα ρομποτικής σε περιβάλλον μαγνητικού τομογράφου, Λιθοτριψία, Ιστότριψη και αλληλοεπίδραση θεραπευτικών υπερήχων και μικροφουσκαλλίδων.

Το μάθημα εξετάζει τις φυσικές αρχές υπερηχογραφίας,  και μαγνητικής τομογραφίας. Στην υπερηχογραφία έμφαση θα δοθεί σε θέματα όπως αλληλοεπίδραση υπερήχων και μαλακών ιστών, εξασθένηση υπερήχων, κατασκευή αισθητήριου υπερήχων και εξισώσεις κυμάτων, αρχή λειτουργίας υπερηχοτομογράφου, Α-mode, B-mode, M-mode, υπέρηχοι Doppler, μέτρηση έντασης, αξονική και πλευρική ανάλυση, και τεχνικά σφάλματα,. Στην μαγνητική τομογραφία έμφαση θα δοθεί σε θέματα όπως δημιουργία μαγνήτισης, συντονισμός, υλισμικό μαγνητικού τομογράφου, απεικόνιση σε 2 διαστάσεις, K-space, χρόνος απεικόνισης, εξισώσεις μαγνητικού τομογράφου, επιλογή φέτας, γρήγορες ακολουθίες, PWI, DWI, functional MRI, και η φυσικές ιδιότητες διάφορων εξειδικευμένων ακολουθιών.

Οι βιοαισθητήρες πραγματοποιούν αποτελεσματικά και σε μικρή κλίμακα βιοχημικές, ενζυματικές, και ιατρικές αναλύσεις. Το μάθημα περιγράφει μέτρα για την επίδοσή τους, καθώς και τους βασικούς βιομοριακούς αναλύτες. Επίσης, εισάγει σχετικά θέματα φυσικής και χημείας όπως το μικροσκοπικό νόμο του Ωμ, την ηλεκτρική διπλοστιβάδα και κινητική για διάφορες γεωμετρίες. Το μάθημα περιλαμβάνει Αμπερομετρικούς, οπτικούς, ποτενσιομετρικούς και μηχανικούς υποστηριχτικούς βιοαισθητήρες. Για κάθε είδος περιγράφονται η ενοργάνιση, η επίδοση και εφαρμογές. Για τους Αμπερομετρικούς αισθητήρες τονίζονται οι μετρητές γλυκόζης. Περιγράφονται οι οπτικοί βιοαισθητήρες συντονισμού πλασμονίων επιφάνειας και φθορισμού. Για τους ποτενσιομετρικούς αισθητήρες ημιαγωγών τονίζεται η χρήση τους για βιομοριακά ηλεκτρικά φορτία και σαν διαδοχέες του DNA. Περιγράφεται επίσης ο συνδυασμός των μηχανικών βιοαισθητήρων με ηλεκτρικά εξαρτήματα που αυξάνουν την ευαισθησία τους.

Ανιχνευτές και βιοαισθητήρες από τα παραδοσιακά  έως την νανοτεχνολογία, βιοηλεκτρονική και σχεδιασμός συστήματος μετρήσεων, διεπαφή μεταξύ βιολογικού συστήματος και οργάνων, ανάλυση δεδομένων, κλινική ασφάλεια.

Το μάθημα εξετάζει τις φυσικές αρχές απεικόνιση με ακτίνες Χ, αξονική τομογραφία, SPECT, και Απεικόνισης ποζιτρονίων (PET). Στις ακτίνες Χ έμφαση θα δοθεί στην αρχή λειτουργίας των ακτινών Χ αλληλοεπίδραση ακτινών Χ και μαλακών ιστών (Reyleigh, Compton scattering, Photoelectric effect), εξασθένηση, κατασκευή σωλήνα ακτινών Χ, Radon transformation. Μαστογραφία, Αγγειογραφία με αξονικό, Fluoroscopy. PET/MRI, PET/CT.

Θέματα γενικής τοπολογίας και ανάλυσης. Μιγαδική ανάλυση, σύμμορφες απεικονίσεις, ανάλυση ιδιάζουσας τιμής. Θέματα αφηρημένης άλγεβρας και αλγεβρικής και διαφορικής γεωμετρίας. Θέματα αριθμητικής γραμμικής άλγεβρας. Κυρτά σύνολα, κυρτές συναρτήσεις, δυϊσμός και βελτιστοποίηση. Λογισμός των μεταβολών, αναγωγή σε κανονική μορφή. Μερικές διαφορικές εξισώσεις και προβλήματα συνοριακών τιμών.

Εξέλιξη των Ασύρματων Συστημάτων, Ποιότητα εξυπηρέτησης (Quality of Service), Κυψελοειδή Συστήματα (Cellular Systems), Ad – Hoc Δίκτυα, Δίκτυα Αισθητήρων (Sensor Networks), Bluetooth, WiFi, WiMAX, Ράδια ZigBee, Ασύρματα Δίκτυα του Μέλλοντος, Τεχνικές Multi-hop και Multi-cell, Πρωτόκολλα Mobile IP, TCP over Wireless και Κινητά Δίκτυα (Mobile Networks), Ασύρματες Εφαρμογές Πολυμέσων (Wireless Multimedia Applications), Ασύρματες Τεχνολογίες LAN, Ανάλυση Απόδοσης σε Ασύρματες Τεχνολογίες Πολλαπλής Πρόσβασης (Multiple Access).

Χαρακτηριστικά διαπερατότητας οπτικών ινών. Οπτο-ηλεκτρονικές ιδιότητες συνθετών ημιαγωγών. Φωτοδίοδοι: τύπων PIN και χιονοστιβάδας, βαθμός απόκρισης, κβαντική απόδοση, πηγές θορύβου ανιχνευτών. Σύγχρονες δομές διόδων λέιζερ (Fabry-Perot, διανεμημένη ανατροφοδοτήση και VCSEL). Οπτικοί ενισχυτές. Διαμορφωτές. Συμβολόμετρο Μach-Zender.

Το μάθημα αυτό στοχεύει στην περιγραφή των σημαντικότερων θεωρητικών και πρακτικών θέματών που αφορούν μη γραμμικά συστήματα και βέλτιστο έλεγχο. Οι πιο σημαντικές γνώσεις που θα αναπτυχθούν μέσα από το μάθημα είναι η θεωρία μη γραμμικών συστημάτων και η ευστάθεια συστημάτων. Επίσης ο βέλτιστος έλεγχος και δυναμικός προγραμματισμός. Με τις γνώσεις αυτές οι φοιτητές θα μπορούν να δώσουν λύση σε πρακτικά προβλήματα σχετικά με θέματα ρομποτικής και εφαρμογές τους στη βιοιατρική μηχανική. Το μάθημα αυτό καλύπτει θεωρητικές γνώσεις και εφαρμογή γνώσεων με παρουσιάσεις,  ομαδική συζήτηση,  και εργαστηριακές επιδείξεις. Οι φοιτητές θα αξιολογούνται με εργασίες, ενδιάμεση και τελική εξέταση.  

Αδιαστασιοποίηση φυσικών μοντέλων. Μέθοδος πεπερασμένων τοιχείων. Πεπερασμένες διαφορές. Αριθμητική επίλυση συνήθων και μερικών διαφορικών εξισώσεων. Ασυμπτοτικές μέθοδοι. Μέθοδοι ευρέσεως ακρότατων και βελτιστοποίησης. Εφαρμογές σε: Προσομοιώσεις της δυναμικής συστημάτων πολλών σωματιδίων, Κλασσική μοριακή δυναμική, Υπολογισμούς ηλεκτρονικής δομής στερεών FDTD.

Τεχνοεπιχειρηματικό οικοσύστημα, Ανάγκη, δημιουργικότητα, ιδέα. Αναγνώριση και αξιολόγηση επιχειρηματικών ευκαιριών. Ανάπτυξη επιχειρηματικού μοντέλου και πλάνου. Ανάπτυξη στρατηγικών καινοτομίας, ανταγωνισμού, προϊόντων, μάρκετινγκ. Ηγεσία και οργάνωση εταιρίας. Καθημερινές επιχειρηματικές διαδικασίες. Στρατηγική και προστασία πνευματικών δικαιωμάτων. Ανάπτυξης νέων προϊόντων. Πρόσκτηση πόρων και διαχείριση ανάπτυξης νέου προϊόντος και μίας νέας τεχνολογικής επιχείρησης. Νομικά και κανονιστικά θέματα.

Σκοπός του μαθήματος είναι να εισαγάγει τους φοιτητές στις βασικές αρχές της εμβιομηχανικής και να τους βοηθήσει να αναπτύξουν το απαραίτητο υπόβαθρο πάνω στο οποίο θα κτιστούν άλλα μαθήματα της εμβιοτεχνικής. Συγκεκριμένα, το μάθημα καταπιάνεται με τις εφαρμογές της μηχανικής (στατικής και δυναμικής) στερεών σωμάτων και ρευστομηχανικής σε προβλήματα βιοϊατρικής τεχνολογίας, χαρακτηριστικά έντασης-καταπόνησης των οστών, ιξωδοελαστική συμπεριφορά των ιστών, ροή αίματος στο καρδιαγγειακό σύστημα, και την μη-Νευτώνεια συμπεριφορά του αίματος. Θα δοθεί έμφαση στη μοντελοποίηση και σε κλινικές εφαρμογές. Προαπαιτούμενα Μαθήματα: Μηχανική: Δυναμική, Ρευστομηχανική.

Εισαγωγή στις βασικές αρχές της μοντέρνας βιολογίας, περιλαμβανομένου της δομής κυττάρων, οργάνων και βαθμίδες οργανισμών, με έμφαση στις φυσιολογικές διαδικασίες, ομοιόσταση και εξέλιξη. Στόχος του μαθήματος είναι να εξοικειώσει τους φοιτητές με τις βασικές ιδιότητες και τα χαρακτηριστικά των βιοϋλικών ούτως ώστε να αντιλαμβάνονται την απόκριση αυτών των υλικών στα διάφορα βιολογικά συστήματα και ερεθίσματα. Το μάθημα θα εξετάσει τις διάφορες φυσικές, χημικές και μηχανικές ιδιότητες υλικών όπως μετάλλων, κεραμικών, πολυμερών, συνθέτων, ευφυών, και φυσικών υλικών που χρησιμοποιούνται σε βιοϊατρικές εφαρμογές, την απόκριση των βιοϋλικών σε βιολογικά συστήματα όπως μηχανική κατάρρευση, διάβρωση, διάλυση, απόπλυση, χημική υποβάθμιση και φθορά, τη συμπεριφορά απόκρισης (όπως φλεγμονή, θεραπεία τραυμάτων, καρκινογένεια, ανοσογονικότητα, κυτταροτοξικότητα, λοίμωξη, τοπικές/διασυστηματικές επιδράσεις) των ιστών στα βιοϋλικά κλπ. Προαπαιτούμενα Μαθήματα: Υλικά Μηχανικής, Πολυμερή.

The objective of this course is to introduce the basic biostatistical techniques which are essential for analyzing data arising in health data. Statistical reasoning will be emphasized through problem solving and applications.

The course will focus on modern techniques for imaging the human brain. Students will be taught the key principles of a range of neuroimaging techniques, including magnetic resonance imaging (MRI), electroencephalography (EEG), and magnetoencephalography (MEG).