Νόμος του Ohm, KCL, KVL, Διαιρέτης Τάσης, Διαιρέτης έντασης. Ηλεκτρική Ισχύς. Κατασκευή και λειτουργία Διόδου, Διπολικού Τρανζίστορ Επαφής, Τρανζίστορ Φαινομένου Πεδίου (JFET, MOSFET και νεώτεροι τύποι), Πόλωσης, Ενίσχυσης. Σταθερότητα πόλωσης, διακοπτικά χαρακτηριστικά, καθυστερήσεις διάδοσης. Κυκλώματα και τοπολογίες πυλών (BJT, NMOS, CMOS και νεώτεροι τύποι): χαρακτηριστική μεταφοράς ιδανικών και πραγματικών πυλών, στάθμες εισόδου-εξόδου. Bασικές οικογένειες λογικών κυκλωμάτων. Τελεστικοί Ενισχυτές, Ιδανικός ΤΕ, Εφαρμογές: Συγκριτής, φίλτρα. Μετατροπείς από Ψηφιακό σε Αναλογικό (DAC) και από Αναλογικό σε Ψηφιακό (ADC), Σύστημα Δειγματοληψίας (SAH).

Εισαγωγή στους ημιαγωγούς CMOS. Δυαδική άλγεβρα, αξιώματα και κανόνες, prime implicants, αρχή της δυαδικότητας, απλοποίηση και ελαχιστοποίηση χρησιμοποιώντας χάρτες Karnaugh, Νόμοι De Morgan. Δυαδικά μαθηματικά συστήματα. Χρονική ανάλυση και ανεύρεση αργότερου μονοπατιού, κίνδυνοι χρονισμού σε λογικά κυκλώματα. Δίκτυα λογικών πυλών, συνδυαστική και ακολουθιακή σύνθεση. Μηχανές πεπερασμένων καταστάσεων, πίνακες καταστάσεων, ανάθεση και ελαχιστοποίηση καταστάσεων και η χρήση τους σε διαδοχικά κυκλώματα και κυκλώματα ελέγχου. Σύγχρονα και ασύγχρονα κυκλώματα, σηματοδότηση και επικοινωνία με τη μέθοδο χειραψίας. Αθροιστές, αφαιρέτες, πολλαπλασιαστές, διαιρέτες, αριθμητικές και λογικές μονάδες. Κωδικοποιητές και αποκωδικοποιητές. Μετρητές, μεταθέτες και καταχωρητές-μεταθέτες. Πολυπλέκτες και αποπλέκτες. Καταχωρητές και αρχεία καταχωρητών. Κύτταρα μνήμης SRAM και DRAM. Κώδικες ανίχνευσης σφαλμάτων. Διαδοχικός και συνδυαστικός σχεδιασμός με CPLDs, GALs, FPGAs, και PLAs. Εισαγωγή σε γλώσσα περιγραφής υλικού (VHDL ή Verilog). Δομές μνήμης, όπως RAM, ROM. Το μάθημα περιλαμβάνει εργαστηριακά πειράματα που αφορούν το σχεδιασμό και έλεγχο ορθότητας λειτουργίας ψηφιακών συστημάτων με τη χρήση μικρής και μεσαίας κλίμακας ολοκληρωμένων κυκλωμάτων.

Λογική, προτασιακή άλγεβρα, κατηγορηματική λογική. Αποδεικτικές μέθοδοι. Ακολουθίες και αθροίσεις. Αρχές επαγωγής και κανόνες αναδρομών. Θεωρία συνόλων. Σχέσεις και συναρτήσεις. Άλγεβρα του Boole και εφαρμογές. Συνδυαστική. Θεμελιώδεις αρχές αλγορίθμων. Γράφοι και δέντρα.

Το μάθημα αυτό αποτελεί μια εισαγωγή στις διάφορες φάσεις μεταγλωττισμού μιας γλώσσας προγραμματισμού. Γίνεται αναφορά στις κύριες έννοιες των γλωσσών προγραμματισμού με στόχο την επεξήγηση των φάσεων που ακολουθεί ένας μεταγλωττιστής για να μετατρέψει ένα πηγαίο πρόγραμμα στην γλώσσα μηχανής. Ως εκ τούτου ασχολείται με την λεκτική, συντακτική, σημασιολογική ανάλυση μιας αρχικής γλώσσας προγραμματισμού και την μετατροπή της σε ενδιάμεσο κώδικα και τελική γλώσσα. Τα εργαλεία flex και bison χρησιμοποιούνται για πρακτική εφαρμογή και ανάπτυξη μικρών λεκτικών αναλυτών και συντακτικών αναλυτών αντίστοιχα.

Μελέτη μεθοδολογιών στην περιοχή της ανάλυσης και σχεδιασμού Πληροφοριακών Συστημάτων (ΠΣ). Επικέντρωση στο ΠΣ σαν οντότητα και στο περιβάλλον του. Εμπλεκόμενοι, φάσεις ανάπτυξης ΠΣ και διαχείριση έργων λογισμικού. Έμφαση σε τεχνικές για ανάλυση λογισμικού, μοντελοποίηση ΠΣ, μοντελοποίηση διαδικασιών και δεδομένων και σχεδιασμό ΠΣ.

Το μάθημα αυτό αποτελεί μια εισαγωγή στις Δομές Δεδομένων και στην Ανάλυση Αλγορίθμων. Σκοπός του μαθήματος είναι η κατανόηση του πως κοινά υπολογιστικά προβλήματα μπορούν να λυθουν αποδοτικά με υπολογιστές. Στο τέλος του μαθήματος οι φοιτητές θα μπορούν: α) περιγράψουν και υλοποιήσουν σε C/C++ βασικές δομές δεδομένων και αλγόριθμους, όπως λίστες, στοίβες, ουρές, δέντρα αναζήτησης, γράφους, αλγόριθμους ταξινόμησης και αλγόριθμους εύρεσης βέλτιστων μονοπατιών σε γράφους; β) να υλοποιήσουν προγραμματιστικές τεχνικές που απαντώνται συχνά στη λύση αλγοριθμικών προβλημάτων, όπως αναδρομή, άπληστος προγραμματισμός, και δυναμικός προγραμματισμός; γ) να αναλύσουν την πολυπλοκότητα αλγορίθμων και να εκτιμήσουν το υπολογιστικό κόστος του λογισμικού σας; δ) να επιλέξουν σωστά μεταξύ διαφόρων αλγορίθμων και δομών για την επίλυση του προγραμματιστικού προβλήματός τους; ε) να συνδυάζουν αλγόριθμους και δομές δεδομένων για την επίλυση περιπλοκών υπολογιστικών προβλημάτων.

Το μάθημα είναι μια εισαγωγή στα Λειτουργικά Συστήματα και σε σχετικούς τύπους συστημάτων λογισμικού. Τα θέματα που καλύπτονται είναι: Διαχείριση διεργασιών (δημιουργία, συγχρονισμός και επικοινωνία), μηχανισμοί και αλγόριθμοι ταυτοχρονισμού (αμοιβαίος αποκλεισμός και αδιέξοδα), διαχείριση κύριας και ιδεατής μνήμης (ανταλλαγή, σελιδοποίηση, τμηματοποίηση και αντικατάσταση σελίδων), χρονοπρογραμματισμός μονών και πολλαπλών επεξεργαστών, έλεγχος δίσκων και συσκευών εισόδου/εξόδου, δομή και υλοποίηση του συστήματος αρχείων, προστασία και ασφάλεια.

Το μάθημα επικεντρώνεται στο σχεδιασμό και ανάλυση αποδοτικών αλγορίθμων και της πολυπλοκότητάς τους. Συγκεκριμένα, το μάθημα καλύπτει θέματα όπως η ανάλυση αλγορίθμων, ο ασυμπτωτικός συμβολισμός, οι αναδροµικές σχέσεις, οι αλγόριθμοι διαίρει και βασίλευε, ο δυναμικός προγραμματισμός, οι άπληστοι αλγόριθμοι, η αναπαράσταση γράφων, η αναζήτηση σε γράφους, τα συνεκτικά δέντρα ελάχιστου βάρους, τα μονοπάτια ελάχιστου βάρους, η μέγιστη ροή δικτύων, η NP-πληρότητα, και οι προσεγγιστικοί αλγόριθμοι. Προαπαιτούμενο υπόβαθρο: Δομές Δεδομένων.

Εισαγωγή στη γλώσσα μοντελοποίησης UML (Unified Modeling Language): Μοντελοποίηση κλάσεων και αντικειμένων, διαγράμματα κλάσεων, διαγράμματα αλληλεπίδρασης (ακολουθιακά, συνεργασιακά), περιπτώσεις χρήσης, διαγράμματα δραστηριότητας, μοντελοποίηση καταστάσεων. Προχωρημένες έννοιες αντικειμενοστρεφούς προγραμματισμού που καλύπτουν αντικειμενοστρεφείς δομές δεδομένων και σχετικούς αλγορίθμους προσπέλασης, όπως η τεμπέλικη αξιολόγηση. Υλοποίηση σωρών, αυτο-ισοζυγιζόμενων δέντρων, γράφων. Ταξινόμηση και γεννητική αναδρομής μέσω αντικειμένων. Εφαρμογή αρχών Τεχνολογίας Λογισμικού όπως αφαιρετική αποσύνθεση, αποσύζευξη και πέρασμα εντολών σε μεγάλης και μικρής κλίμακας συστατικά και πλαίσια εργασίας. Πολυνηματικές εφαρμογές προσανατολισμένες στα γεγονότα. Προαπαιτούμενο: ΜΗΥΠ 123 – Αντικειμενοστρεφής Μεθοδολογία και Προγραμματισμός (C++).

Προαπαιτούμενα

EEI 133 Αντικειμενοστρεφής Μεθοδολογία και Προγραμματισμός με C++ 

Το μάθημα παρέχει βαθιά κατανόηση των εννοιών και πρακτικών του προγραμματισμού συστημάτων που βασίζονται στο λειτουργικό σύστημα Unix. Διαχείριση αρχείων, κλήσεις συστήματος, προσωρινή αποθήκευση (buffering). Μεταφραστές συμβολικής γλώσσας, εκκινητήρες, συνδετήρες, προ-επεξεργαστές, συντακτικοί αναλυτές και πλαίσια στοίβας (stack frames). Διαχείριση μνήμης, διεργασίες συστήματος (fork, exec, dup, pipe), βιβλιοθήκες συστήματος, sockets, προγραμματισμός πελάτη-εξυπηρετητή, νήματα. Εναλλακτικά λειτουργικά συστήματα (Linux, Android). Εισαγωγή στα εμφωλιασμένα συστήματα. 

Θεμελιώδεις έννοιες για επικοινωνία μεταξύ Η/Υ και ανταλλαγή δεδομένων. Πρωτόκολλα επικοινωνίας, τοπικά και ευρείας περιοχής δίκτυα. Εισαγωγή σε τεχνολογίες δικτύων και Διαδικτύου. Η σουίτα πρωτοκόλλων TCP/IP και η ποιότητα υπηρεσιών. Νέες αρχιτεκτονικές δικτύωσης. Πρωτόκολλα και στάνταρντ (π.χ. Diffserv, ipv6, MPLS, κλπ.). Αξιολόγηση της απόδοσης δικτύου και πρωτοκόλλου, θεωρία ουρών και εργαλεία προσομοίωσης. Μοντελοποίηση της κυκλοφορίας σε δίκτυο. Έλεγχος συμφόρησης και ανάθεση πόρων. Σχεδιασμός δικτύου και βελτιστοποίηση.

Το μάθημα προσφέρει στους φοιτητές τη δυνατότητα να διασυνδεόσουν τοπικά δίκτυα Η/Υ χρησιμοποιώντας διακόπτες, δρομολογητές και τερματικούς εξυπηρετητές, και να διενεργήσουν διάφορα πειράματα σχετικά με τον σωρό του TCP/IP πρωτοκόλλου. Οι φοιτητές αποκτούν πρακτική εμπειρία με έννοιες όπως υποδίκτυο, DHCP, DNS, TCP handshaking και μηχανισμούς συμφόρησης, ασύρματα πρωτόκολλα (WiFi), SSL, SIP-VoIP, Δικτυακό φίλτρο ασφάλειας βασισμένο σε δρομολογητή, RIP, OSPF και δρομολόγηση πολλαπλής μετάδοσης. Στην πορεία οι φοιτητές μαθαίνουν να χρησιμοποιούν εργαλεία λογισμικού για δίκτυα, να αποσφαλματώνουν δίκτυα και να ρυθμίζουν συσκευές δικτύου. Το μάθημα καλύπτει επίσης πρακτικά θέματα σε προγραμματισμό δικτύων, το μοντέλο OSI, τα πρωτόκολλα TCP και UDP, ports και IP διευθυνσιοδότηση (κλάσεις, διευθύνσεις, μάσκες υποδικτύων, δίκτυα, υποδίκτυα, τελικοί χρήστες) και συσκευές δικτύων (διακόπτες, δρομολογητές, κομβικά σημεία, γέφυρες), δομημένη καλωδίωση, sockets και προγραμματισμό sockets (εντολές socket, connect, bind, listen, accept, fork, exec, write, read) και το μοντέλο πελάτη-εξυπηρετητή μέσω sockets.

Παρουσίαση προηγμένων αρχιτεκτονικών μονο-επεξεργαστών και παράλληλων αρχιτεκτονικών όπως πολυ-επεξεργαστές και επεξεργαστές πολλαπλών πυρήνων. Προχωρημένη διασωλήνωση. Δυναμικός προγραμματισμός, αλγόριθμοι Scoreboarding και Tomasulο, εκτός σειράς εκτέλεση εντολών, ακριβής χειρισμός διακοπών. Έκδοση πολλαπλών εντολών σε επεξεργαστές τύπου superscalar. Ελαχιστοποίηση κινδύνων δεδομένων, ελέγχου και δομικών κινδύνων. Πρόβλεψη διακλάδωσης και πίνακες ιστορικού διακλαδώσεων. Τεχνικές για αξιοποίηση παραλληλισμού σε επίπεδο υπό-λέξεων, παραλληλισμός σε επίπεδο εντολών νημάτων. Στατικός παραλληλισμός εντολών σε αρχιτεκτονικές VLIW, ξετύλιγμα βρόγχων και διασωλήνωση λογισμικού. Προηγμένη οργάνωση συστήματος μνήμης, διεμπλοκή μνήμης, αρχιτεκτονικές πολλαπλών κρυφών μνημών, ιδεατή μνήμη, TLBs. Συστήματα αποθήκευσης και αξιοπιστία με συστήματα αποθήκευσης RAID. Πρωτόκολλα συνάφειας μνήμης σε πολΥ-επεξεργαστές και αρχιτεκτονικές επεξεργαστών πολλαπλών πυρήνων. Δίκτυα και δίκτυα διασύνδεσης, ολοκληρωμένα και ανασυνδεόμενα. Το μάθημα μπορεί να περιλαμβάνει πρακτική εργασία με τη χρήση ακαδημαϊκών ή βιομηχανικών προσομοιωτών αρχιτεκτονικών Η/Υ.

Προαπαιτούμενο:

EEI 233 Οργάνωση Ηλεκτρονικών Υπολογιστών

Μέθοδοι, εργαλεία και διαδικασίες για την ανάπτυξη και συντήρηση μεγάλης κλίμακας λογισμικού μέσα σε προκαθορισμένα πλαίσια ποιότητας και κόστους. Μοντέλα κύκλου ζωής, τεχνικές προδιαγραφής λογισμικού, μεθοδολογίες ανάπτυξης, έλεγχος λογισμικού, επαλήθευση και επιβεβαίωση. Εργαλεία CASE και εργαλεία ανάπτυξης. Διαχείριση έργων λογισμικού. Πρακτική εξάσκηση σε εργαλεία CASE για τη μοντελοποίηση δεδομένων και διαδικασιών. Προαπαιτούμενο: ΜΗΥΠ 223 – Ανάλυση και Σχεδιασμός Πληροφοριακών Συστημάτων

Το μάθημα προσφέρει μια εισαγωγή στις Βάσεις Δεδομένων και επικεντρώνεται στα συστήματα διαχείρισης σχεσιακών Βάσεων Δεδομένων. Τα θέματα περιλαμβάνουν μοντελοποίηση δεδομένων, θεωρία και μεθοδολογία σχεδιασμού βάσεων δεδομένων, ορισμό δεδομένων και γλώσσες χειρισμού, τεχνικές αποθήκευσης και δεικτοδότησης, επεξεργασία και βελτιστοποίηση ερωτημάτων, δοσοληψίες, έλεγχος ταυτοχρονισμού και ανάκαμψη συστήματος. Επιπλέον, το μάθημα καλύπτει αρχές αρχιτεκτονικής συστημάτων διαχείρισης Βάσεων Δεδομένων και τεχνικές για την ανάπτυξη εφαρμογών.

Το μάθημα αυτό αποτελεί μια εισαγωγή στις τεχνολογίες διαδικτύου, οι οποίες πλέον αποτελούν την κύρια πλατφόρμα εφαρμογών λογισμικού. Θα καλύψουμε ένα μεγάλο εύρος framework για την ανάπτυξη εφαρμογών ιστού τα οποία χρησιμοποιούνται σε κρίσιμες επιχειρηματικές εφαρμογές μεγάλης κλίμακας, όπως Online Social Networks, Banking, Online Stores, Online Video Services κ.ο.κ. Θα περιγράψουμε τις βασικές αρχές των εφαρμογών διαδικτύου, περιλαμβανομένου πρωτόκολλα, standards, διαχείριση δεδομένων, multi-tier αρχιτεκτονικές και ασφάλεια. Θα μελετήσουμε πως μπορούμε να αναπτύξουμε αξιόπιστες, φιλικές στο χρήστη, κλιμακώσιμες, ευέλικτες και διατηρήσιμες εφαρμογές. Επίσης θα μελετήσουμε πως μπορούμε να μετατρέψουμε βασικές εφαρμογές διαδικτύου σε κινητές εφαρμογές. Ο κύριος κορμός του μαθήματος αποτελείται απο μια σειρά εργαστηριακών ασκήσεων που παρέχουν στο φοιτητή την υποδομή και τη γνώση για τη δημιουργία μιας περίπλοκης εφαρμογής Web και μιας εφαρμογής Android.

To μάθημα είναι μια εισαγωγή στο σχεδιασμό, αλγορίθμους, υλικό και το λογισμικό των σύγχρονων κατανεμημένων συστημάτων δίνοντας έμφαση τόσο στην αποδοτικότητα όσο και στην ανθεκτικότητα και ασφάλεια.

Τα θέματα που καλύπτονται περιλαμβάνουν αρχιτεκτονικές κατανεμημένων συστημάτων, διεργασίες, επικοινωνία μεταξύ διεργασιών, ονοματοδοσία σε κατανεμημένες οντότητες, συντονισμός και κατανεμημένη συμφωνία σε περιβάλλοντα σφαλμάτων.

Μαθησιακά Αποτελέσματα:

α) Οι φοιτητές θα αποκτήσουν γνώσεις σχετικές με τον βασικό σχεδιασμό των κατανεμημένων συστημάτων και τους τρόπους επίτευξης βασικών λειτουργίων τους όπως η κατανεμημένη συμφωνία (distributed consensus).

β) Θα αποκτήσουν βαθιά τεχνική γνώση για το πότε και πώς θα αξιοποιήσουν τις δυνατότητες των σύγχρονων παράλληλων και  κατανεμημένων συστημάτων για να εξυπηρετούν τις ανάγκες των οργανισμών τους.

γ) Θα εκπαιδευτούν στην κριτική κατανόηση αμφιλεγόμενων ζητημάτων ώστε να ξεχωρίζουν την πραγματικά επιστημονική πληροφορία από διαφημιστικές ανοησίες. Για παράδειγμα γιατί οι άνθρωποι ισχυρίζονται ότι οι κεντρικές λύσεις είναι κάτι που ποτέ δεν θέλουμε; Πόσο χρήσιμη είναι τελικά η τεχνολογία blockchain;

Στο μάθημα αυτό οι φοιτητές σχηματίζουν ομάδες για να αναπτύξουν (αναλύσουν, προδιαγράψουν, σχεδιάσουν, υλοποιήσουν και τεκμηριώσουν) ένα σύστημα λογισμικού για κάποιον “πελάτη” που προέρχεται από το χώρο της αγοράς. Ο στόχος του μαθήματος είναι να αποκτήσουν οι φοιτητές εμπειρία και πρακτικές γνώσεις στις διάφορες φάσεις ανάπτυξης συστημάτων λογισμικού και ομαδικής εργασίας και συνεργασίας. Ιδιαίτερη προσοχή δίνεται σε δραστηριότητες της διαχείρισης έργων λογισμικού, όπως ο χρονοπρογραμματισμός έργου και η διαχείριση των πόρων, η δημιουργία και παράδοση της τεκμηρίωσης και η τήρηση των οροσήμων του έργου. Η ομάδα των φοιτητών έχει την ευκαιρία να έρθει σε επαφή με τα πλέον σύγχρονα εργαλεία ανάπτυξης λογισμικού και να χρησιμοποιήσει τις πλέον εξελιγμένες πλατφόρμες προγραμματισμού χωρίς επίσημη εκπαίδευση. Το τελικό προϊόν που παράγεται αποτελεί ένα πλήρως λειτουργικό σύστημα λογισμικού το οποίο εγκαθίσταται στο χώρο εργασίας του πελάτη ο οποίος εκπαιδεύεται στη χρήση του.

Προαπαιτούμενα

CSE 324 Τεχνολογία Λογισμικού

Το μάθημα είναι μια εισαγωγή στις βασικές έννοιες της Μοντέρνας Τεχνητής Νοημοσύνης. Αρχικά εισάγονται οι έννοιες της επιβλεπόμενης, μη-επιβλεπόμενης, και ημιεπιβλεπόμενης μάθησης. Στην συνέχεια παρουσιάζονται οι βασικές βιολογικές αρχές των πιο μοντέρνων τεχνικών μη-επιβλεπόμενης αναπαράστασης δεδομένων, δηλαδή των μεθόδων Βαθείας Μάθησης (Deep Learning). Μετά την εισαγωγή των βασικών αρχών, παρουσιάζουμε το δίκτυο Convolutional Neural Network, και οι παραλλαγές του. Περαιτέρω, εισάγονται τα βασικά στατιστικά μοντέλα επιβλεπόμενης μάθησης, όπως linear regression, logistic regression, linear discriminant analysis (LDA), και τα Large Margin Machines. Στα τελευταία γίνεται παρουσίαση της θεωρίας Reproducing Kernel Hilbert Spaces, και των Matern Class Kernels. Ακόμα, αναπτύσσονται οι αλγόριθμοι Collaborative Filtering, με έμφαση στις τεχνικές Matrix Factorization. Παρουσιάζεται το πρόβλημα multiple instance learning, και εισάγονται οι αλγόριθμοι semisupervised learning στα πλαίσια του large margin υποδείγματος. Σε όλες τις περιπτώσεις, γίνεται εκτενής ανάπτυξη του προβλήματος του overfitting (υπερεκπαίδευση), και παρουσιάζονται οι τεχνικές επίλυσής του μέσω regularization. Κλείνουμε με το πρόβλημα της ενισχυτικής μάθησης δυναμικών πρακτόρων μέσω αυτόνομής τους αλληλεπίδρασης με το περιβάλλον. Τέλος, παρουσιάζεται ένα παράδειγμα ανάπτυξης συστήματος τεχνητής νοημοσύνης, με όλα του τα συνθετικά στοιχεία, σε πραγματική εμπορική εφαρμογή (αυτόνομα αυτοκίνητα Google).

Το μάθημα αυτό αποτελεί μια εισαγωγή στην Κρυπτογραφία και την Ασφάλεια Υπολογιστών. Το μάθημα δίνει έμφαση στην κατανόηση των βασικών αρχών ασφάλειας, όπως επίσης και των βασικών αρχών κρυπτογραφίας, με σκοπό να διδάξει στους φοιτητές πώς να σχεδιάζουν και υλοποιούν ασφαλή συστήματα. Κάποια από τα θέματα που θα καλυφθουν σε αυτό το μάθημα είναι τα εξής: Θεμελιώδης αρχές ασφάλειας υπολογιστών και ασφάλειας δικτύων, στόχοι και βασικές αρχές κρυπτογραφίας. Ευπάθειες, απειλές και επιθέσεις. Αρχές σχεδιασμού ασφαλών υπολογιστικών συστημάτων. Ιδιωτικότητα και Ανωνυμία. Συγκεκριμένα, το μάθημα εισάγει τους φοιτητές στην Κρυπτογραφία, όπου θα μελετήσουμε τις Ψευδο-Τυχαίες Συναντήσεις, Συναρτήσεις Κατακερματισμού, Κώδικες Αυθεντικοποίησης Μηνυμάτων (ΜΑCs) και Ψηφιακές Υπογραφές. Ψηφιακά Πιστοποιητικά και Υποδομές Δημόσιου Κλειδιού (PKI), τεχνικές διαφάνειας και ανάκλησης πιστοποιητικών (certificate transparency and certificate revocation). Κρυπτογραφία συμμετρικού κλειδιού και σχετικοί αλγόριθμοι (κρυπτογράφηση σε ομάδες και κρυπτογράφηση ροής). Κρυπτογραφία Δημόσιου Κλειδιού και Κρυπτογραφία Ελλειπτικών Καμπυλών. Αποδείξεις Μηδενικής Γνώσης (Zero-Knowledge Proofs). Τεχνικές δημιουργίας και ανταλλαγής κλειδιών, και κρυπτογραφικά πρωτόκολλα. Επιπλέον, το μάθημα θα εισάγει τις βασικές κατηγορίες κακόβουλου λογισμικού, όπως Ιοί, Σκουλήκια, Δούρειοι ίπποι, Backdoors, Rootkits, καθώς και τις βασικές αρχιτεκτονικές botnets. Μέθοδοι μόλυνσης και αναπαραγωγής, πολυμορφισμός και τεχνικές απόκρυψης.  Antivirus και τεχνικές ανίχνευσης. Επίσης θα μελετήσουμε τους πιο διαδεδομένους τύπους επιθέσεων, όπως Buffer Overflows, SQL Injection, Cross-site scripting, Επιθέσεις Άρνησης Υπηρεσίας, Επιθέσεις κοινωνικής χειραγώγησης (social engineering) και Επιθέσεις Phishing, ClickJacking, Ransomware κλπ. Τέλος, θα εξερευνήσουμε τεχνικές ανίχνευσης επιθέσεων και πρόληψης, καθώς και μηχανισμούς προστασίας των χρηστών.

Η ύλη του μαθήματος περιλαμβάνει τα ακόλουθα. Virtual Memory, Process Management και Inter-process Communication. The Unix operating system. Ανοδικές κλήσεις μεθόδων (Upcalls). Aπομακρυσμένες κλήσεις μεθόδων. Log-structured συστήματα αρχείων. Redundant Arrays of Inexpensive Disks. Κατανεμημένα συστήματα αρχείων. Microkernels. Virtualization. Αρχή σχεδιασμού από-άκρη-σε-άκρη. Φιλοσοφία σχεδιασμού των πρωτοκόλλων του Internet. Κατανεμημένοι Hash Tables. Μεγάλης κλίμακας αποθήκες κλειδι-τιμή (key-value stores). Map-Reduce, Pregel, Spark. Χρόνος, ρολόγια και διάταξη γεγονότων (time, clocks and event ordering). Paxos. Συγχρονισμός μεγάλης κλίμακας (ZooKeeper). Κατανεμημένες συναλλαγές και ειδοποιήσεις (distributed transactions and notifications). Δίκτυα διανομής περιεχομένου (content distribution networks). Στο τέλος του μαθήματος οι διδασκόμενοι θα είναι εις θέση να: α) περιγράψουν τις σημαντικότερες αρχές σχεδιασμού κατανεμημένων συστημάτων; β) να περιγράψουν και να χρησιμοποιήσουν βασικές τεχνικές υλοποίησης κατανεμημένων συστημάτων μεγάλης κλίμακας; γ) να κατανοήσουν τις αρχές λειτουργίας της υποδομής της Google, Yahoo, Amazon, Facebook και άλλων γιγαντιαίων διαδικτυακών υπηρεσιών; δ) να διαβάζουν και να κατανοούν ερευνητικές αναφορές της μηχανικής υπολογιστικών συστημάτων; ε) να κατανοούν την υλοποίηση ενός περίπλοκου κατανεμημένου συστήματος ώστε να μπορούν να το τροποποιήσουν και να αξιολογήσουν την απόδοση του. Το μάθημα είναι μεταπτυχιακού επιπέδου και οι προπτυχιακοί φοιτητές χρειάζονται την έγκριση του διδάσκοντα για να γραφτούν. Ο φόρτος εργασίας των προπτυχιακών διαφέρει από των μεταπτυχιακών μόνο στο ότι δεν απαιτείται να παραδώσουν εξαμηνιαία εργασία.

Το μάθημα αυτό στοχεύει στη διερεύνηση προχωρημένων θεμάτων Τεχνολογίας Λογισμικού με έμφαση σε τρεις άξονες: (α) Έλεγχος Λογισμικού, (β) Επαναχρησιμοποίηση Λογισμικού, και, (γ) Διαχείριση Έργων Λογισμικού. Κάθε άξονας καλύπτει σε βάθος ένα ευρύ φάσμα διαδικασιών και μεθοδολογιών που απαιτούνται στην καθημερινή πρακτική για να αντιμετωπιστούν τα προβλήματα ποιότητας του λογισμικού σε ένα γοργά εξελισσόμενο περιβάλλον ανάπτυξης που συμπεριλαμβάνει εργαλεία ανάπτυξης, μοντέλα και ανθρώπινους πόρους. Ο Έλεγχος Λογισμικού θα ασχοληθεί με θέματα επικύρωσης και επαλήθευσης χρησιμοποιώντας γράφους ροής ελέγχου και ροής δεδομένων, συμβολική εκτέλεση και τυποποιημένα μοντέλα. Η Επαναχρησιμοποίηση Λογισμικού θα εξεταστεί κάτω από το πρίσμα ενός από τους πλέον υποσχόμενους εναλλακτικούς τρόπους ανάπτυξης λογισμικού που στοχεύει στη μείωση του κόστους παραγωγής και την αύξηση της ποιότητας. Τέλος, θα παρουσιαστούν επιλεγμένα θέματα Διαχείρισης Έργων Λογισμικού, τόσο από την πλευρά της βελτίωσης της διαδικασίας παραγωγής, όσο και από αυτήν των ανθρώπινων πόρων. Οι φοιτητές θα εκπονήσουν επίσης σε ομάδες μια μεγάλη εργασία η οποία θα συμπληρώσει και ενισχύσει τις θεωρητικές τους γνώσεις στον άξονα του Ελέγχου Λογισμικού και θα αφορά την ανάπτυξη CASE εργαλείων για τη διενέργεια στατικής ανάλυσης κώδικα και αυτοματοποιημένου δυναμικού ελέγχου. Προαπαιτούμενο: ΜΗΥΠ 324 – Τεχνολογία Λογισμικού

Το μάθημα έχει σαν στόχο να προσφέρει μια εισαγωγή στις βασικές αρχές των Γραφικών Υπολογιστών και να δώσει όλες τις απαραίτητες γνώσεις που χρειάζονται για τη δημιουργία και απεικόνιση 2Δ και 3Δ ιδεατών κόσμων, ξεκινώντας από απλές βασικές αρχές της Γεωμετρίας.

Οι φοιτητές θα μπορούν να εσωματώσουν τις ακόλουθες γνώσεις:

Βασικές έννοιες των γραφικών και γεωμετρικών στοιχείων του 2Δ και 3Δ χώρου (σημεία, ευθείες, καμπύλες, τρίγωνα και τριγωνισμός πολυγώνου, επίπεδα - επίπεδο που συμπεριλαμβάνει περίπλοκα πολύγονα, ελεύθερης μορφής επιφάνειες -freeform surfaces), Γειτονία σημείων, πολυγώνων: Διάγραμμα Voronoi και βασικές ιδιότητες. Τριγωνοποίηση Delaunay και βασικές ιδιότητες, αυξητικός αλγόριθμος. Περίπλοκα νέφοι σημείων (από ψηφιοποίηση αντικειμένων) και μοντελοποίηση. Γεωμετρικές μορφές και δομές μοντελοποίησης αντικειμένων. Πλατωνικά στερεά σόματα και 3Δ ανακατασκευή και αναπαραγωγή αντικειμένων, Computer Aided Design /Computer Aided Manufacturing – CAD/CAM. Σύμπτυξη δεδομένων και αρχειοθέτηση τους. Απλά παραδείγματα σε διάφορους τομείς και εφαρμογές με προγραμματισμό.

Επίσης θα μπορούν να αξιολογήσουν και αποτιμήσουν γραφικά και γεωμετρικά προβλήματα σε διάφορους τομείς της ζωής όπως, Αρχιτεκτονική, Αρχαιολογία, Ιατρική, Μηχανολογία, Ρομποτική, Προσομοιώσεις, Γεωγραφικά Συστήματα Πληροφόρησης (GIS), Κινηματογράφος, Παραγωγή Βίντεο, κτλ.

Περιεχόμενο Μαθήματος

1.       Βασικές και εισαγωγικές έννοιες των γραφικών

2.       Γεωμετρικά στοιχειά του 2Δ και 3Δ χώρου (σημεία, ευθείες, καμπύλες, τρίγωνα και τριγωνισμός πολυγώνου, επίπεδα)

3.       Μετασχηματισμοί και Προβολή σε 2Δ επίπεδα (οθόνες Η/Υ)  

4.       Βασικές μορφές δομών μοντελοποίησης αντικειμένων

5.       Προσομοίωση

6.       Ανάλυση και σχεδίαση διάφορων εφαρμογών και εξειδικευμένα παραδείγματα

7.       Προγραμματισμός και ποιοτικός έλεγχος

8.       Πρότυπα στα γραφικά και εφαρμογή στην βιομηχανία

9.       Computer Aided Design /Computer Aided Manufacturing – CAD/CAM

Σκοπός του μαθήματος είναι η κάλυψη προχωρημένων τεχνικών στη σχεδίαση υψηλής απόδοσης επεξεργαστών και παράλληλων και κατανεμημένων ηλεκτρονικών υπολογιστών. Το μάθημα είναι κατά το πλείστον βασισμένο στην ολοκλήρωση ερευνητικής εργασίας τύπου «project» με την οποία οι φοιτητές θα επεκτείνουν τις γνώσεις τους και τη δεξιοτεχνία τους στον σχεδιασμό και εξομοίωση υπολογιστικών συστημάτων και επεξεργαστών και στην ποσοτική ανάλυση των πειραματικών αποτελεσμάτων. Αυτό το μάθημα καλύπτει προχωρημένα θέματα στον τομέα των επεξεργαστών και μεγάλων υπολογιστικών συστημάτων όπως διασωλήνωση, παραλληλισμό στο επίπεδο εντολών, πολύ-νηματικές αρχιτεκτονικές, μηχανές ευρειών λέξεων τύπου VLIW, παραλληλισμό στο επίπεδο λέξεων, παράλληλοι υπολογιστές, πρωτόκολλα συνάφειας μνήμης, κατανεμημένη μνήμη, κατανεμημένοι επεξεργαστές, παράλληλος προγραμματισμός και ολοκληρωμένα ενδό-συνδεόμενα δίκτυα. Το μάθημα θα καλύψει ευρεία θέματα της πιο πρόσφατης τεχνολογίας στον τομέα των υπολογιστικών συστημάτων και επεξεργαστών υψηλής απόδοσης. Εφόσον οι φοιτητές αποκτήσουν γνώσεις κατά το πρώτο μισό μέρος του μαθήματος έπειτα θα μελετούν διάφορα ερευνητικά δοκίμια στον τομέα των παράλληλων και κατανεμημένων υπολογιστών και επεξεργαστών και θα τα παρουσιάζουν περιοδικά (είτε ανά ζεύγη ή ατομικά) κατά τη διάρκεια της διάλεξης. Οι διάφορες γνώσεις που θα αποκτήσουν θα τους βοηθήσουν να ολοκληρώσουν την ερευνητική εργασία τύπου «project» που μπορούν να εισηγηθούν οι ίδιοι (έπειτα έγκρισης από τον διδάσκοντα) ή να τους δοθεί θέμα από τον διδάσκοντα, και που θα βασίζεται στην εξομοίωση του υπολογιστικού συστήματος που θα προταθεί και που θα σχεδιάσουν. Προαπαιτούμενο υπόβαθρο: Oι φοιτητές θα πρέπει να κατέχουν γερές γνώσεις σε θέματα αρχιτεκτονικής και προγραμματισμού ηλεκτρονικών υπολογιστών. Επιπλέον, αναμένεται να κατέχουν βασικές γνώσεις στον τομέα σχεδιασμού ψηφιακών κυκλωμάτων. Επίσης, βοηθητική θα είναι τυχόν εξοικείωσή τους με τις βασικές αρχές δικτύων και μαθηματικών, ιδιαίτερα στον τομέα των πιθανοτήτων. Το μάθημα είναι μεταπτυχιακού επιπέδου και οι προπτυχιακοί φοιτητές χρειάζονται την έγκριση του διδάσκοντα για να γραφτούν. Ο φόρτος εργασίας των προπτυχιακών διαφέρει από των μεταπτυχιακών κυρίως στο ότι δεν απαιτείται να παραδώσουν εξαμηνιαία εργασία.

Η ανάγκη για αποθήκευση και επεξεργασία δεδομένων μεγάλης κλίμακας έχει οδηγήσει σε μία εξέλιξη των υπαρχόντων συστημάτων βάσεων δεδομένων, ενώ μια νέα γενιά συστημάτων επεξεργασίας δεδομένων έχει αναδυθεί. Αυτό το μάθημα καλύπτει ένα φάσμα θεμάτων από τις βασικές τεχνικές της διαχείρισης σχεσιακών δεδομένων μέχρι την επεκτάσιμη επεξεργασία δεδομένων χρησιμοποιώντας παράλληλα συστήματα βάσεων δεδομένων και συστήματα MapReduce. Κατ 'αρχάς, το μάθημα καλύπτει τις βασικές αρχές της επεξεργασίας και βελτιστοποίησης ερωτημάτων, όπως είναι οι δείκτες, οι τεχνικές διάταξης και συνένωσης, η επανεγγραφή ερωτημάτων και η επιλογή εκτελεστικών πλάνων. Το μάθημα καλύπτει επίσης θέματα από παράλληλες και κατανεμημένες βάσεις δεδομένων, συμπεριλαμβανομένου των κατατμήσεων δεδομένων και των κατανεμημένων αλγόριθμων συνένωσης. Τέλος, το μάθημα καλύπτει επεκτάσιμα συστήματα επεξεργασίας δεδομένων, όπως MapReduce και βάσεις δεδομένων NoSQL (αποθήκες στηλών, κειμένων και κλειδιών-τιμών). Το υλικό των μαθημάτων θα αντληθεί από εκπαιδευτικά βιβλία καθώς και πρόσφατη ερευνητική βιβλιογραφία. Προαπαιτούμενο υπόβαθρο: Βασικές γνώσεις βάσεων δεδομένων.

Προαπαιτούμενα

CSE 325 Βάσεις Δεδομένων

Ο στόχος του μαθήματος είναι η εισαγωγή των βασικών αρχών της επιστήμης Αλληλεπίδρασης Ανθρώπου Υπολογιστή (ΑΑΥ) και η εφαρμογή της στον σχεδιασμό διεπαφών υπολογιστικών συστημάτων.

Με την επιτυχημένη ολοκλήρωση του μαθήματος οι μαθητές θα μπορούν να:

• Αναγνωρίζουν δυνατότητες και περιορισμούς στον σχεδιασμό διεπαφών υπολογιστικών συστημάτων για ανθρώπους
• Κατανοούν τα διαθέσιμα εργαλεία και τεχνικές για σχεδιασμό διεπαφών για πλατφόρμες διαδικτύου και κινητών συσκευών
• Εφαρμόζουν αρχές Αλληλεπίδρασης Ανθρώπου Υπολογιστή μέσω σχεδιασμό διεπαφών υπολογιστικών συστημάτων
• Αξιολογούν υφιστάμενες διεπαφές έναντι αναγνωρισμένων αρχών σχεδιασμού και αλληλεπίδρασης ανθρώπου υπολογιστή

Περιεχόμενο Μαθήματος

Ιστορική αναδρομή της επιστήμης Αλληλεπίδραση Ανθρώπου Υπολογιστή

Σημαντικότητα σωστού σχεδιασμού υπολογιστικών συστημάτων

Ο ανθρώπινος παράγοντας – μνήμη, προσοχή, επικοινωνιακά μοντέλα – δυνατότητες και περιορισμοί

Συσκευές εισόδου και εξόδου για αλληλεπίδραση ανθρώπου υπολογιστή

Οι κανόνες Gestalt και η εφαρμογή τους στον σχεδιασμό διεπαφών για ιστοσελίδες και κινητές συσκευές – χρήση MockFlow για σχεδιασμό πρωτοτύπων χαμηλής πιστότητας

Συστατικά ευχρηστίας και η σημαντικότητας της στην αξιολόγηση διεπαφών

Πρωτότυπα χαμηλής, ενδιάμεσης και υψηλής πιστότητας

Η μεθοδολογία σχεδιασμού LUCID

Αξιολόγηση σχεδιασμού διεπαφών με χρήση των ευρετικών κανόνων του Nielsen

Μέθοδοι αξιολόγησης: ελεγχόμενα πειράματα έναντι αξιολόγηση στο πεδίο

Εισαγωγή στην εξατομίκευση και μοντελοποίηση χρήστη

Το μάθημα ασχολείται με εισαγωγικές αλλά και προχωρημένες τεχνικές ανάπτυξης, σχεδιασμού και ελέγχου ολοκληρωμένων κυκλωμάτων. Αναλύονται θέματα που σχετίζονται με την βελτιστοποίηση ως προς διάφορες παραμέτρους των σχεδιαζόμενων συστημάτων καθώς και εφαρμοσμένες πρακτικές επαλήθευσης των σχεδιασμών αυτών. Η ύλη του μαθήματος περιλαμβάνει τα ακόλουθα: Βασική προσέγγιση στον σχεδιασμό ψηφιακών συστημάτων. Θέματα χρονισμού και βελτιστοποίησης του. Σχεδίαση συστημάτων με pipeline για υψηλή απόδοση. Σχεδίαση συστημάτων με παραλληλισμό για χαμηλή κατανάλωση. Σχεδιασμοί με Pipeline και παράλληλη επεξεργασία για χαμηλή κατανάλωση. Υλοποίηση Testbenches για εξομοίωση συστημάτων Προβλήματα σχεδίασης σε σύγχρονες τεχνολογίες μικρότερες των 90nm. Εισαγωγή στον έλεγχο ορθής λειτουργίας. Μοντελοποίηση και ανίχνευση σφαλμάτων. Μοντέλα απλών και πολλαπλών σφαλμάτων. Κάλυψη σφαλμάτων. Σφάλματα γεφύρωσης. Λογική εξομοίωση και εξομοίωση σφαλμάτων. Σειριακοί, Παράλληλοι, Επαγωγικοί και Σύνδρομοι εξομοιωτές σφαλμάτων. Δημιουργία και εφαρμογή διανυσμάτων ελέγχου. Αλγεβρικές και αλγοριθμικές μέθοδοι εξαγωγής διανυσμάτων ελέγχου. Τεχνικές σχεδιασμού για ελεγξιμότητα. Σημεία παρατήρησης και ελέγχου. Ψευδό-εξαντλητικός έλεγχος. Scan-path τεχνική για έλεγχο ακολουθιακών κυκλωμάτων. Παράλληλη και μερική τεχνική scan-path για έλεγχο ακολουθιακών κυκλωμάτων. Τεχνικές ενσωματωμένου αυτοελέγχου συστημάτων. Γεννήτριες ψευδοτυχαιων ακολουθιών (LFSRs, Cellular Automata). IEEE 1149.1 πρότυπο Boundary-scan για έλεγχο ορθής λειτουργίας ψηφιακών συστημάτων.

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 περιλαμβάνει 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 πιθανοτήτων. 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.

Το μάθημα καλύπτει σε εισαγωγικό επίπεδο το πεδίο του προγραμματισμού και ελέγχου της παραγωγής και διανομής προϊόντων. Εξετάζονται μέθοδοι και αλγόριθμοι επίλυσης βασικών επιχειρησιακών προβλημάτων στους τομείς του χωροταξικού σχεδιασμού συστημάτων παραγωγής, της διαχείρισης αποθεμάτων, του προγραμματισμού υλικών, της ανάθεσης προσωπικού, του συγκεντρωτικού και χρονικού προγραμματισμού παραγωγής, και της διαχείρισης της εφοδιαστικής αλυσίδας. Ακολουθώντας τη σύγχρονη διεθνή πρακτική, δίδεται έμφαση στην ποσοτική ανάλυση των προβλημάτων που αναφύονται κατά μήκος μιας εφοδιαστικής αλυσίδας από το στάδιο της προμήθειας των πρώτων υλών μέχρι την παραγωγή των τελικών προϊόντων και υπηρεσιών και τη διανομή τους στα σημεία τελικής ζήτησης (πελάτες).

Το μάθημα αυτό αποτελεί μια εισαγωγή στον αντικειμενοστρεφή προγραμματισμό με την C++. Το μάθημα διδάσκει την C++ αρχίζοντας από απλές έννοιες όπως κλάσεις, αντικείμενα, κληρονομικότητα, κλάσεις ροής εισόδου / εξόδου, αναφορά στους τύπους της C++, δείκτες, struct, κλπ. Επίσης διδάσκονται οι έννοιες της πολυπλοκότητας και της υπερφόρτωσης τελεστών. ΕΝΟΤΗΤΕΣ - ΚΕΦΑΛΑΙΑ: Κλάσεις, παράγωγες κλάσεις, Κλάσεις εισόδου/εξόδου, Αφαιρετικές δομές, Δείκτες Κληρονομικότητα, Υπερφόρτωση τελεστών, Πολυπλοκότητα. Γενικοί τύποι Προαπαιτούμενο: ΜΗΥΠ 132 – Εισαγωγή στον Υπολογισμό και τον Προγραμματισμό (C).

Στόχος Μαθήματος

Να εισάξει τον φοιτητή σε βασικές έννοιες της Οργάνωσης Ηλεκτρονικών Υπολογιστών.

Μαθησιακά Αποτελέσματα

Οι φοιτητές να γνωρίζουν σε βάθος τις βασικές γνώσεις οργάνωσης και δομής Η/Υ, δομής μικρό-επεξεργαστών και μνήμης Η/Υ, καθώς και να προσδιορίζουν μεθοδολογίες για βελτίωση απόδοσης επεξεργαστών.

Περιεχόμενο Μαθήματος

Το μάθημα παρουσιάζει με λεπτομέρεια τη βασική δομή λειτουργίας των υπολογιστικών συστημάτων με έναν επεξεργαστή, και κάνει εισαγωγή στη μηχανική υπολογιστών. Παρουσιάζει τα βασικά δομικά στοιχεία ενός υπολογιστικού συστήματος: αριθμητικές και λογικές μονάδες, μονάδες ελέγχου (FSM-based), σύστημα μνήμης, σύστημα εισόδου/εξόδου, δίαυλος δεδομένων. Παρουσιάζει το δυαδικό αριθμητικό σύστημα, αριθμητικά συμπληρώματα του ένα και του δύο, αριθμητική κινούμενου σημείου, υπερχείλιση και υπορροή, πρόσθεση, αφαίρεση, διαίρεση και πολλαπλασιασμός. Παρουσίαση της Κεντρικής Μονάδας Επεξεργασίας RISC χρησιμοποιώντας σαν βάση την αρχιτεκτονική MIPS. Αρχιτεκτονική του Συνόλου Εντολών RISC (Instruction Set Architecture - ISA). Προγραμματισμός Assembly σε MIPS. Διασωλήνωση, έλεγχος δεδομένων και δομικοί κίνδυνοι. Χειρισμός διακοπών και εξαιρέσεων. RAM, οργάνωση κρυφής μνήμης (άμεση απεικόνιση και σύζευξη) και ιδεατή μνήμη. Μέτρηση απόδοσης και βελτιώσεις στην Κεντρική Μονάδα Επεξεργασίας, πρόβλεψη διακλάδωσης, αναδιοργάνωση εντολών συμβολικής γλώσσας Αssembly. Συστήματα αποθήκευσης όπως δίσκοι και οπτικά μέσα. Το μάθημα περιλαμβάνει εβδομαδιαίο εργαστήριο για πρακτική εξάσκηση στην γλώσσα Αssembly στην Αρχιτεκτονική του Συνόλου Εντολών MIPS.