Logic and Discrete Mathematics

Το μάθημα Logic and Discrete Mathematics εισάγει θεμελιώδεις έννοιες της Διακριτής Μαθηματικής Λογικής (Discrete Mathematics and Logic), εστιάζοντας σε βασικές αρχές και εφαρμογές. Καλύπτει θέματα όπως Απαρίθμηση (Counting Principles), Θεωρία Γραφημάτων (Graph Theory) και τις εφαρμογές της στη μοντελοποίηση προβλημάτων. Επιπλέον, εισάγει την Προτασιακή Λογική (Propositional Logic) και τη Λογική Πρώτης Τάξης (First-Order Logic), αναπτύσσοντας βασικές δεξιότητες στη μαθηματική συλλογιστική και την ανάλυση αλγορίθμων. Οι φοιτητές εφαρμόζουν αυτές τις έννοιες σε προβλήματα πληροφορικής, όπως η βελτιστοποίηση δικτύων και η θεωρία πολυπλοκότητας. 

Introduction to Probability and Statistics

Το μάθημα Introduction to Probability and Statistics εισάγει τους φοιτητές στις βασικές έννοιες της Πιθανότητας (Probability) και της Στατιστικής (Statistics). Καλύπτει θεμελιώδη θέματα όπως Τυχαίες Μεταβλητές (Random Variables), Κατανομές Πιθανοτήτων (Probability Distributions), Στατιστικές Συναρτήσεις (Statistical Functions) και Δειγματικές Κατανομές (Sampling Distributions). Επιπλέον, εξετάζει μεθόδους Εκτίμησης Παραμέτρων (Parameter Estimation) και Διαστημάτων Εμπιστοσύνης (Confidence Intervals). Οι φοιτητές αποκτούν πρακτικές δεξιότητες μέσω εφαρμογών που χρησιμοποιούν γλώσσες όπως Python (NumPy, SciPy, Statsmodels) και R, αναπτύσσοντας μια εργαλειοθήκη μαθηματικών μεθόδων και προγραμματιστικών τεχνικών για την ανάλυση δεδομένων.

Calculus

Το μάθημα Calculus εισάγει τους φοιτητές στις θεμελιώδεις έννοιες του Λογισμού (Calculus) και της Άλγεβρας (Algebra), με έμφαση στη Θεωρία Ομάδων (Group Theory). Καλύπτει βασικές δομές όπως Ομάδες (Groups), Ομάδες Μεταθέσεων (Permutation Groups) και Κυκλικές Ομάδες (Cyclic Groups), καθώς και τις εφαρμογές τους στον προγραμματισμό και την κρυπτογραφία. Οι φοιτητές εξερευνούν αλγεβρικές ιδιότητες και τη χρήση τους σε αλγόριθμους, ενώ το μάθημα περιλαμβάνει πρακτική υλοποίηση μαθηματικών εννοιών μέσω γλωσσών προγραμματισμού, όπως Python. 

Programming

Το μάθημα Programming εισάγει τις θεμελιώδεις έννοιες και αρχές του Προγραμματισμού (Programming), καλύπτοντας βασικά θέματα όπως Δομές Ελέγχου Ροής (Control Flow Structures), Συναρτήσεις (Functions), Αναδρομή (Recursion), Αλγόριθμοι Αναζήτησης και Ταξινόμησης (Search & Sorting Algorithms), καθώς και Είσοδος και Έξοδος Δεδομένων σε Αρχεία (File I/O). Δεν απαιτείται προηγούμενη εμπειρία στον προγραμματισμό, καθώς όλη η πρακτική εξάσκηση πραγματοποιείται με τη γλώσσα Python σε ένα σύγχρονο Περιβάλλον Ανάπτυξης Λογισμικού (Integrated Development Environment - IDE). Το μάθημα δίνει έμφαση στην επίλυση προβλημάτων, την κατανόηση των αλγορίθμων και την ανάπτυξη προγραμματιστικών δεξιοτήτων μέσα από πρακτικές εφαρμογές. 

Introduction to Data Science and Modelling

Το μάθημα Introduction to Data Science and Modelling εισάγει τους φοιτητές στις βασικές έννοιες της Επιστήμης Δεδομένων (Data Science - DS) και της Μοντελοποίησης (Modelling). Καλύπτει θεμελιώδη θέματα όπως Τύποι Δεδομένων (Data Types), Κατασκευή και Πράξεις Πινάκων (Matrix Operations) και Οπτικοποίηση Δεδομένων (Data Visualization). Οι φοιτητές χρησιμοποιούν εκτενώς βιβλιοθήκες της Python, όπως NumPy για αριθμητικούς υπολογισμούς, Pandas για διαχείριση και ανάλυση δεδομένων, και Matplotlib για τη δημιουργία γραφημάτων και στατιστικών απεικονίσεων. Το μάθημα εστιάζει επίσης σε τεχνικές προεπεξεργασίας δεδομένων και εισαγωγή στη στατιστική ανάλυση, παρέχοντας πρακτικές εφαρμογές στην ανάλυση και τη μοντελοποίηση πραγματικών δεδομένων.

Professional Work Skills

Αυτό το μάθημα εισάγει τους φοιτητές στις επαγγελματικές δεξιότητες και συμπεριφορές που είναι απαραίτητες για την επιτυχή ένταξή τους στην αγορά εργασίας.

Legal, Ethical and Sustainability Issues

Το μάθημα αυτό εισάγει τους φοιτητές σε νομικά, ηθικά και βιώσιμα ζητήματα στον τομέα της πληροφορικής, με έμφαση στην προστασία δεδομένων, την ιδιωτικότητα, την ασφάλεια και τα δικαιώματα πνευματικής ιδιοκτησίας. Εξετάζει επίσης καλές και κακές ηθικές πρακτικές στη χρήση των τεχνολογιών πληροφορικής και αναλύει τη βιωσιμότητα μεγάλων τεχνολογικών έργων, τους επιχειρηματικούς κινδύνους και τον περιβαλλοντικό τους αντίκτυπο. 

Team Project

Αυτό το μάθημα ενισχύει τις δεξιότητες απασχολησιμότητας των φοιτητών μέσω της προσομοίωσης εργασίας σε επαγγελματική ομάδα. Οι φοιτητές συμμετέχουν σε δύο δραστηριότητες: πρώτα, εισάγονται σε ένα προσομοιωμένο επαγγελματικό περιβάλλον, και στη συνέχεια, αναπτύσσουν ένα μικρό έργο για έναν πραγματικό εργοδότη. Το μάθημα καλύπτει ζητήματα διαχείρισης έργου, προγραμματισμού, ηθικής, νομικών θεμάτων και την ομαδική εργασία, εστιάζοντας στις ανάγκες κάθε εξειδίκευσης, όπως η ανάπτυξη λογισμικού και τα πρότυπα κώδικα.

Linear Algebra

Το μάθημα Linear Algebra επεκτείνει τις μαθηματικές τεχνικές που εισήχθησαν σε προηγούμενα επίπεδα, εστιάζοντας σε βασικές έννοιες της Γραμμικής Άλγεβρας (Linear Algebra - LA). Καλύπτει θεμελιώδη θέματα όπως Γραμμικά Συστήματα (Linear Systems), Πίνακες (Matrices) και Διανυσματικούς Χώρους (Vector Spaces). Επιπλέον, εισάγονται οι έννοιες των Ιδιοτιμών (Eigenvalues) και Ιδιοδιανυσμάτων (Eigenvectors), καθώς και οι Προβολές (Projections) και οι εφαρμογές τους σε αριθμητικές και υπολογιστικές μεθόδους. Το μάθημα περιλαμβάνει πρακτική εφαρμογή αυτών των εννοιών σε προβλήματα βελτιστοποίησης, μηχανικής μάθησης και επεξεργασίας δεδομένων, με χρήση λογισμικού όπως MATLAB, NumPy και SymPy.

Statistical Methods for Data Analysis

Το μάθημα Statistical Methods for Data Analysis εισάγει τους φοιτητές στις θεμελιώδεις έννοιες της Στατιστικής Ανάλυσης (Statistical Analysis) και των Στατιστικών Ελέγχων (Statistical Tests). Καλύπτει βασικές μετρήσεις όπως Κεντρικές Τάσεις (Measures of Central Tendency), Διασπορά (Variance) και Κατασκευή Τυχαίου Δείγματος (Random Sampling). Επιπλέον, εξετάζονται προχωρημένες μέθοδοι όπως Γραμμική Παλινδρόμηση (Linear Regression), Πολλαπλή Γραμμική Παλινδρόμηση (Multiple Linear Regression), Ανάλυση Διακύμανσης (Analysis of Variance - ANOVA) και Συνδιακύμανση (Covariance Analysis). Το μάθημα περιλαμβάνει επίσης την κατασκευή Τυχαίων Πειραμάτων (Randomized Experiments) και τη συγγραφή Στατιστικών Αναφορών (Statistical Reports). Οι φοιτητές εφαρμόζουν τις μεθόδους αυτές μέσω λογισμικού όπως R και Python, χρησιμοποιώντας βιβλιοθήκες όπως statsmodels και scipy.

Introduction to Machine Learning

Το μάθημα Introduction to Machine Learning εισάγει τους φοιτητές στις βασικές έννοιες της Μηχανικής Μάθησης (Machine Learning - ML), εστιάζοντας τόσο σε Επιβλεπόμενη Μάθηση (Supervised Learning) όσο και σε Μη Επιβλεπόμενη Μάθηση (Unsupervised Learning). Καλύπτει αλγορίθμους όπως Γραμμική και Λογιστική Παλινδρόμηση (Linear & Logistic Regression), Δέντρα Απόφασης (Decision Trees - DTs), k-Πλησιέστεροι Γείτονες (k-Nearest Neighbors - k-NN) και Τυχαία Δάση (Random Forests - RFs). Στον τομέα της Μη Επιβλεπόμενης Μάθησης, εξετάζονται μέθοδοι όπως η Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis - PCA), η Κατανεμημένη Στοχαστική Ενσωμάτωση Γειτόνων (t-Distributed Stochastic Neighbor Embedding - t-SNE), η Συσταδοποίηση (Clustering - K-Means, DBSCAN) και οι Αυτοκωδικοποιητές (Autoencoders - AEs). Το μάθημα περιλαμβάνει πρακτικές εφαρμογές σε γλώσσες όπως Python με βιβλιοθήκες όπως Scikit-Learn και TensorFlow, δίνοντας έμφαση στην ανάλυση δεδομένων και στην ανάπτυξη αλγορίθμων μάθησης.

Optional modules 

Operational Research

Το μάθημα επιτρέπει στους φοιτητές να αποκτήσουν τις ικανότητες να εφαρμόζουν τεχνικές Επιχειρησιακής Έρευνας σε σημαντικούς τομείς για τις επιχειρήσεις και τη βιομηχανία, με έμφαση στην πρόβλεψη, τον προγραμματισμό και τη λήψη αποφάσεων. Επικεντρώνεται στην ανάπτυξη μαθηματικού υποβάθρου για την ενίσχυση των ικανοτήτων μοντελοποίησης των φοιτητών.

Functional Programming

Το μάθημα Functional Programming διευρύνει την κατανόηση των φοιτητών στην ανάπτυξη λογισμικού, εστιάζοντας στις αρχές του Συναρτησιακού Προγραμματισμού (Functional Programming - FP). Καλύπτει έννοιες όπως Αναλλοίωτες Δομές Δεδομένων (Immutable Data Structures), Αναδρομή (Recursion), Υψηλότερης Τάξης Συναρτήσεις (Higher-Order Functions) και Λειτουργικές Δομές Ελέγχου (Functional Control Structures). Επιπλέον, δίνεται έμφαση στην κατασκευή Αναλυτών Σύνταξης (Parsers), στη δημιουργία Δένδρων Ανάλυσης (Abstract Syntax Trees - ASTs) και στην εφαρμογή συναρτησιακών τεχνικών για ανάλυση και επεξεργασία δεδομένων. Το μάθημα χρησιμοποιεί γλώσσες όπως Haskell, εστιάζοντας σε πρακτικές εφαρμογές στη μεταγλώττιση, στον προγραμματισμό γλωσσών και στη βελτιστοποίηση αλγορίθμων.

Statistical Modelling

Αυτό το μάθημα αποτελεί μια από τις βάσεις στην ανάλυση δεδομένων. Περιλαμβάνει τη δημιουργία και αξιολόγηση στατιστικών μοντέλων, χρησιμοποιώντας μεθόδους όπως γραμμική παλινδρόμηση (linear regression), γενικευμένα γραμμικά μοντέλα (generalized linear models - GLMs), Ανάλυση Διακύμανσης (ANOVA) και μη παραμετρικές τεχνικές όπως το τεστ Mann-Whitney ή το τεστ Wilcoxon. Επιπλέον,  για την αξιολόγηση της απόδοσης των μοντέλων εφαρμόζονται μέθοδοι όπως η διασταυρούμενη επικύρωση (cross-validation) και μετρικές όπως το R-squared και το Mean Squared Error (MSE). Μέσω αυτών των τεχνικών, η στατιστική μοντελοποίηση παρέχει πολύτιμα εργαλεία για τη λήψη αποφάσεων και την κατανόηση σχέσεων μεταξύ μεταβλητών σε ένα δεδομένο σύνολο δεδομένων.

Frontiers in Artificial Intelligence and Data Science

Αυτό το μάθημα εστιάζει σε σύγχρονες μεθόδους της Τεχνητής Νοημοσύνης (AI) και της Επιστήμης Δεδομένων, καλύπτοντας τεχνικές όπως νευρωνικά δίκτυα (neural networks), μηχανική μάθηση (machine learning), Βαθιά Μάθηση (Deep Learning) και ενισχυτική μάθηση (reinforcement learning). Περιλαμβάνει αλγορίθμους όπως Random Forests, Support Vector Machines (SVMs), K-Means Clustering και Gradient Boosting, καθώς και μεθόδους επεξεργασίας φυσικής γλώσσας (NLP) και ανάλυσης εικόνας (computer vision). Οι φοιτητές εφαρμόζουν αυτές τις τεχνικές σε πραγματικά δεδομένα, αναπτύσσοντας πρακτικές δεξιότητες στην ανάλυση και μοντελοποίηση.

Deep Learning

Αυτό το μάθημα (Deep Learning - DL) αποτελεί έναν προηγμένο κλάδο της Μηχανικής Μάθησης (Machine Learning - ML) που χρησιμοποιεί Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks - ANNs) για την εκμάθηση πολύπλοκων μοτίβων από δεδομένα. Οι βασικές τεχνικές περιλαμβάνουν Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNNs) για ανάλυση εικόνας, Αναδρομικά Νευρωνικά Δίκτυα (Recurrent Neural Networks - RNNs) και Μακράς Βραχείας Μνήμης (Long Short-Term Memory - LSTM) για επεξεργασία ακολουθιακών δεδομένων, καθώς και Μετασχηματιστές (Transformers), οι οποίοι έχουν φέρει επανάσταση στην Επεξεργασία Φυσικής Γλώσσας (Natural Language Processing - NLP). Επιπλέον, τεχνικές όπως GANs (Generative Adversarial Networks) χρησιμοποιούνται για τη δημιουργία συνθετικών δεδομένων, ενώ το Ενισχυτικό Μάθημα (Reinforcement Learning - RL) αξιοποιείται σε προβλήματα βελτιστοποίησης και αυτόνομων συστημάτων. Η Βαθιά Μάθηση εφαρμόζεται ευρέως σε πεδία όπως η αναγνώριση εικόνας, η μετάφραση κειμένου και η αυτόνομη οδήγηση. 

Individual Project

Το μάθημα επιτρέπει στους φοιτητές να αναπτύξουν ανεξάρτητα ένα έργο σχετικό με την ειδικότητά τους, εφαρμόζοντας τις γνώσεις και δεξιότητες που απέκτησαν. Με την καθοδήγηση ακαδημαϊκού επιβλέποντα, επιλέγουν ή προτείνουν ένα θέμα και εργάζονται στη συγγραφή διατριβής και την ανάπτυξη ενός πρακτικού αντικειμένου. Το έργο περιλαμβάνει σχεδιασμό, βιβλιογραφική έρευνα, ανάπτυξη και αξιολόγηση.

Optional modules 

Advanced Analytics

Το μάθημα Προχωρημένη Αναλυτική (Advanced Analytics - AA) περιλαμβάνει προηγμένες μεθόδους ανάλυσης δεδομένων, εστιάζοντας σε Μηχανική Μάθηση (Machine Learning - ML), Τεχνητή Νοημοσύνη (Artificial Intelligence - AI) και Στατιστική Μοντελοποίηση (Statistical Modeling - SM). Χρησιμοποιεί τεχνικές όπως Παλινδρόμηση (Regression Analysis), Ομαδοποίηση (Clustering - K-Means, DBSCAN), Δέντρα Απόφασης (Decision Trees - DTs) και Τυχαία Δάση (Random Forests - RFs) για την εξαγωγή προβλέψεων και μοτίβων από δεδομένα. Επιπλέον, περιλαμβάνει Ανάλυση Χρονοσειρών (Time Series Analysis - TSA) με αλγορίθμους όπως ARIMA και LSTM, καθώς και Ανάλυση Συναισθήματος (Sentiment Analysis) μέσω Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing - NLP). Η Προχωρημένη Αναλυτική χρησιμοποιείται σε επιχειρηματικές προβλέψεις, ανίχνευση απάτης και βελτιστοποίηση λειτουργιών.

Optimisation Techniques

Το μάθημα Τεχνικές Βελτιστοποίησης (Optimisation Techniques - OT) αφορά τη βελτίωση αλγορίθμων και διαδικασιών για τη μεγιστοποίηση της απόδοσης και της ακρίβειας σε πολύπλοκα προβλήματα. Περιλαμβάνει μεθόδους όπως Γραμμικός Προγραμματισμός (Linear Programming - LP), Μη Γραμμική Βελτιστοποίηση (Nonlinear Optimization - NLO) και Δυναμικός Προγραμματισμός (Dynamic Programming - DP). Επιπλέον, χρησιμοποιούνται Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms - EA), όπως οι Γενετικοί Αλγόριθμοι (Genetic Algorithms - GA) και Βελτιστοποίηση Σμήνους Σωματιδίων (Particle Swarm Optimization - PSO). Οι τεχνικές αυτές εφαρμόζονται σε προβλήματα δρομολόγησης, κατανομής πόρων και μηχανικής μάθησης.