ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Εισαγωγή στα παρακάτω αντικείμενα: Προγραμματισμός για Παραθυρικά Περιβάλλοντα – GUI (Windows, Linux). Εργαλεία Προγραμματισμού Παραθυρικών Περιβαλλόντων (Widgets). Οργάνωση Δεδομένων (Δομές και Βάσεις Δεδομένων). Διαχείριση Μνήμης, Δίσκου, Επικοινωνίας (Αλγόριθμοι Προγραμματισμού). Αριθμητικά συστήματα κινητής υποδιαστολής (Ακρίβεια, Overflow, Underflow). Ευστάθεια και ακρίβεια αριθμητικών μεθόδων. Θέματα Προγραμματισμού & Γλώσσες (JAVA, CORBA, UML κλπ.). Παράλληλη Επεξεργασία – Πολυεπεξεργαστικά Συστήματα (Αντικείμενο & Προγραμματισμός). Προηγμένα Υπολογιστικά Περιβάλλοντα και Συστήματα (OpenMP, MPI, GRID, CUDA, OpenCL, OpenACC κλπ.). Πολλαπλοί Πυρήνες Επεξεργασίας – Επεξεργασία με Κάρτες Γραφικών (Multicore, Manycore, GPU Computing). Υπερυπολογιστές: Πρόσβαση & Προγραμματισμός (Χρήση Συστημάτων Υψηλών Επιδόσεων – ΣΥΕ). Επιστημονικές Εφαρμογές (Παράσταση δεδομένων, Γραφικά, Ανάκτηση πληροφορίας).

ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Στο πλαίσιο του μαθήματος οι φοιτητές εστιάζουν στην απόκτηση θεωρητικών γνώσεων και πρακτικών δεξιοτήτων γύρω από την ανάπτυξη και αξιολόγηση μοντέλων μειωμένης τάξης και, ευρύτερα, υποκατάστατων μοντέλων βασισμένων σε υπολογιστικά δεδομένα. Με τις γνώσεις του μαθήματος οι φοιτητές θα μπορούν να αναλύουν τη φύση των δεδομένων που προκύπτουν από προσομοιώσεις και να αναγνωρίζουν χωρικές, χρονικές και παραμετρικές δομές, οι οποίες επιτρέπουν τη δημιουργία απλοποιημένων αλλά αξιόπιστων αναπαραστάσεων και προβλεπτικών μοντέλων. Ιδιαίτερη έμφαση δίνεται στη μείωση της διάστασης δεδομένων πεδίου, στην εξαγωγή λανθανουσών αναπαραστάσεων, καθώς και στην ανάλυση και πρόβλεψη χρονικών ακολουθιών που προκύπτουν από δυναμικά υπολογιστικά μοντέλα.

Για την ανάπτυξη των υποκατάστατων μοντέλων οι φοιτητές αποκτούν εξοικείωση με τεχνικές που καλύπτουν περιοχές της γραμμικής άλγεβρας, της μηχανικής και βαθιάς μάθησης και της ανάλυσης χρονοσειρών. Εξετάζονται, μεταξύ άλλων, μέθοδοι παλινδρόμησης, τεχνικές μείωσης διάστασης και αποσύνθεσης δεδομένων, αυτοκωδικοποιητές, συνελικτικά νευρωνικά δίκτυα, καθώς και μοντέλα για χρονικά εξαρτώμενα δεδομένα, όπως αναδρομικά νευρωνικά δίκτυα και οι αρχιτεκτονικές LSTM και GRU. Η υλοποίηση των μεθόδων πραγματοποιείται στη γλώσσα Python, με χρήση βιβλιοθηκών επιστημονικού υπολογισμού και μηχανικής μάθησης, όπως οι scikit-learn και PyTorch.

Σε πρακτικό επίπεδο, οι φοιτητές θα είναι ικανοί να οργανώνουν και να επεξεργάζονται δεδομένα που προκύπτουν από υπολογιστικές προσομοιώσεις, να κατασκευάζουν μοντέλα μειωμένης τάξης και υποκατάστατα μοντέλα για στατικές και χρονικά εξελισσόμενες αποκρίσεις και να αξιολογούν την ακρίβεια, τη σταθερότητα και τη γενικευσιμότητά τους. Θα μπορούν επίσης να αξιοποιούν τα μοντέλα αυτά για επιταχυνόμενες προσομοιώσεις, παραμετρικές μελέτες, ανάλυση ευαισθησίας, προβλήματα αντίστροφης σχεδίασης και προβλήματα βελτιστοποίησης.