Ευαγγελίδης Γεώργιος
  • 2310 891.844
  • gevan uom.edu.gr
  • Γραφείο: Γ2, 228

    Ευαγγελίδης Γεώργιος

    Καθηγητής
    Τμήμα Εφαρμοσμένης Πληροφορικής

    Καθηγητής, Διδακτικό Προσωπικό (Π.Μ.Σ. στην Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων)
    Καθηγητής, Διδακτικό Προσωπικό (Δ.Π.Μ.Σ. στα Πληροφοριακά Συστήματα - MIS)


    Γνωστικό Αντικείμενο

    ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ

    Βιογραφικό
    Ακαδημαϊκοί Τίτλοι
    • Πτυχίο Τμήματος Μαθηματικών, Α.Π.Θ, (1987).
    • M.Sc. in Computer Science, Northeastern University Boston, U.S.A, (1990).
    • Ph.D. in Computer Science, Northeastern University, Boston, U.S.A, (1994).
    Ερευνητικά Ενδιαφέροντα
    • Τεχνολογία Βάσεις Δεδομένων
    • Ανακάλυψη Γνώσης σε Βάσεις Δεδομένων
    • Εξόρυξη Γνώσης από Δεδομένα
    • Ανάλυση Βιβλιογραφικών Αναφορών

    Διδασκόμενα Μαθήματα


    • KNOWLEDGE DISCOVERY FROM DATABASES
      (ΠΛ0907)

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

    • ΑΝΑΚΑΛΥΨΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
      (AIE701)

    Τύπος
    ΕΠΙΛΟΓΗΣ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIE701

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Ζ

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΑΝΑΚΑΛΥΨΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ

    ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
    σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων

    ΕΒΔΟΜΑΔΙΑΙΕΣ
    ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ

    ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ

     

    3

    5

     

     

     

     

     

     

    Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο (δ).

     

     

    ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ

    γενικού υποβάθρου,
    ειδικού υποβάθρου, ειδίκευσης

    γενικών γνώσεων, ανάπτυξης δεξιοτήτων

    ΕΙΔΙΚΟΥ ΥΠΟΒΑΘΡΟΥ

    ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

     

    -

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI147/

    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

    Μαθησιακά Αποτελέσματα

    Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

    Συμβουλευτείτε το Παράρτημα Α

    • Περιγραφή του Επιπέδου των Μαθησιακών Αποτελεσμάτων για κάθε ένα κύκλο σπουδών σύμφωνα με το Πλαίσιο Προσόντων του Ευρωπαϊκού Χώρου Ανώτατης Εκπαίδευσης
    • Περιγραφικοί Δείκτες Επιπέδων 6, 7  8 του Ευρωπαϊκού Πλαισίου Προσόντων Διά Βίου Μάθησης και το Παράρτημα Β
    • Περιληπτικός Οδηγός συγγραφής Μαθησιακών Αποτελεσμάτων

    Με την ολοκλήρωση του μαθήματος ο φοιτητής θα μπορεί:
    (α) να κατανοεί την έννοια της ανακάλυψης γνώσης από βάσεις δεδομένων (knowledge discovery from databases),
    (β) να κατανοεί την αξία της διερευνητικής ανάλυσης και οπτικοποίησης των δεδομένων ως στάδιο προεπεξεργασίας,
    (γ) να κατανοεί και να εφαρμόζει τεχνικές απομείωσης των δεδομένων,
    (γ) να κατανοεί και να  εφαρμόζει τεχνικές εξόρυξης γνώσης από δεδομένα όπως κατηγοριοποίηση (classification), συσταδοποίηση (clustering), κανόνες συσχέτισης (association rules) με τη χρήση διαδεδομένων εργαλείων (π.χ., WEKA, R, Python),
    (δ) να κατανοεί και να εφαρμόζει τεχνικές εξόρυξης γνώσης στον παγκόσμιο ιστό.

    Γενικές Ικανότητες

    Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.

    Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

    Προσαρμογή σε νέες καταστάσεις

    Λήψη αποφάσεων

    Αυτόνομη εργασία

    Ομαδική εργασία

    Εργασία σε διεθνές περιβάλλον

    Εργασία σε διεπιστημονικό περιβάλλον

    Παράγωγή νέων ερευνητικών ιδεών

     

    Σχεδιασμός και διαχείριση έργων

    Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα

    Σεβασμός στο φυσικό περιβάλλον

    Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου

    Άσκηση κριτικής και αυτοκριτικής

    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ……

    Άλλες…

    …….

    - Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    - Λήψη αποφάσεων
    - Αυτόνομη εργασία
    - Σχεδιασμός και διαχείριση έργων
    - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

    1. Εισαγωγή στις έννοιες της ανακάλυψης γνώσεις από βάσεις δεδομένων
    2. Διερευνητική ανάλυση και οπτικοποίηση δεδομένων
    3. Έννοιες εξόρυξης γνώσης από δεδομένα
    4. Κατηγοριοποίηση
    5. Συσταδοποίηση
    6. Κανόνες συσχέτισης
    7. Εισαγωγή στην εξόρυξη από τον παγκόσμιο ιστό
    8. Εξόρυξη από κείμενο, κατηγοριοποίηση κειμένου
    9. Εξόρυξη γνώμης
    10. Ανάλυση συνδέσμων
    11. Εξόρυξη από γράφους
    12. Εξόρυξη από δεδομένα χρήσης

    ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

    ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
    Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

    Πρόσωπο με πρόσωπο

    ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
    Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

    Χρήση λογισμικών ανοιχτού κώδικα (Mondrian Pentaho, PALO, Weka, R, Orange, RapidMiner, Gephi) για την επίδειξη και πρακτική εξάσκηση των τεχνικών OLAP καθώς και των αλγορίθμων εξόρυξης γνώσης από δεδομένα.

    Διαφάνειες και επιδείξεις λογισμικών μέσω υπολογιστή και προβολικού.

    Η εκπαιδευτική πλατφόρμα eclass χρησιμοποιείται για την επικοινωνία με τους φοιτητές, ανάρτηση εργασιών και ανακοινώσεων, και επίλυση αποριών στην περιοχή συζητήσεων.

    ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

    Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.

    Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη  ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ.

     

    Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS

    Δραστηριότητα

    Φόρτος Εργασίας Εξαμήνου

    Διαλέξεις

    26

    Εργαστηριακή Άσκηση

    13

    Μη καθοδηγούμενη μελέτη

    66

    Προετοιμασία  και συγγραφή εργασιών παράδοσης στην διάρκεια του εξαμήνου

    40

    Σύνολο Μαθήματος

    145

     

    ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

    Περιγραφή της διαδικασίας αξιολόγησης

     

    Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική  ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες

     

    Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.


    - Γραπτή Εξέταση στο τέλος του εξαμήνου που περιλαμβάνει επίλυση προβλημάτων, δοκιμασία πολλαπλής επιλογής και ερωτήσεις σύντομης απάντησης (50%)

    - 6 Ατομικές Εργασίες (50%)

    Ο τρόπος αξιολόγησης περιγράφεται και στην ιστοσελίδα του μαθήματος.

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    Tan Pang - Ning, Steinback Michael, Kumar Vipin, “Εισαγωγή στην εξόρυξη δεδομένων”, (επιμέλεια Βερύκιος Βασίλειος), Τζιόλα, 2018.
    Anand Rajaraman, Jeffrey David Ullman, Jure Leskovec, "Εξόρυξη από Μεγάλα Σύνολα Δεδομένων", Εκδόσεις Νέων Τεχνολογιών, 2020.
    Mohammed J. Zaki, Wagner Meira Jr.,  “Εξόρυξη και Ανάλυση Δεδομένων: Βασικές Έννοιες και Αλγόριθμοι”, Κλειδάριθμος ΕΠΕ, 2017.

    Επιπλέον Βιβλιογραφία :
    - Συναφή επιστημονικά περιοδικά:
    - TKDE – IEEE Transactions on Knowledge and Data Engineering
    - Journal of Knowledge Management
    - TKDD – ACM Transactions on Knowledge Discovery From Data
    - VLDB – The Vldb Journal
    - Sigkdd Explorations
    - Journal of Knowledge Management
    - KAIS – Knowledge and Information Systems
    • ΑΝΑΚΤΗΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΜΗΧΑΝΕΣ ΑΝΑΖΗΤΗΣΗΣ
      (AIE702)

    Τύπος
    ΕΠΙΛΟΓΗΣ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIE702

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Ζ

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΑΝΑΚΤΗΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΜΗΧΑΝΕΣ ΑΝΑΖΗΤΗΣΗΣ

    ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
    σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων

    ΕΒΔΟΜΑΔΙΑΙΕΣ
    ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ

    ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ

     

    3

    5

     

     

     

     

     

     

    Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο (δ).

     

     

    ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ

    γενικού υποβάθρου,
    ειδικού υποβάθρου, ειδίκευσης

    γενικών γνώσεων, ανάπτυξης δεξιοτήτων

    ΕΙΔΙΚΟΥ ΥΠΟΒΑΘΡΟΥ

    ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

     

    ΑΛΓΟΡΙΘΜΟΙ, ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI148/

    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

    Μαθησιακά Αποτελέσματα

    Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

    Συμβουλευτείτε το Παράρτημα Α

    • Περιγραφή του Επιπέδου των Μαθησιακών Αποτελεσμάτων για κάθε ένα κύκλο σπουδών σύμφωνα με το Πλαίσιο Προσόντων του Ευρωπαϊκού Χώρου Ανώτατης Εκπαίδευσης
    • Περιγραφικοί Δείκτες Επιπέδων 6, 7  8 του Ευρωπαϊκού Πλαισίου Προσόντων Διά Βίου Μάθησης και το Παράρτημα Β
    • Περιληπτικός Οδηγός συγγραφής Μαθησιακών Αποτελεσμάτων


    Με την ολοκλήρωση του μαθήματος ο φοιτητής θα μπορεί:
    (α) να κατανοεί και να περιγράφει τους αλγορίθμους, τις μεθόδους και τις εφαρμογές που χρησιμοποιούνται τόσο στην ανάκτηση πληροφορίας όσο και στις μηχανές αναζήτησης στον παγκόσμιο ιστό,
    (β) να επιλέγει την κατάλληλη μέθοδο ή αλγόριθμο ανάλογα με τις απαιτήσεις της εφαρμογής ανάκτησης πληροφορίας και αναζήτησης που σχεδιάζει,
    (γ) να αξιολογεί και να συγκρίνει εφαρμογές ανάκτησης πληροφορίας, και
    (δ) να συνθέτει και να προσαρμόζει τους αλγορίθμους ανάκτησης πληροφορίας για να επιλύσει νέα προβλήματα.










    Γενικές Ικανότητες

    Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.

    Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

    Προσαρμογή σε νέες καταστάσεις

    Λήψη αποφάσεων

    Αυτόνομη εργασία

    Ομαδική εργασία

    Εργασία σε διεθνές περιβάλλον

    Εργασία σε διεπιστημονικό περιβάλλον

    Παράγωγή νέων ερευνητικών ιδεών

     

    Σχεδιασμός και διαχείριση έργων

    Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα

    Σεβασμός στο φυσικό περιβάλλον

    Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου

    Άσκηση κριτικής και αυτοκριτικής

    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ……

    Άλλες…

    …….


    - Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    - Προσαρμογή σε νέες καταστάσεις
    - Λήψη αποφάσεων
    - Αυτόνομη εργασία
    - Παραγωγή νέων ερευνητικών ιδεών
    - Άσκηση κριτικής και αυτοκριτικής
    - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]


    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    Εισαγωγή - Λογικό μοντέλο - Ανεστραμμένο ευρετήριο
    Λεξιλόγιο και λίστες καταχωρίσεων - Ευρετήρια φράσεων
    Λεξικά και ανάκτηση ανεκτική σε σφάλματα
    Κατασκευή ευρετηρίου
    Συμπίεση ευρετηρίου
    Διαβαθμισμένη Ανάκτηση, Διανυσματικό μοντέλο
    Αξιολόγηση συστημάτων ανάκτησης πληροφορίας
    Ανάδραση συνάφειας και διεύρυνση ερωτημάτων
    Εισαγωγή στην αναζήτηση στον παγκόσμιο ιστό - Ανιχνευτές ιστού
    Ανάλυση συνδέσμων
    Διαφήμιση στον Παγκόσμιο Ιστό
    Συστήματα Συστάσεων
    Ημιδομημένα δεδομένα - XML και Ανάκτηση XML δεδομένων

    ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

    ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
    Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

    Πρόσωπο με πρόσωπο

    ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
    Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

    Το εργαλείο RapidMiner για την επεξεργασία δεδομένων κειμένου. Το εργαλείο Gephi για την ανάλυση και οπτικοποίηση κοινωνικών δικτύων και γράφων.

    Διαφάνειες και επιδείξεις λογισμικών μέσω υπολογιστή και προβολικού

    Η εκπαιδευτική πλατφόρμα eclass χρησιμοποιείται για την επικοινωνία με τους φοιτητές, ανάρτηση εργασιών και ανακοινώσεων, και επίλυση αποριών στην περιοχή συζητήσεων.

    ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

    Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.

    Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη  ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ.

     

    Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS

    Δραστηριότητα

    Φόρτος Εργασίας Εξαμήνου

    Διαλέξεις

    26

    Εργαστηριακή Άσκηση

    13

    Μη καθοδηγούμενη μελέτη

    40

    Προετοιμασία  και συγγραφή εργασιών παράδοσης στην διάρκεια του εξαμήνου

                                    66

    Σύνολο Μαθήματος

    145

     

    ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

    Περιγραφή της διαδικασίας αξιολόγησης

     

    Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική  ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες

     

    Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.


    Γραπτές Εξετάσεις στο τέλος του εξαμήνου που περιλαμβάνει επίλυση προβλημάτων και ερωτήσεις σύντομης απάντησης (50%)

    Ατομικές εργασίες εφαρμογής τεχνικών και επίλυσης προβλημάτων (20%)
    Ατομικές εργασίες ανάπτυξης κώδικα και παρουσίαση αποτελεσμάτων (30%)

    Ο τρόπος αξιολόγησης περιγράφεται και στην ιστοσελίδα του μαθήματος



    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    - Manning, Christopher D.; Raghavan, Prabhakar; Schutze, Hinrich. Εισαγωγή στην Ανάκτηση Πληροφοριών. Εκδόσεις Κλειδάριθμος, 2012.
     - Baeza-Yates, Ricardo; Ribeiro-Neto, Berthier. Ανάκτηση Πληροφορίας, 2η Έκδοση. Εκδόσεις Τζιόλα, 2014.
    - Langiville, Amy; Meyer, Carl. Η επιστήμη των μεθόδων κατάταξης στις μηχανές αναζήτησης. ΙΤΕ-Πανεπιστημιακές Εκδόσεις Κρήτης, 2010.
    - Παπαδόπουλος, Απόστολος. Ανάκτηση Πληροφορίας. Ελληνικά Ακαδημαϊκά Συγγράμματα και Βοηθήματα- Αποθετήριο «Κάλλιπος», 2016

    - Συναφή επιστημονικά περιοδικά:
    - ACM Transactions on Information Systems (TOIS) (https://tois.acm.org/)
    - Information Retrieval Journal (https://link.springer.com/journal/10791)
    - International Journal of Information Retrieval Research (IJIRR) (https://www.igi-global.com/journal/international-journal-information-retrieval-research/1178)
    - Information Processing  Management (https://www.journals.elsevier.com/information-processing-and-management/)
    - Information Processing Letters (https://www.journals.elsevier.com/information-processing-letters)
    • ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
      (AIC202)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIC202

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Β

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ

    ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
    σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων

    ΕΒΔΟΜΑΔΙΑΙΕΣ
    ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ

    ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ

     

    3

    5

     

     

     

     

     

     

    Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο (δ).

     

     

    ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ

    γενικού υποβάθρου,
    ειδικού υποβάθρου, ειδίκευσης

    γενικών γνώσεων, ανάπτυξης δεξιοτήτων

    ΕΙΔΙΚΟΥ ΥΠΟΒΑΘΡΟΥ

    ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

     

    -

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI104/

    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

    Μαθησιακά Αποτελέσματα

    Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

    Συμβουλευτείτε το Παράρτημα Α

    • Περιγραφή του Επιπέδου των Μαθησιακών Αποτελεσμάτων για κάθε ένα κύκλο σπουδών σύμφωνα με το Πλαίσιο Προσόντων του Ευρωπαϊκού Χώρου Ανώτατης Εκπαίδευσης
    • Περιγραφικοί Δείκτες Επιπέδων 6, 7  8 του Ευρωπαϊκού Πλαισίου Προσόντων Διά Βίου Μάθησης και το Παράρτημα Β
    • Περιληπτικός Οδηγός συγγραφής Μαθησιακών Αποτελεσμάτων

    Με την ολοκλήρωση του μαθήματος ο φοιτητής θα μπορεί:
    (α) να σχεδιάζει διαγράμματα ER βάσεων δεδομένων που να είναι σύμφωνα με την ανάλυση απαιτήσεων συγκεκριμένων εφαρμογών,
    (β) να μετατρέπει τα διαγράμματα ER σε σχεσιακά σχήματα,
    (γ) να εκτελεί τα παραπάνω με τη βοήθεια εργαλείων CASE για μοντελοποίηση Βάσεων Δεδομένων,
    (δ) να σχεδιάζει ένα σχεσιακό σχήμα με τη μέθοδο της διάσπασης με κανονικοποίηση,
    (ε) να υλοποιεί σχεσιακά σχήματα σε εμπορικά DBMS (Oracle) και DBMS ανοιχτού κώδικα (MySQL),
    (στ) να κατανοεί τη σχεσιακή άλγεβρα και να χρησιμοποιεί τη γλώσσα SQL για να διαχειρίζεται μια βάση δεδομένων.

    Γενικές Ικανότητες

    Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.

    Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

    Προσαρμογή σε νέες καταστάσεις

    Λήψη αποφάσεων

    Αυτόνομη εργασία

    Ομαδική εργασία

    Εργασία σε διεθνές περιβάλλον

    Εργασία σε διεπιστημονικό περιβάλλον

    Παράγωγή νέων ερευνητικών ιδεών

     

    Σχεδιασμός και διαχείριση έργων

    Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα

    Σεβασμός στο φυσικό περιβάλλον

    Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου

    Άσκηση κριτικής και αυτοκριτικής

    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ……

    Άλλες…

    …….

    - Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    - Λήψη αποφάσεων
    - Αυτόνομη εργασία
    - Σχεδιασμός και διαχείριση έργων
    - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    1. Εισαγωγή στις Βάσεις Δεδομένων
    2. Το μοντέλο Οντοτήτων/Συσχετίσεων (Entity/Relationship, ER)
    3. Το σχεσιακό μοντέλο – Μετατροπή Ο/Σ σε σχεσιακό
    4. Εργαλεία μοντελοποίησης λογικού και φυσικού μοντέλου
    5. Σχεσιακή Άλγεβρα
    6. SQL (απλά, εμφωλευμένα, συναθροιστικά και προχωρημένα  αιτήματα), QBE
    7. Κανονικοποίηση (Συναρτησιακές εξαρτήσεις, BCNF, 1NF, 2NF, 3NF,  4NF)
    8. Διαχείριση Βάσεων Δεδομένων (διαχείριση συστήματος και δεδομένων, χρήστες, δικαιώματα, backup, restore)

    ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

    ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
    Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

    Πρόσωπο με πρόσωπο

    ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
    Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

    Open Source DBMS MySQL, PostgreSQL, CASE tool MySQLWorkbench, DB administration tool and client DBeaver, Oracle XE, Dia Diagram Editor.

    Διαφάνειες και επιδείξεις λογισμικών μέσω υπολογιστή και προβολικού.

    Η εκπαιδευτική πλατφόρμα openeclass χρησιμοποιείται για την επικοινωνία με τους φοιτητές, ανάρτηση εργασιών και ανακοινώσεων, και επίλυση αποριών στην περιοχή συζητήσεων.

    ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

    Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.

    Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη  ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ.

     

    Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS

    Δραστηριότητα

    Φόρτος Εργασίας Εξαμήνου

    Διαλέξεις

    26

    Εργαστηριακή Άσκηση

    13

    Μη καθοδηγούμενη μελέτη

    66

    Προετοιμασία και συγγραφή εργασιών παράδοσης στην διάρκεια του εξαμήνου

    40

    Σύνολο Μαθήματος

    145

     

    ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

    Περιγραφή της διαδικασίας αξιολόγησης

     

    Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική  ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες

     

    Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

    - Γραπτή Εξέταση στο τέλος του εξαμήνου που περιλαμβάνει επίλυση προβλημάτων, δοκιμασία πολλαπλής επιλογής και ερωτήσεις σύντομης απάντησης.

    - Ατομικές Εργασίες:  Έξι σύνολα εργασιών επίλυσης προβλημάτων και ανάπτυξης κώδικα ανά φοιτητή.

    O τελικός βαθμός προκύπτει κατά 70% από την τελική εξέταση και κατά 30% από τις ασκήσεις.

    Ο τρόπος αξιολόγησης περιγράφεται και στην ιστοσελίδα του μαθήματος.

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    - Ramakrishnan Raghu, Gehrke Joahannes. Συστήματα Διαχείρισης Βάσεων Δεδομένων, 3η Έκδοση. Εκδ. Τζιόλα, 2012.
    - Connoly Thomas, Begg Carolyn E.. Βάσεις δεδομένων Α΄ Τόμος. Μια Πρακτική Προσέγγιση στο Σχεδιασμό, την Υλοποίηση και την Διαχείριση Συστημάτων Βάσεων Δεδομένων. Εκδ. Γκιούρδα, 2008.

    - Συναφή επιστημονικά περιοδικά:
    - The International Journal on Very Large Data Bases (VLDB Journal) (https://link.springer.com/journal/778)
    - ACM Transactions on Database Systems (TODS) (https://tods.acm.org/)
    - International Journal of Database Management Systems (IJDMS) (http://airccse.org/journal/ijdms/ijdms.html)
    • ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
      (ΠΣ0202)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    MIS

    Τμήμα
    ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

    Περιγραφή

    Σκοπός-στόχοι μαθήματος:

    Θα αποκτηθούν γνώσεις σε θέματα όπως (α) σχεδιασμός βάσης δεδομένων σύμφωνα με την ανάλυση απαιτήσεων της εφαρμογής, (β) υλοποίηση της βάσης δεδομένων σε κάποιο σχεσιακό DBMS, (γ) διαχείριση των περιεχομένων της με τη γλώσσα SQL, (δ) Αποθήκες Δεδομένων και εφαρμογή σε αυτές ανάλυσης τύπου OLAP. Ο διδασκόμενος θα αποκτήσει γνώσεις και πρακτική εμπειρία σε ζητήματα σχεδιασμού, υλοποίησης και χρήσης μέσω της γλώσσας SQL σχεσιακών Βάσεων Δεδομένων. Θα μελετηθούν τα παρακάτω αντικείμενα: Μοντέλο E-R, σχεσιακό μοντέλο, εργαλεία CASE για database forward και reverse engineering, SQL, κανονικοποίηση, θέματα διαχείρισης βάσεων δεδομένων, OLAP.

    Περίγραμμα μαθήματος:

    • Εισαγωγή στις Βάσεις Δεδομένων – Μοντελοποίηση Βάσεων Δεδομένων
    • Μοντέλο Οντοτήτων-Συσχετίσεων (ΟΣ)- Case study
    • Σχεσιακό Μοντέλο – Μετατροπή μοντέλου ΟΣ σε σχεσιακούς πίνακες
    • Υλοποίηση σχεσιακού σχήματος – Εργαστηριακή άσκηση με το MySQL Workbench – SQL DDL
    • Κανονικοποίηση με διάσπαση
    • Σχεσιακή Άλγεβρα – SQL Απλά αιτήματα
    • SQL: Σύζευξη, Πράξεις συνόλων
    • SQL: Ταξινόμηση, Null Values, Εμφωλευμένα αιτήματα (IN, Any, All, Exists), Διαίρεση
    • SQL: Τελεστές Συνάθροισης, Ομαδοποίηση, Όψεις
    • SQL: Αποθηκευμένες Διαδικασίες και Εναύσματα
    • Τεχνολογία JDBC
    • Αποθήκες Δεδομένων – Ανάλυση τύπου OLAP.
    • ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ ΥΠΟΛΟΓΙΣΤΙΚΟ ΝΕΦΟΣ
      (SD0202)

    Τύπος
    ΕΠΙΛΟΓΗΣ

    Κωδικός Τμήματος
    MAI

    Τμήμα
    Π.Μ.Σ. ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ

    Περιγραφή

    Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

    • ΔΙΕΡΕΥΝΗΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΟΠΤΙΚΟΠΟΙΗΣΗ ΔΕΔΟΜΕΝΩΝ
      (AIDA104)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    ΜΤΝΑΔ

    Τμήμα
    Π.Μ.Σ. ΣΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΔΕΔΟΜΕΝΩΝ

    Περιγραφή

    Τίτλος

    Διερευνητική Ανάλυση και Οπτικοποίηση Δεδομένων

    (Exploratory Data Analysis and Visualization)

    Στόχοι

    Βασικός στόχος των αναλυτών δεδομένων είναι η απόκτηση γνώσης από δεδομένα. Ένα από τα κυριότερα εργαλεία τους είναι η διαισθητική κατανόησή  των δεδομένων πριν προχωρήσουν στην ανάλυση του τι συνέβη στο παρελθόν ή στην πρόβλεψη του τι θα συμβεί στο μέλλον. Η διαδικασία αυτή ονομάζεται Διερευνητική Ανάλυση Δεδομένων και περιλαμβάνει επαναληπτική εφαρμογή  τεχνικών ανάλυσης, διερεύνησης και οπτικοποίησης δεδομένων.

    Δεξιότητες

    Χρήση εργαλείων ανάλυσης δεδομένων όπως R και Python και εργαλείων οπτικοποίησης δεδομένων όπως D3.js και Tableau.

    Προαπαιτήσεις

    Χρήσιμο, αλλά όχι αναγκαίο, είναι ο φοιτητής να έχει παρακολουθήσει προπτυχιακά μαθήματα Στατιστικής και Εξόρυξης Γνώσης από Δεδομένα.

    Πώς θα καλυφτούν οι προαπαιτήσεις

    Θα δοθεί βιβλιογραφία στα πλαίσια του μαθήματος, και θα υπάρξει επίβλεψη/καθοδήγηση από τον διδάσκοντα.

    Περιεχόμενο μαθήματος

    Αρχές των γραφημάτων ανάλυσης. Διερευνητικά γραφήματα. Συστήματα γραφημάτων στην R. Προχωρημένες τεχνικές γραφημάτων στην R (lattice και ggplot2). Τεχνικές συσταδοποίησης και απομείωσης των δεδομένων για την οπτικοποίηση δεδομένων πολύ υψηλών διαστάσεων. Ανάλυση Δεδομένων (με R και Python). Οπτικοποίηση Δεδομένων (με Tableau και D3.js). Storytelling με δεδομένα. Προχωρημένες τεχνικές οπτικοποίησης: χάρτες, δίκτυα, δεδομένα υψηλών διαστάσεων, κείμενο, διάδραση, animation και οπτική αναλυτική.

    Προτεινόμενα βιβλία

    • NIST/SEMATECH e-Handbook of Statistical Methods, http://www.itl.nist.gov/div898/handbook/, 2018.
    • Edward R. Tufte, “The Visual Display of Quantitative Information”,  2nd ed., Graphics Press/Amazon, 2001.
    • William McKinney, “Python for Data Analysis”, O’Reilly Media, 2012.
    • Robert Kabacoff, “R in Action: Data Analysis and Graphics with R”, 2nd ed., Manning Publications, 2015.
    • Julie Steele, Noah Iliinsky, “Beautiful Visualization, Looking at Data Through the Eyes of Experts", O’Reilly Media, 2010.
    • Cole Nussbaumer Knaflic, “Storytelling With Data: A Data Visualization Guide for Business Professionals”,  Amazon, 2015.
    • John W. Tukey, “Exploratory Data Analysis”, Pearson, 1977.

    Μέθοδοι αξιολόγησης

    Εργασίες & τελική γραπτή εξέταση

    Ιστοσελίδα μαθήματος

    Το μάθημα θα φιλοξενηθεί στο http://compus.uom.gr.

     

     

    • ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΚΑΙ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
      (MLI0103)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    ΜΔΠ

    Τμήμα
    Δ.Π.Μ.Σ. ΔΙΚΑΙΟ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗ

    Περιγραφή

    Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

    • ΣΥΣΤΗΜΑΤΑ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ
      (CSC502)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    CSC502

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Ε

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΣΥΣΤΗΜΑΤΑ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ

    ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
    σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων

    ΕΒΔΟΜΑΔΙΑΙΕΣ
    ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ

    ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ

     

    3

    5

     

     

     

     

     

     

    Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο (δ).

     

     

    ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ

    γενικού υποβάθρου,
    ειδικού υποβάθρου, ειδίκευσης

    γενικών γνώσεων, ανάπτυξης δεξιοτήτων

    ΕΙΔΙΚΟΥ ΥΠΟΒΑΘΡΟΥ

    ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

     

    -

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI207/

    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

    Μαθησιακά Αποτελέσματα

    Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

    Συμβουλευτείτε το Παράρτημα Α

    • Περιγραφή του Επιπέδου των Μαθησιακών Αποτελεσμάτων για κάθε ένα κύκλο σπουδών σύμφωνα με το Πλαίσιο Προσόντων του Ευρωπαϊκού Χώρου Ανώτατης Εκπαίδευσης
    • Περιγραφικοί Δείκτες Επιπέδων 6, 7  8 του Ευρωπαϊκού Πλαισίου Προσόντων Διά Βίου Μάθησης και το Παράρτημα Β
    • Περιληπτικός Οδηγός συγγραφής Μαθησιακών Αποτελεσμάτων

    Με την ολοκλήρωση του μαθήματος ο φοιτητής θα μπορεί:
    (α) κατανοεί τα συστατικά μέρη ενός DBMS,
    (β) να γνωρίζει τους τρόπους οργάνωσης των αρχείων και τους τύπους ευρετηρίων,
    (γ) να κατανοεί τον τρόπο υλοποίησης της εξωτερικής ταξινόμησης και των σχεσιακών τελεστών
    (δ) να κατανοεί τη σημασία της βελτιστοποίησης αιτημάτων,
    (ε) να κατανοεί την έννοια της συναλλαγής και τα ζητήματα του ταυτοχρονισμού και της διαδικασίας επαναφοράς του συστήματος μετά από βλάβη,
    (στ) να κατανοεί τα είδη των NoSQL βάσεων δεδομένων και πότε χρησιμοποιούνται,
    (ζ) να κατανοεί τις σχεδιαστικές αρχές και να σχεδιάζει μία βάση δεδομένων σε βάσεις δεδομένων εγγράφων και βάσεις δεδομένων γράφων,
    (η) να κατανοεί και να χρησιμοποιεί τη γλώσσα Cypher για απάντηση ερωτημάτων πάνω σε μια βάση δεδομένων γράφων.

    Γενικές Ικανότητες

    Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.

    Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

    Προσαρμογή σε νέες καταστάσεις

    Λήψη αποφάσεων

    Αυτόνομη εργασία

    Ομαδική εργασία

    Εργασία σε διεθνές περιβάλλον

    Εργασία σε διεπιστημονικό περιβάλλον

    Παράγωγή νέων ερευνητικών ιδεών

     

    Σχεδιασμός και διαχείριση έργων

    Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα

    Σεβασμός στο φυσικό περιβάλλον

    Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου

    Άσκηση κριτικής και αυτοκριτικής

    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ……

    Άλλες…

    …….

    - Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    - Λήψη αποφάσεων
    - Αυτόνομη εργασία
    - Σχεδιασμός και διαχείριση έργων
    - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    1. Αρχιτεκτονική του DBMS
    2. Αποθηκεύοντας Δεδομένα: Δίσκοι και Αρχεία
    3. Οργανώσεις Αρχείων και Ευρετήρια
    4. Δεντρικά Ευρετήρια και Ευρετήρια Κατακερματισμού
    5. Εξωτερική ταξινόμηση
    6. Υπολογισμός Σχεσιακών Πράξεων
    7. Βελτιστοποίηση Αιτημάτων
    8. Διαχείριση Συναλλαγών
    9. Έλεγχος Ταυτοχρονισμού
    10. Επαναφορά του Συστήματος
    11. NoSQL Βάσεις Δεδομένων
    12. Βάσεις Δεδομένων Εγγράφων (MongoDB)
    13. Βάσεις Δεδομένων Γράφων (Neo4j)
    14. Γλώσσες αιτημάτων για NoSQL βάσεις δεδομένων (Cypher)

    ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

    ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
    Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

    Πρόσωπο με πρόσωπο

    ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
    Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

    Επίδειξη λογισμικών για την κατανόηση των B+trees (εκπαιδευτικό λογισμικό που
    αναπτύχθηκε στα πλαίσια ΕΠΕΑΕΚ), διάφορα εμπορικά και open source DBMS (Oracle XE, IBM DB2, MySQL, PostgreSQL) για την επίδειξη της
    ταυτόχρονης εκτέλεσης συναλλαγών και την επαναφορά του συστήματος. NoSQL DBMS όπως Neo4j και MongoDB.

    Διαφάνειες και επιδείξεις λογισμικών μέσω υπολογιστή και προβολικού.

    Η εκπαιδευτική πλατφόρμα eclass χρησιμοποιείται για την επικοινωνία με τους φοιτητές, ανάρτηση εργασιών και ανακοινώσεων, και επίλυση αποριών στην περιοχή συζητήσεων.

    ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

    Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.

    Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη  ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ.

     

    Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS

    Δραστηριότητα

    Φόρτος Εργασίας Εξαμήνου

    Διαλέξεις

    39

    Μη καθοδηγούμενη μελέτη

    66

    Προετοιμασία  και συγγραφή εργασιών παράδοσης στην διάρκεια του εξαμήνου

    40

    Σύνολο Μαθήματος

    145

     

    ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

    Περιγραφή της διαδικασίας αξιολόγησης

     

    Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική  ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες

     

    Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.


    - Γραπτή Εξέταση στο τέλος του εξαμήνου που περιλαμβάνει επίλυση προβλημάτων, δοκιμασία πολλαπλής επιλογής και ερωτήσεις σύντομης απάντησης.

     - Ατομικές Εργασίες

    O τελικός βαθμός προκύπτει κατά 70% από την τελική εξέταση και κατά 30% από τις ασκήσεις.

    Ο τρόπος αξιολόγησης περιγράφεται και στην ιστοσελίδα του μαθήματος.

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    - Ramakrishnan Raghu, Gehrke Joahannes. Συστήματα Διαχείρισης Βάσεων Δεδομένων, 3η Έκδοση. Εκδ. Τζιόλα, 2012.

    GARCIA-MOLINA, ULLMAN, WIDOM. ΣΥΣΤΗΜΑΤΑ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ - ΤΟΜΟΣ ΙΙ, Έκδοση 1η, 2011, ISBN: 978-960-524-311-1, Ίδρυμα Τεχνολογίας  Έρευνας-Πανεπιστημιακές Εκδόσεις Κρήτης

    Elmasri Ramez, Navathe Shamkant B. Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων, 7η Έκδοση Αναθεωρημένη, 2016, ISBN: 978-960-531-343-2, ΔΙΑΥΛΟΣ Α.Ε. ΕΚΔΟΣΕΙΣ ΒΙΒΛΙΩΝ

    - Συναφή επιστημονικά περιοδικά:
    - The International Journal on Very Large Data Bases (VLDB Journal) (https://link.springer.com/journal/778)
    - ACM Transactions on Database Systems (TODS) (https://tods.acm.org/)
    - International Journal of Database Management Systems (IJDMS) (http://airccse.org/journal/ijdms/ijdms.html)

    Δημοσιεύσεις


    • Βιβλία (14 εγγραφές)

    Περιλαμβάνει Βιβλία ή/και μονογραφίες σε διεθνείς ή ελληνικούς εκδοτικούς οίκους. Κεφάλαια ή άρθρα συλλογικών τόμων ή επιμέλεια τόμων σε διεθνείς ή ελληνικούς εκδοτικούς οίκους.

      2016

      • Δαγδιλέλης, Βασίλειος, Ευαγγελίδης, Γεώργιος, Σατρατζέμη, Μαρία, Φαχαντίδης, Νικόλαος: "Εισαγωγή στη χρήση των Η/Υ", ISBN 9789604185443, σελ. 846, Εκδόσεις Τζιόλα, Θεσσαλονίκη 2016
      • Kleftodimos A., Evangelidis G., “An Interactive Video-Based Learning Environment Supporting Learning Analytics: Insights Obtained from Analyzing Learner Activity Data.” In: Li Y. et al. (eds) State-of-the-Art and Future Directions of Smart Learning. Lecture Notes in Educational Technology. Springer, Singapore, 2016.

      2015

      • Ougiaroglou S., Karamitopoulos L., Tatoglou C., Evangelidis G., Dervos D.A., “Applying prototype selection and abstraction algorithms for efficient time series classification”, In Artificial Neural Networks - Methods and Applications in Bio-/Neuroinformatics (Series in Bio-/Neuroinformatics), Vol. 4, pp. 333-348, 2015

      2013

      • Kostas I. Diamantaras, Georgios Evangelidis, Yannis Manolopoulos, Christos K. Georgiadis, Petros Kefalas, Demosthenes Stamatis: Balkan Conference in Informatics, BCI '13, Thessaloniki, Greece, September 19-21, 2013. ACM 2013, ISBN 978-1-4503-1851-8

      2008

      • Voulalas G., Evangelidis G., “Introducing a Change-Resistant Framework for the Development and Deployment of Evolving Applications”, Book Chapter in Software and Data Technologies, Springer, pp. 293-306, DOI 10.1007/978-3-540-70621-2, 2008.
      • Ευαγγελίδης, Γ., Σαμαράς, Ν., Δέρβος, Δ.., “Εξόρυξη Γνώσης από Δεδομένα: Μια πρακτική προσέγγιση”, Επιμέλεια μετάφρασης του βιβλίου “Data Mining: A Tutorial Based Primer”, των R. Roiger and M. Geatz, Εκδόσεις Κλειδάριθμος, Αθήνα 2008.

      2004

      • Δαγδιλέλης, Β., Σατρατζέμη, Μ., Ευαγγελίδης, Γ., Βασικές αρχές σχεδίασης εκπαιδευτικού λογισμικού. Άρθρο στο “Οι Τεχνολογίες Πληροφορίας και Επικοινωνιών στην Ελληνική Εκπαίδευση: Απολογισμός και Προοπτικές”, σ. 56-71, Εκδόσεις Πανεπιστημίου Μακεδονίας, Θεσσαλονίκη 2004.
      • Βλαχάβας, Ι., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., Παπαδόπουλος, Γ., Σατρατζέμη, Μ., Ψύλλος, Δ.., “Οι Τεχνολογίες Πληροφορίας και Επικοινωνιών στην Ελληνική Εκπαίδευση: Απολογισμός και Προοπτικές”, Εκδόσεις Πανεπιστημίου Μακεδονίας, Θεσσαλονίκη 2004.

      2003

      • Vassilios Dagdilelis, Maya Satratzemi, David Finkel, Roger D. Boyle, Georgios Evangelidis: Proceedings of the 8th Annual SIGCSE Conference on Innovation and Technology in Computer Science Education, ITiCSE 2003, Thessaloniki, Greece, June 30 - July 2, 2003. ACM 2003, ISBN 1-58113-672-2
      • Δαγδιλέλης, Β., Ευαγγελίδης, Γ., Σατρατζέμη, Εισαγωγή στη χρήση των Η/Υ (Παρουσιάσεις με Η/Υ, Internet), Τόμος Β΄(ISBN 960-8050-87-1), σελ.524, Εκδόσεις Τζιόλα, Θεσσαλονίκη 2003.

      2002

      • Δέρβος, Δ.Α., Ευαγγελίδης, Γ., Επιμελητές έκδοσης και Μεταφραστές στα ελληνικά του βιβλίου των R. Ramakrishnan and J. Gehrke, Database Management Systems, τόμος Β’ (ISBN 960-8050-85-5), σελ.692, Εκδόσεις Τζιόλα, Θεσσαλονίκη 2002.
      • Δαγδιλέλης, Β., Ευαγγελίδης, Γ., Σατρατζέμη, Εισαγωγή στη χρήση των Η/Υ (Γραφικά Περιβάλλοντα Εργασίας, Επεξεργασία Κειμένου, Υπολογιστικά Φύλλα), Τόμος Α΄ (ISBN 960-8050-75-8), σελ.834, Εκδόσεις Τζιόλα, Θεσσαλονίκη 2002.

      2001

      • Δέρβος, Δ.Α., Ευαγγελίδης, Γ., Επιμελητές έκδοσης και Μεταφραστές στα ελληνικά του βιβλίου των R. Ramakrishnan and J. Gehrke, Database Management Systems, τόμος A’ (ISBN 960-8050-70-7), σελ.668, Εκδόσεις Τζιόλα, Θεσσαλονίκη 2001.

      1994

      • Evangelidis, G., The hBΠ-tree: “A Concurrent and Recoverable Multi-attribute Index, Ph.D. Thesis, College of Computer Science, Northeastern University, Boston, MA, June 1994 (Also, Technical Report NU-CCS-94-12, College of Computer Science, Northeastern University, Boston, MA.)
      • Επιστημονικά Περιοδικά (38 εγγραφές)

      Περιλαμβάνει Άρθρα σε διεθνή ή ελληνικά επιστημονικά περιοδικά (με κριτές).

        2023

        • Ougiaroglou S, Evangelidis G, “Very Fast Variations of Training Set Size Reduction Algorithms for Instance-Based Classification”. In Proceedings of the 27th International Database Engineered Applications Symposium (pp. 64–70). Association for Computing Machinery, (2023).
        • Ougiaroglou S, Filippakis P, Fotiadou G, Evangelidis G, “Data reduction via multi-label prototype generation”. Neurocomputing, 526, 1-8, (2023).
        • Lampropoulos G, Keramopoulos E, Diamantaras K, Evangelidis G., “Integrating Augmented Reality, Gamification, and Serious Games in Computer Science Education”, Education Sciences. 2023; 13(6):618. https://doi.org/10.3390/educsci13060618

          Προβολή Δημοσίευσης

        • Filippakis P, Ougiaroglou S, Evangelidis G., “Prototype Selection for Multilabel Instance-Based Learning”, Information. 2023; 14(10):572. https://doi.org/10.3390/info14100572

          Προβολή Δημοσίευσης

        • Papadopoulos T, Evangelidis K, Evangelidis G, Kaskalis T.H, “Mixed reality and the Internet of Things: Bridging the virtual with the real”, Advances in Engineering Software, 185, 103527, (2023).

        2022

        • Giorginis T, Ougiaroglou S, Evangelidis G, & Dervos D.A, “Fast data reduction by space partitioning via convex hull and MBR computation”. Pattern Recognition, 126, 108553, (2022).
        • Lampropoulos G, Keramopoulos E, Diamantaras K, Evangelidis G, “Augmented Reality and Gamification in Education: A Systematic Literature Review of Research”, Applications, and Empirical Studies. Applied Sciences. 2022; 12(13):6809. https://doi.org/10.3390/app12136809

          Προβολή Δημοσίευσης

        • Pispiringas L, Dervos D.A, Evangelidis G, “Citation based journal-to-journal associations in the microcosm of an academic libraries consortium”, The Journal of Academic Librarianship, 48(1), 102463, (2022).
        • Lampropoulos G, Keramopoulos E, Diamantaras K, Evangelidis G, “Augmented Reality and Virtual Reality in Education: Public Perspectives, Sentiments, Attitudes, and Discourses”, Education Sciences. 2022; 12(11):798. https://doi.org/10.3390/educsci12110798

          Προβολή Δημοσίευσης

        • Tsagalidis E, Evangelidis G, “Exploiting Domain Knowledge to Address Class Imbalance in Meteorological Data Mining”, Applied Sciences. 2022; 12(23):12402. https://doi.org/10.3390/app122312402

          Προβολή Δημοσίευσης

        • Ougiaroglou S, Mastromanolis T, Evangelidis G, Margaris D, “Fast Training Set Size Reduction Using Simple Space Partitioning Algorithms”, Information. 2022; 13(12):572. https://doi.org/10.3390/info13120572

          Προβολή Δημοσίευσης

        2021

        • Ougiaroglou S, Filippakis P, Evangelidis G, “Prototype Generation for Multi-label Nearest Neighbours Classification”. In: Sanjurjo González, H., Pastor López, I., García Bringas, P., Quintián, H., Corchado, E. (eds) Hybrid Artificial Intelligent Systems. HAIS 2021. Lecture Notes in Computer Science, vol 12886. Springer, Cham. https://doi.org/10.1007/978-3-030-86271-8_15

          Προβολή Δημοσίευσης

        • Papadopoulos T, Evangelidis K, Kaskalis T.H, Evangelidis G, Sylaiou S, "Interactions in Augmented and Mixed Reality: An Overview". Applied Sciences. 2021; 11(18):8752. https://doi.org/10.3390/app11188752

          Προβολή Δημοσίευσης

        2020

        • Kleftodimos A, Lappas G, Evangelidis G, “Edutainment and practice in video-based learning: enriching educational videos with interactive activities and games”, International Journal of Entertainment Technology and Management, Vol. 1, No. 1, 5-33, (2020), https://doi.org/10.1504/IJENTTM.2020.105689

          Προβολή Δημοσίευσης

        • Ougiaroglou S, Dervos D.A, Evangelidis G, “Instance-based classification using prototypes generated from large noisy and streaming datasets”, Comput. Sci. Inf. Syst. 17(1): 71-92 (2020)

        2018

        • Ougiaroglou S., Diamantaras K.I., Evangelidis G., “Exploring the effect of data reduction on Neural Network and Support Vector Machine classification”, Neurocomputing, Volume 280, 2018, Pages 101-110, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2017.08.076.

        2016

        • Kleftodimos A., Evangelidis G., “Using open source technologies and open internet resources for building an interactive video based learning environment that supports learning analytics”, Smart Learn. Environ. (2016) 3: 9. https://doi.org/10.1186/s40561-016-0032-4
        • Fragkiadaki E., Evangelidis G., “Three novel indirect indicators for the assessment of papers and authors based on generations of citations”, Scientometrics 106(2): 657-694, 2016.
        • Ougiaroglou S., Evangelidis G., “Efficient editing and data abstraction by finding homogeneous clusters”, Annals of Mathematics and Artificial Intelligence, Springer, 76(3-4), pp. 327-349, 2016.
        • Ougiaroglou S., Evangelidis G., “RHC: Non-parametric cluster-based data reduction for efficient k-NN classification”, Pattern Analysis and Applications, Springer, 19(1), pp. 93-109, 2016.

        2015

        • Ougiaroglou S., Evangelidis G., Dervos D.A., “FHC: An adaptive fast hybrid method for k-NN classification”, Logic Journal of the IGPL, Oxford journals, Volume 23, Issue 3, pp. 431-450, 2015.

        2014

        • Ougiaroglou S., Evangelidis G., “Efficient data abstraction using weighted IB2 prototypes”, Computer Science and Information Systems (ComSIS), Volume 11, Issue 2, pp. 665–678, 2014.
        • Fragkiadaki E., Evangelidis G., “Review of the indirect citations paradigm: theory and practice of the assessment of papers, authors and journals”, Scientometrics 99(2): 261-288, 2014.
        • Ougiaroglou S., Evangelidis G., “Efficient k-NN Classification based on Homogeneous Clusters”, Artificial Intelligence Review, Springer, Volume 42, Issue 3, pp. 491-513, 2014.

        2011

        • Kouiroukidis N., Evangelidis G., “Efficient Indexing Methods in the Data Mining Context”, International Journal on Integrated Information Management (IJIIM), 1(1), October 2011, 29-38.
        • Outsios E., Evangelidis G., “Achieving Optimal Average Data Node Storage Utilization in k-dimensional point data indexes”, International Journal on Integrated Information Management (IJIIM), 1(1), October 2011, 39-48.
        • Fragkiadaki E., Evangelidis G., Samaras N., Dervos D., “f-Value: measuring an article’s scientific impact”, Scientometrics, 86(3), March 2011, 671-686.

        2010

        • Tsagalidis E., Tsitouridis K., Evangelidis G., Dervos D., “Maximum Hail Size Prediction”, Journal of Weather Modification, 42, 7-12, 2010.
        • Karamitopoulos L., Evangelidis G., Dervos D., “PCA-based Time Series Similarity Search”, Annals of Information Systems (Springer) - Special Issue on Data Mining, 2010, Volume 8, Part 4, 255-276, DOI: 10.1007/978-1-4419-1280-0_11.

        2005

        • Efopoulos, V., Dagdilelis, V., Evangelidis, G., Satratzemi, M., “WIPE: A Programming Environment for Novices”, SIGCSE Bulletin 37(3), September 2005, 113-117.

        2004

        • Dagdilelis, V., Satratzemi, M., Evangelidis, G., “Introducing Secondary Education Students to Algorithms and Programming”, Education and Information Technologies, Kluwer Academic Publishers, vol.9, no.2, pp.159-173, 2004.

        2003

        • Dagdilelis, V., Evangelidis, G., Satratzemi, M., Efopoulos, V., Zagouras, C., “DELYS: A novel microworld-based educational software for teaching Computer Science subjects”, Computers & Education, Elsevier Science, vol.40, no.4, pp.307–325, May 2003.
        • Dagdilelis, V., Satratzemi, M., Evangelidis, G., “Implementing a Nationwide System for Training Very Small Enterprises for ICT Innovation: the Greek Case”, Educational Technology & Society - IEEE Learning Technology Task Force (LTTF), (ISSN 1436-4522) vol.6, no.1, January 2003.

        2002

        • Dagdilelis, V., Satratzemi, M., Evangelidis, G., “What they really do? Attempting (once again) to model novice programmers’ behavior”, ACM SIGCE Bulletin, vol.34, no.3, pp.244, 2002.

        2001

        • Satratzemi, M., Dagdilelis, V., Evangelidis, G., “A System for Program Visualization and Problem-Solving Path Assessment of Novice Programmers”, ACM SIGCE Bulletin, vol.33, no.3, pp.137-140, 2001.
        • Satratzemi, M., Dagdilelis, V., Evangelidis, G., “Telemachus: A system for submission and assessment of students programs”, Learning Technology - IEEE Learning Technology Task Force (LTTF), (ISSN1438-0625) vol.3, no.3, July 2001.

        1997

        • Evangelidis, G, Lomet, D., Salzberg, B., “The hBΠ-tree: a multiattribute index supporting concurrency, recovery, and node consolidation”, VLDB Journal, 6(1), pp.1-25, February 1997.

        1993

        • Evangelidis, G., Salzberg, B., “Using the Holey Brick Tree for Spatial Data in General Purpose DBMSs”, IEEE Data Engineering Bulletin, 16(3), pp.34-39, September 1993
        • Συνέδρια (104 εγγραφές)

        Περιλαμβάνει Άρθρα σε δημοσιευμένα πρακτικά διεθνών ή ελληνικών συνεδρίων (με κριτές).

          2023

          • Chantes D, Evangelidis G, “Comparing Countries On COVID-19 Government Measures”. In Proceedings of the 2023 7th International Conference on Medical and Health Informatics (pp. 337–342). Association for Computing Machinery, (2023).
          • Filippakis P, Ougiaroglou S, & Evangelidis G, “Condensed Nearest Neighbour Rules for Multi-Label Datasets”. In Proceedings of the 27th International Database Engineered Applications Symposium (pp. 43– 50). Association for Computing Machinery, (2023).

          2022

          • Papadopoulos T, Evangelidis K, Evangelidis G, Kaskalis T.H, “Immersive mixed reality experience empowered by the internet of things and geospatial technologies”, Fourteenth International Conference on Computational Structures Technology, 2022.

          2021

          • Papanikolaou M, Evangelidis G, Ougiaroglou S, “Dynamic k determination in k-NN classifier: A literature review” 2021 12th International Conference on Information, Intelligence, Systems & Applications (IISA), Chania Crete, Greece, 2021, pp. 1-8, doi: 10.1109/IISA52424.2021.9555525.

            Προβολή Δημοσίευσης

          • Xouveroudis K, Ougiaroglou S, Evangelidis G, Dervos D.A, “Prototype Selection and Generation with Minority Classes Preservation”, 2021 12th International Conference on Information, Intelligence, Systems & Applications (IISA), Chania Crete, Greece, 2021, pp. 1-8, doi: 10.1109/IISA52424.2021.9555514.

            Προβολή Δημοσίευσης

          2020

          • Ougiaroglou S, Evangelidis G, Diamantaras K.I, “Dynamic k-NN Classification Based on Region Homogeneity”, In: Darmont, J., Novikov, B., Wrembel, R. (eds) New Trends in Databases and Information Systems. ADBIS 2020. Communications in Computer and Information Science, vol 1259. Springer, Cham, (2020). https://doi.org/10.1007/978-3-030-54623-6_3

            Προβολή Δημοσίευσης

          2019

          • Pispiringas L., Dervos D.A., Evangelidis G., “J2J-GR: Journal-to-Journal References by Greek Researchers”, MEDI 2019: 83-95
          • Pardis G., Diamantaras K.I., Ougiaroglou S., Evangelidis G., “Fast Tree-Based Classification via Homogeneous Clustering”, IDEAL (1) 2019: 514-524
          • Ponos P., Ougiaroglou S., Evangelidis G., “The Effect of Parallelism on Data Reduction”, BCI 2019: 33:1-33:4
          • Koloniari G., Evangelidis G., Sachpenderis N., Milonas I., “A Framework for Predicting Community Behavior in Evolving Social Networks”, BCI 2019: 18:1-18:4
          • Ponos P., Ougiaroglou S., Evangelidis G., “Improving Data Reduction by Merging Prototypes”, ADBIS 2019: 20-32

          2018

          • Kleftodimos A., Evangelidis G., “Augmenting educational videos with interactive exercises and knowledge testing games”, EDUCON 2018: 872-877

          2017

          • Ougiaroglou S., Arampatzis G., Dervos D.A., Evangelidis G., "Generating Fixed-Size Training Sets for Large and Streaming Datasets", ADBIS 2017: 88-102

          2016

          • Ουγιάρογλου Σ., Ευαγγελίδης Γ., "@pospaseis: Υπηρεσία αναζήτησης αποσπάσεων εκπαιδευτικών", Πρακτικά του 10ου Πανελλήνιου και Διεθνούς Συνέδρίου "Οι ΤΠΕ στην Εκπαίδευση", Ιωάννινα, 2016.
          • Ougiaroglou S., Diamantaras K.I., Evangelidis G., “Efficient Support Vector Machine Classification Using Prototype Selection and Generation”, AIAI, 328-340, 2016.
          • Kleftodimos A., Evangelidis G., “An Interactive Video-based Learning Environment that Supports Learning Analytics for Teaching 'Image Editing”. SE@VBL@LAK, 26-33, 2016.

          2015

          • Ougiaroglou S., Evangelidis G., “Dealing with noisy data in the context of k-NN Classification”, BCI, 1-4, 2015.
          • Dervos D.A., Evangelidis G., Ntonas K., Petridis T., Nitsos I., “Directory of hellenic academic and research entities (D.H.A.R.E.)”, Panhellenic Conference on Informatics, 354-358, 2015.

          2014

          • Kleftodimos A., Evangelidis G., “Using metrics and cluster analysis for analyzing learner video viewing behaviours in educational videos”, AICCSA, 280-287, 2014.
          • Ougiaroglou S., Evangelidis G., “EHC: Non-parametric Editing by Finding Homogeneous Clusters”, FoIKS, 290-304, 2014.
          • Kleftodimos A., Evangelidis G., “Exploring Student Viewing Behaviors in Online Educational Videos”, ICALT, 367-369, 2014.
          • Ougiaroglou S., Evangelidis G., “WebDR: A Web Workbench for Data Reduction”, ECML/PKDD (3), 464-467, 2014.

          2013

          • Ougiaroglou S., Karamitopoulos L., Tatoglou C., Evangelidis G., Dervos D., “Applying general-purpose DRTs for fast time series classification”, In Proc. ICANN 2013, Sofia, Bulgaria.
          • Kleftodimos A., Evangelidis G., “A framework for recording, monitoring and analyzing learner behavior while watching and interacting with online educational videos”, In Proc. IEEE ICALT 2013, Beijing, China.
          • Kleftodimos A., Evangelidis G., “An overview of Web Mining in Education”, In Proc 17th Panhellenic Conference on Informatics 2013.
          • Ougiaroglou S., Evangelidis G., “AIB2: An Abstraction Data Reduction Technique based on IB2”, In Proc. 6th Balkan Conference in Informatics (BCI 2013), ACM ICPS, 2013.

          2012

          • Keramopoulos E., Dervos D., Deligiannis I., Evangelidis G., Pouyioutas P., “Critical Analysis of Designing a Graphical Query Language”, In Proc. IATED 4th annual International Conference on Education and New Learning Technologies (EDULEARN 2012), pp. 3964-3970, ISBN: 978-84-695-3491-5, Barcelona, Spain, 2-4 July, 2012.
          • Ougiaroglou S., Evangelidis G., “A Fast Hybrid k-NN Classifier Based on Homogeneous Clusters”, In Proc. AIAI(1) 2012, pp.327-336.
          • Ougiaroglou S., Evangelidis G., “Efficient dataset size reduction by finding homogeneous clusters”, In Proc. 5th Balkan Conference in Informatics (BCI 2012), ACM ICPS, 2012.
          • Ougiaroglou S., Evangelidis G., “A Simple Noise-Tolerant Abstraction Algorithm for Fast k–NN Classification”, In Proc. 7th International Conference on Hybrid Artificial Intelligence Systems (HAIS12), Spinger/LNCS, Salamanca, Spain, 2012.
          • Ougiaroglou S., Evangelidis G., Dervos A. D., “An Adaptive Hybrid and Cluster-Based Model for Speeding Up the k-NN Classifier”, In Proc. 7th International Conference on Hybrid Artificial Intelligence Systems (HAIS12), Spinger/LNCS, Salamanca, Spain, 2012.
          • Keramopoulos E., Dervos D., Deligiannis I.S., Evangelidis G., Pouyioutas P., “HERMES: A Tool for Querying Heterogeneous Data Stores”, In Proc 16th Panhellenic Conference on Informatics 2012, pp.433-438.
          • Ougiaroglou S., Evangelidis G., “Fast and Accurate k-Nearest Neighbor Classification by using Prototype Selection by Clustering”, In Proc. 16th Panhellenic Conference on Informatics 2012, pp.168-173.

          2011

          • Tsagalidis E., Evangelidis G., “Meteorological Data Mining: Exploiting Domain Expertise in the Class Imbalance Problem”, In Proc. 7th International Conference on Advanced Data Mining and Applications (ADMA 2011), Beijing, China, 17-19 December, 2011.
          • Ougiaroglou S., Evangelidis G., Dervos D.A., “An Extensive Experimental Study on the Cluster-based Reference Set Reduction for speeding-up the k-NN Classifier”, In Proc. International Conference on Integrated Information (IC-ININFO 2011), Kos, Greece, September 29 - October 3, 2011.
          • Kouiroukidis N., Evangelidis G., “Dimensionality Curse, Concentration Phenomenon and the KDB-tree”, In Proc. International Conference on Integrated Information (IC-ININFO 2011), Kos, Greece, September 29 - October 3, 2011.
          • Outsios E., Evangelidis G., “Improving query efficiency in high dimensional point indexes”, In Proc. International Conference on Integrated Information (IC-ININFO 2011), Kos, Greece, September 29 - October 3, 2011.
          • Outsios E., Evangelidis G., “Data Node Splitting Policies for Improved Range Query Efficiency in k-dimensional Point Data Indexes”, In Proc. 15th Panhellenic Conference on Informatics, Kastoria, Greece, 30 September-2 October, 2011.
          • Kouiroukidis N., Evangelidis G., “The Effects of Dimensionality Curse in High Dimensional kNN Search”, In Proc. 15th Panhellenic Conference on Informatics, Kastoria, Greece, 30 September-2 October, 2011.
          • Ougiaroglou S., Evangelidis G., Dervos D., “A Fast Hybrid Classification Algorithm based on the Minimum Distance and the k-NN Classifiers”, In Proc. 4th International Conference on SImilarity Search and APplications (SISAP 2011), Lipari, Italy, June 30 - July 1, 2011.
          • Voulalas G., Evangelidis G., “Model-driven Application Development Enabling Information Integration”, In Proc. 7th International Conference on Web Information Systems and Technologies (WEBIST 2011), pp. 141-146, Noordwijkerhout, Netherlands, 6-9 May, 2011.

          2010

          • Outsios E., Evangelidis, G., “Achieving optimal average data node storage utilization in k-dimensional point data indexes”, In Proc. 5th International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, Piraeus, Greece, 15-18 September, 2010.
          • Kouiroukidis N., Evangelidis, G., “Εfficient indexing methods in the data mining context”, In Proc. 5th International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, Piraeus, Greece, 15-18 September, 2010.
          • Tsagalidis E., Evangelidis G., “The effect of Training Set selection in Meteorological Data Mining”, In Proc. 14th Panhellenic Conference on Informatics, pp. 61-65, Tripolis, Greece, 10-12 Sep, 2010.
          • Tsagalidis E., Evangelidis G., “Pre-processing of Meteorological Data in Knowledge Discovery”, In Proc. 10th International Conference on Meteorology, Climatology and Atmospheric Physics (COMECAP 2010), pp. 61-69, Patras, 25-28 May, 2010.

          2009

          • Evangelidis, G., Pitsiougkas, E., Dervos, D.A., Laiho, M., Laux, F., Aldana-Montes, J.F., “DBTech Netportal: A Gateway to Education and Training for the European Database Technology Professional”, In Proc. 4th International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, Spetses, Greece, 24-26 September, 2009.
          • Dervos, D.A., Evangelidis, G., Karamitopoulos, L., Aunimo, L., Aladana-Montes, J.F., Farfan-Leiva, J.J, Siakas, K., Valkama, H., “DBTech EXT Virtual Lab Workshop: Business Intelligence”, In Proc. 4th International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, Spetses, Greece, 24-26 September, 2009.
          • Karamitopoulos L., Evangelidis G., “Cluster Based similarity search in time series”, In Proc. 4th Balkan Conference in Informatics, Thessaloniki, Greece, 17-19 Sep, 2009.
          • Fragkiadaki E., Evangelidis G., Samaras N., Dervos D.A., “Cascading citations indexing framework algorithm implementation and testing”, In Proc. 13 Panhellenic Conference on Informatics, Corfu, Greece, 10-12 Sep, 2009.
          • Voulalas, G., Evangelidis, G., “Evaluating a Framework for the Development and Deployment of Evolving Applications as a Software Maintenance Tool.” In Proc. 4rd International Conference on Software and Data Technologies (ICSOFT), Sofia, Bulgaria, 26-29 July, 2009, pp. 31-38.
          • Karamitopoulos L., Evangelidis G., “A Dispersion-based PAA Representation for Time Series”, World Congress on Computer Science and Information Engineering (CSIE 2009), Los Angeles/Anaheim, USA, March 31 - April 2, 2009.
          • Voulalas, G., Evangelidis, G., “Application Versioning, Selective Class Recompilation and Management of Active Instances in a Framework for Dynamic Applications”, In Proc. 5th International Conference on Web Information Systems and Technologies (WEBIST), Lisbon, Portugal, 23-26 Mar, 2009.

          2008

          • Κωνσταντινίδης Ν., Ευαγγελίδης Γ., Σαμαράς Ν., “Ένας νέος αλγόριθμος συμπίεσης δεδομένων”, Πρακτικά 2ου Πανελλήνιου Επιστημονικού Φοιτητικού Συνεδρίου Πληροφορικής, Φοιτητικό Εύρηκα 2008, Σάμος, 29 Αυγούστου 2008.
          • Karamitopoulos L., Evangelidis G., Dervos D., “Multivariate Time Series Data Mining: PCA-based Measures for Similarity Search”, In Proc. 4th International Conference in Data Mining (DMIN), Las Vegas, Nevada, USA, 14-17 July, 2008.
          • Voulalas G., Evangelidis G., “Developing and Deploying Dynamic Applications – An Architectural Prototype”, In Proc. 3rd International Conference on Software and Data Technologies (ICSOFT), Porto, Portugal, 5-8 July, 2008.
          • Tsagalidis E., Tsitouridis K., Dervos D., Evangelidis G., "Hail Size Estimation and Prediction using Data Mining Techniques", In Proc. 5th European Conference on Radar in Meteorology and Hydrology (ERAD), Poster Presentation, Helsinki, Finland, 30 June - 4 July, 2008. http://erad2008.fmi.fi/proceedings/extended/erad2008-0072-extended.pdf

          2007

          • Asmanidis Y., Dervos D., Evangelidis G., Samaras N., "A Pilot Web Environment Implementing Cascading Citations", In Proc. 2nd International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 328-335, Athens, Greece, 22-23 September, 2007.
          • Karamitopoulos L., Evangelidis G., "PCA-based Similarity Search: Pre-processing & Distance Measures", In Proc. 2nd International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 318-327, Athens, Greece, 22-23 September, 2007.
          • Folias T., Dervos D., Evangelidis G., Samaras N., "Cascading Citation Indexing in Action", In Proc. 2nd International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 290-299, Athens, Greece, 22-23 September, 2007.
          • Voulalas G., Evangelidis G., “A Framework for the development and deployment of evolving applications – The Domain Model”, In Proc. 2nd International Conference on Software and Data Technologies (ICSOFT), Barcelona, Spain, 22-25 July, 2007.
          • Paltoglou G., Salampasis M., Satratzemi M., Evangelidis G., “Using linkage information to approximate the distribution of relevant documents in DIR ”, In Proc. Panhellenic Conference in Informatics (PCI), pp. 423-432, Patras, Greece, 18-20 May, 2007.
          • Karamitopoulos L., Evangelidis G., "Current Trends in Time Series Representation", In Proc. Panhellenic Conference in Informatics (PCI), pp. 217-226, Patras, Greece, 18-20 May, 2007.
          • Dervos, D., Samaras, N., Evangelidis, G., Folias, T., Asmanidis, Y. "The Cascading Citations Analysis Project (C-CAP)", Poster Presentation in 5th CERN workshop on Innovations in Scholarly Communication (OAI5), CERN, Geneva, Switzerland, 18-20 April, 2007. [http://oai5.web.cern.ch/oai5/posters.html#Poster24]
          • Kassapi, E., Anastasiadis-Simeonidis A., Evangelidis G., Tselikas A., Polatoglou H., Voulalas G., Mitsika M., Vavouras T., Ioannidou A., Kassapi-Zontanou M., “Editing Papafi's Archive for Use in Electronic Libraries”, In Proc. Second Virtual Congress on Textual Editing, Romance Literature Department University of Lisbon, 16-21 April, 2007

          2006

          • Folias, T., Dagdilelis, V., Satratzemi, M., Evangelidis, G., “Introducing CS-major Students to parallel programming using StarLogo ”, In Proceedings of the 5th WSEAS International Conference on Education and Educational Technology, pp. 99-103, Tenerife, Canary Islands, Spain, December 16-18, 2006.
          • Dervos D.Α., Samaras N., Evangelidis G., Folias T., "A New Framework for the Citation Indexing Paradigm", In Proc. Annual Meeting of the American Society of Information Science and Technology (ASIS&T), Austin, Texas, USA, 3-8 November, 2006.
          • Tsagalidis E., Evangelidis G., "Prediction of Hail Suppression Program Seeding Parameters using Data Mining Techniques", In Proc. 1st International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 322-329, Tripolis, Greece, 16-17 September, 2006.
          • Karamitopoulos L., Evangelidis G., "Recent Advances in Time-Series Data Mining", In Proc. 1st International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 295-305, Tripolis, Greece, 16-17 September, 2006.
          • Dervos D., Samaras N., Evangelidis G., Hyvarinen J., Asmanidis Y., "The Universal Author Identifier System (UAI_Sys)”, In Proc. 1st International Scientific Conference, eRA: The Contribution of Information Technology to Science, Economy, Society and Education, pp. 330-337, Tripolis, Greece, 16-17 September, 2006.
          • Voulalas G., Evangelidis G., “A framework for the development and deployment of evolving applications - Elaborating on the Model Driven Architecture Towards a Change-Resistant Development Framework”, In Proc. 1st International Conference on Software and Data Technologies (ICSOFT), pp. 22-29, Setubal, Portugal, 11-14 September, 2006.
          • Xinogalos S., Satratzemi M., Dagdilelis V., Evangelidis G., “Teaching OOP with BlueJ: A Case Study”, In Proc. Sixth IEEE International Conference on Advanced Learning Technologies (ICALT), pp. 944-946, Kerkrade, The Netherlands, 5-7 July, 2006.
          • Karamitopoulos L., Evangelidis G., Dervos D., "Control Chart Pattern Recognition - A Time Series Data Mining Approach”, In Proc. 18th National Conference on Planning, Information Retrieval and Knowledge Management, Hellenic Operations Research Society, pp. 195-204, Kozani, Greece, 15-17 June, 2006.

          2005

          • Spyropoulos, C., Dagdilelis, V., Evangelidis, G., “Teaching object-oriented thinking to novice programmers using the AgentSheets environment”, IADIS International Conference, Cognition and Exploratory Learning in Digital Age (CELDA 2005), Porto, Portugal, December 14 -16, 2005.
          • Voulalas, G., Evangelidis, G., “A Framework for the Development and Deployment of Evolving Applications”, In Proceedings of the 2nd Balkan Conference in Informatics (BCI 2005), Ochrid, FYROM, November 17-19, 2005.
          • Καγκάνη, Κ., Δαγδιλέλης, Β., Σατρατζέμη, Μ., Ευαγγελίδης, Γ., “Μία Μελέτη Περίπτωσης της Διδασκαλίας του Προγραμματισμού στη Δευτεροβάθμια Εκπαίδευση με τα LEGO Mindstorms”, On-line Πρακτικά 3ου Πανελλήνιου Συνέδριου “Η Διδακτική της Πληροφορικής”, Κόρινθος, 7-9 Οκτωβρίου 2005.
          • Ξυνόγαλος, Σ., Σατρατζέμη, Μ., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., “Η Διδασκαλία της Κληρονομικότητας στον Προγραμματιστικό Μικρόκοσμο objectKarel”, On-line Πρακτικά 3ου Πανελλήνιου Συνέδριου “Η Διδακτική της Πληροφορικής”, Κόρινθος, 7-9 Οκτωβρίου 2005.
          • Εφόπουλος, Β., Ευαγγελίδης, Γ., Δαγδιλέλης, Β., Κλεφτοδήμος, Α., “Οι δυσκολίες των Αρχάριων Προγραμματιστών”, On-line Πρακτικά 3ου Πανελλήνιου Συνέδριου “Η Διδακτική της Πληροφορικής”, Κόρινθος, 7-9 Οκτωβρίου 2005.
          • Tsagalidis, E.G., Karamitopoulos, L., Evangelidis, G., Dervos, D.A., “Extraction of the Convective Day Category Index using Data Mining Techniques”, Proceedings of the 3rd IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS 2005), Sofia, Bulgaria, 5-7 September, 2005, 692-698.
          • Efopoulos, V., Evangelidis, G., Dagdilelis, V., “WIPE – Pilot Testing and Comparative Evaluation”, Proceedings of the 5th IEEE International Conference on Advanced Learning Technologies (ICALT 2005), pp. 928-932, Kaohsiung, Taiwan, 5-8 July, 2005, 928-932.
          • Ευαγγελίδης, Γ., “Περιβάλλον Διαχείρισης Μαθημάτων Ανοιχτού Κώδικα του Πανεπιστημίου Μακεδονίας”, Πρακτικά 3ου Συνεδρίου για τις ΤΠΕ, Σύρος 13-15 Μαΐου 2005.
          • Εφόπουλος, Β., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., “Η επιλογή της κατάλληλης εισαγωγικής γλώσσας προγραμματισμού για αρχάριους”, Πρακτικά 3ου Συνεδρίου για τις ΤΠΕ, Σύρος 13-15 Μαΐου 2005.

          2004

          • Εφόπουλος, Β., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., “Ένα περιβάλλον για τη συστηµατική διδασκαλία του προγραµµατισµού σε αρχαρίους”, Πρακτικά 4ου Συνέδριου ΕΤΠΕ, 29 Σεπ - 3 Οκτ 2004, Παν/µιο Αθηνών, Αθήνα 2004, 544-546.
          • Nitsos, I., Evangelidis, G., Dervos, D., “Bitmap-Tree Indexing for Set Operations on Free Text”, In Proceedings of the 20th International Conference on Data Engineering (IEEE ICDE), pp.837, Boston, USA, March 30 - April 2, 2004.

          2003

          • Efopoulos, V., Evangelidis, G., Dagdilelis, V., “WIPE (Web Integrated Programming Environment): Design Principles and Architecture”, Proceedings of the 9th Panhellenic Conference in Informatics, pp.461-469, Thessaloniki, 21-23 November, 2003.
          • Εφόπουλος, Β., Ευαγγελίδης, Γ., Δαγδιλέλης, Β., Κασκάλης, Θ., «Ένα μοντέλο διαδικτυακού περιβάλλοντος με υποστήριξη Βάσεων Δεδομένων για τη διδασκαλία των Αρχών του Προγραμματισμού”, Πρακτικά 2ου Πανελληνίου Συνεδρίου των Εκπαιδευτικών για τις ΤΠΕ “Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη”, σελ.733-741, Σύρος 9-11 Μαΐου, 2003.
          • Nitsos, I., Evangelidis, G., Dervos, D., “Compact Binary: an Efficient Non-parameterized Code for Index Compression”, Proceedings of the 1st Balkan Conference in Informatics, pp.255-266, Thessaloniki, 21-23 November, 2003.
          • Nitsos, I., Evangelidis, G., Dervos, D, “g-Binary: a non-parameterized code for inverted file compression”, In Proceedings of the 14th International Conference on Database and Expert Systems Applications (DEXA 2003), Lecture Notes in Computer Science, Springer Verlag, Vol.2736, pp. 464-473, Prague, Czech Republic, September 1-5, 2003.
          • Nitsos, I., Evangelidis, G., Dervos, D., “uγ-Golomb: A new Golomb Code Variation for the Local Bernoulli Model”, In Local Proceedings of the 7th East-European Conference on Advances in Databases and Informations Systems (ADBIS 2003), pp.9-17, Dresden, Germany, September 3-6-2003.
          • Efopoulos, V., Evangelidis, G., Dagdilelis, V., Kaskalis, T., “WIPE - A model for a web-based database-driven environment for teaching programming”, In Proceedings of the 3rd IEEE International Conference on Advanced Learning Technologies (ICALT 2003), IEEE Computer Society (ISBN 0-7695-1967-9), pp.472, Athens, Greece, July 9-11-2003.

          2002

          • Δαγδιλέλης, Β., Σατρατζέμη, Μ., Ευαγγελίδης, Γ., “H Διδασκαλία του Προγραμματισμού στη Δευτεροβάθμια (και Πρωτοβάθμια;) Εκπαίδευση: Ερωτήματα, Στοχεύσεις, Απολογισμός και Προοπτικές”, Πρακτικά 3ου Συνεδρίου ΕΤΠΕ “Οι ΤΠΕ στην Εκπαίδευση”, 26-29/9/2002, Πανεπιστήμιο Αιγαίου, Ρόδος. Τόμος Α’, Επιμ. Α. Δημητρακοπούλου, Εκδόσεις ΚΑΣΤΑΝΙΩΤΗ, 277-278.
          • Σατρατζέμη, Μ., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., «Μια εναλλακτική προσέγγιση διδασκαλίας του προγραμματισμού στη Δευτεροβάθμια Εκπαίδευση», Πρακτικά του 3ου Πανελλήνιου Συνεδρίου με διεθνή συμμετοχή «Οι Τεχνολογίες της Πληροφορίας και της Επικοινωνίας στην Εκπαίδευση», σελ.289-298, Ρόδος, 26-29 Σεπτεμβρίου, 2002.
          • Κανούλας, Ε., Ευαγγελίδης, Γ., «Ευρετηριοποίηση χωροχρονικών δεδομένων με το hBΠ-tree», 1ο Ελληνικό Συμπόσιο Διαχείρισης Δεδομένων ΕΣΔΔ 2002, Ηλεκτρονικά Πρακτικά http://www.dbnet.ece.ntua.gr/HDMS02-proceedings/HDMS02.htm,Αθήνα, 22-23 Ιουλίου, 2002.

          2001

          • Εφόπουλος, Β., Δαγδιλέλης, Β., Σατρατζέμη, Μ., Ευαγγελίδης, Γ., «XWeb-Compiler - Ένα Διαδικτυακό Προγραμματιστικό Περιβάλλον με υποστήριξη Βάσεων Δεδομένων για τη διδασκαλία των αρχών του προγραμματισμού», Πρακτικά του συνεδρίου «Η Πληροφορική στην Εκπαίδευση: Τεχνολογίες, Εφαρμογές, Κατάρτιση Εκπαιδευτικών», σελ.307-314, Ρόδος, 14-15 Δεκεμβρίου, 2001.
          • Nitsos, I., Dervos, D., Evangelidis, G., “S-Index Implementation and Performance for Textbases”, In Proceedings of the 8th Panhellenic Conference on Informatics with international participation, pp.138-147, Nicosia, Cyprus, 8-10 November, 2001.
          • Satratzemi, M., Dagdilelis, V., Evangelidis, G., Efopoulos, V., “An Educational Programming Environment for Novices”, In Proceedings of the 8th Panhellenic Conference on Informatics with international participation, pp.352-361, Nicosia, Cyprus, 8-10 November, 2001.
          • Κασκάλης, Θ.Χ., Δαγδιλέλης, Β., Ευαγγελίδης, Γ., Μαργαρίτης, Κ.Γ., «Αξιοποιώντας τις Εκπαιδευτικές Δυνατότητες του Περιβάλλοντος Ptolemy», Πρακτικά σε ηλεκτρονική μορφή (CD-ROM) του 1ου Πανελληνίου Συνεδρίου για την Ανοικτή και Εξ Αποστάσεως Εκπαίδευση, 30 Ιουνίου 2001.
          • Εφόπουλος, Β., Δαγδιλέλης, Β., Σατρατζέμη, Μ., Κασκάλης, Θ., Ευαγγελίδης, Γ., «DBSchoolLab: Ένα σύστημα για τη διαχείριση ασκήσεων και διαγωνισμάτων στο σχολικό περιβάλλον», Πρακτικά του Πανελλήνιου Συνεδρίου με Διεθνή Συμμετοχή «Νέες Τεχνολογίες στην εκπαίδευση και στην εκπαίδευση από απόσταση», σελ.496-508, Ρέθυμνο, 8-10 Ιουνίου 2001.
          • Nitsos, I., Dervos, D., Evangelidis, G., “Improving on S-Index: A Hybrid Indexing Scheme for Textbases”, In Proceedings of the 3rd International Workshop on Computer Science and Information Technologies (CSIT 2001), pp.137-144, Ufa, Russia, September 21-26, 2001.
          • Kaskalis, T.H., Dagdilelis, V., Evangelidis, G., Margaritis, K.G., “Tight Lower Bound for Matrix Transposition on the Reconfigurable Mesh”, In Proceedings of the 5th Hellenic-European Conference on Computer Mathematics and its Applications (HERCMA 01), pp.337-341, Athens, September 20-22, 2001.
          • Kaskalis, T.H.,, Dagdilelis, V., Evangelidis, G., Margaritis, K.G., “Implementing Applications on Small Robots for Educational Purposes: Programming the LEGO Mindstorms”, In Proceedings of the 5th Hellenic-European Conference on Computer Mathematics and its Applications (HERCMA 01), pp.306-311, Athens, September 20-22, 2001.
          • Evangelidis, G., Dagdilelis, V., Satratzemi, M., “X-Compiler: Yet Another Integrated Novice Programming Environment”, In Proceedings of the IEEE International Conference on Advanced Learning Technology: Issues, Achievements and Challenges (ICALT 2001), IEEE Computer Society (ISBN 0-7695-1013-2), pp.166-169, Madison, WI, USA, 6-8 August 2001.

          2000

          • Dagdilelis, V., Satratzemi, M., Evangelidis, G., “The Interaction between ICT and Didactics”, In on-line Proceedings of the European Conference on Education Research (ECER 2000), Edinburgh, UK, September 20-23, 2000. http://www.leeds.ac.uk/educol/documents/00001706.htm
          • Δαγδιλέλης, Β., Ευαγγελίδης, Γ., Σατρατζέμη, Μ., Εφόπουλος, Β., Κολοβός, Φ., «Το Περιβάλλον Χ: Ενας Μικρόκοσμος για μια Εισαγωγή στον Προγραμματισμό», Πρακτικά σε ηλεκτρονική μορφή (CD-ROM) του Συνεδρίου Πληροφορική και Εκπαίδευση (Σ.Ε.Π.Δ.Ε.Θ.), Θεσσαλονίκη, 11-12 Νοεμβρίου 2000.

          1995

          • Evangelidis, G., Lomet, D., Salzberg, B., “The hBΠ-tree: A Modified hB-tree supporting Concurrency, Recovery, and Node Consolidation”, In Proceedings of the 21st International Conference οn Very Large Databases (VLDB), pp.551-561, Zurich, Switzerland, 11-15 September, 1995 [Also, Technical Report Nr. 1995/3, Universitat Stuttgart, Fakultat Informatik, Institut Parallele und Verteilte Hochstlei-stungsrechner (IPVR)].
          • Άλλα (14 εγγραφές)

          Περιλαμβάνει Παρουσιάσεις σε διεθνή ή ελληνικά συνέδρια χωρίς δημοσίευση σε πρακτικά.

            2009

            • Καραμητόπουλος Λ., Ευαγγελίδης Γ., “Αναζήτηση ομοιότητας με βάση την ανάλυση σε κύριες συνιστώσες”, 5ο Πανελλήνιο Συνέδριο Ανάλυσης Δεδομένων με Διεθνή Συμμετοχή, Ρέθυμνο, 10-12 Σεπτεμβρίου 2009.

            2008

            • Ευαγγελίδης, Γ., “Database Design & Case Tools”, Σεμινάριο στα πλαίσια του έργου “Promoting Information & Communication Technology in Small & Medium Enterprises and Public Bodies in ARCHIMED Zone through Open Source & Free Software – ACRONYM: OpenIT”, Κοινοτικό Πρόγραμμα INTERREG IIIΒ ARCHIMED, Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 13 Δεκεμβρίου 2007, 20 Μαρτίου 2008, 30 Οκτωβρίου 2008.

            2007

            • Ευαγγελίδης, Γ., “Διαχείριση επιχειρηματικής πληροφορίας προερχομένης από ετερογενείς πηγές”, Περιφερειακός Πόλος Καινοτομίας Κεντρικής Μακεδονίας: Τεχνολογική Πλατφόρμα Τεχνολογιών Λογισμικού και Λογισμικού Γνώσης, Money Show 2007, Hyatt Regency Hotel, Θεσσαλονίκη, 1 Δεκ 2007.

            2005

            • Evangelidis, G., “DBTech Pro, WP6 Assemble of the DBTech Pro Certificate”, Interactive Technology in Education (ITK’2005) Conference, Hameenlinna, Finland, April, 2005.

            2004

            • Σατρατζέμη, Μ., Ευαγγελίδης, Γ., Δαγδιλέλης, Β., Εφόπουλος, Β., “Διαδραστικό Εκπαιδευτικό Λογισμικό για Υπολογιστικά Συστήματα (ΔΕΛΥΣ)”, Money Show 2004, Hyatt Regency Hotel, Θεσσαλονίκη, 18 Δεκ 2004.

            2002

            • Ευαγγελίδης, Γ., «Χρήση Η/Υ στον 21ο αιώνα», 14ο Πανελλήνιο Συνέδριο Ελληνικής Εταιρίας Κοινωνικής Παιδιατρικής και Προαγωγής της Υγείας “Ελεύθερος Χρόνος και Παιδί”, Θεσσαλονίκη, 23-25 Μαΐου, 2002.

            2001

            • Παντελίδου, Ο., Βλαχοπούλου, Μ., Ευαγγελίδης, Γ., «Η χρήση GIS στην μελέτη σκοπιμότητας του μετρό Θεσσαλονίκης», 11η Συνάντηση Ελλήνων Χρηστών Γεωγραφικά Συστήματα Πληροφοριών ArcGIS (ArcInfo-ArcView), Αθήνα, 8-9 Νοεμβρίου 2001.

            2000

            • Παντελίδου, Ο., Βλαχοπούλου, Μ., Ευαγγελίδης, Γ., «Στήριξη Αποφάσεων Μάρκετινγκ με τη Χρήση Γεωγραφικών Συστημάτων Πληροφοριών», 10η Συνάντηση Ελλήνων Χρηστών GIS ArcInfo-ArcView, Αθήνα, 9-10 Νοεμβρίου 2000.
            • Κιάφφας, Ζ., Ευαγγελίδης, Γ., Βλαχοπούλου, Μ., «Εύρεση βέλτιστης τοποθεσίας για την κατασκευή τουριστικών λιμένων (μαρίνων) με την χρήση των ΓΣΠ», 10η Συνάντηση Ελλήνων Χρηστών GIS ArcInfo-ArcView, Αθήνα, 9-10 Νοεμβρίου 2000.
            • Ευαγγελίδης, Γ., «Διαδραστικό Εκπαιδευτικό Λογισμικό για Υπολογιστικά Συστήματα (ΔΕΛΥΣ)», Ημερίδα e-learning, Πανεπιστήμιο Μακεδονίας και Ευρωπαϊκό Κέντρο για την Ανάπτυξη της Επαγγελματικής Κατάρτισης CEDEFOP, Θεσσαλονίκη, 3 Νοεμβρίου 2000.
            • Evangelidis, G., Dagdilelis, V., Satratzemi, M., Efopoulos, V., “Educational Software using direct object manipulation techniques to teach Computing Systems”, Παρουσιάστηκε στο 7th International Conference on Integrating Learning Technology (ALT-C 2000), Manchester, UK, September 11-13, 2000.
            • Evangelidis, G., Dagdilelis, V., Efopoulos, V., Satratzemi, M., “FIESTA of CS: A Fully Interactive Educational Software for the Teaching of Computing Systems in Secondary Education”, Poster presentation, World Conference on Educational Multimedia, Hypermedia & Telecommunications (ED-Media 2000), AACE- Association for the Advancement of Computing in Education, Montreal, Canada, June 26-July 1, 2000.

            1998

            • Ευαγγελίδης, Γ., «Σχεδιασμός υποδείγματος για την οργάνωση των πληροφοριών – Πειραματική (πιλοτική) εφαρμογή», Στον τόμο των ερευνητικών αποτελεσμάτων του έργου «Έρευνα για την Αγορά Εργασίας στο Νομό Θεσσαλονίκης», σελ.93-106, παρουσίαση στην ημερίδα «Αγορά Εργασίας του Νομού Θεσσαλονίκης», Διοργάνωση: Δίκτυο Ανάπτυξης Ανθρωπίνων Πόρων Θεσσαλονίκης, Θεσσαλονίκη, 30 Ιουνίου 1998.

            1996

            • Παπαϊωάννου, Π., Ευαγγελίδης, Γ., «Transmodel και ARC/INFO GIS: Πρώτη απόπειρα διασύνδεσης», 6η Συνάντηση Ελλήνων Χρηστών ArcInfo, Αθήνα, 5-6 Νοεμβρίου 1996.
            Wheelchair Blue
            Accessibility Tools
            Fonts PlusIncrease Text
            Fonts MinusDecrease Text
            ContrastHigh Contrast
            GrayscaleGrayscale
            Readable FontReadable Font