Καρακασίδης Αλέξανδρος
  • 2310 891.341
  • a.karakasidis uom.edu.gr
  • Γραφείο: Γ2, 231

    Καρακασίδης Αλέξανδρος

    Ε.ΔΙ.Π. (Εργαστηριακό Διδακτικό Προσωπικό)
    Τμήμα Εφαρμοσμένης Πληροφορικής


    Βιογραφικό

    Διδασκόμενα Μαθήματα


    • BIG DATA-ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΜΕΓΑΛΟΥ ΟΓΚΟΥ
      (CSE701)

    Τύπος
    ΕΠΙΛΟΓΗΣ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    CSE701

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Ζ

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    BIG DATA - ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΜΕΓΑΛΟΥ ΟΓΚΟΥ

    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, ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ, ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ, ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI186/

    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


    Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
    Να αναγνωρίζουν τις πηγές των δεδομένων μεγάλου όγκου καθώς και τα χαρακτηριστικά των δεδομένων αυτών και πώς αυτά τα χαρακτηριστικά επηρεάζουν τη διαχείρισή τους.
    Να γνωρίζουν τις κυριότερες υπάρχουσες πλατφόρμες για δεδομένα μεγάλου όγκου.
    Να εφαρμόζουν προγραμματιστικές έννοιες, δομές και τεχνικές για δεδομένα μεγάλου όγκου.
    Να σχεδιάζουν αλγορίθμους κατάλληλους για ανάλυση δεδομένων μεγάλου όγκου.
    Να χρησιμοποιούν τη γλώσσα Python για να πραγματοποιούν ανάλυση δεδομένων.
    Να γνωρίζουν τους βασικούς υπάρχοντες αλγορίθμους για ανάλυση δεδομένων μεγάλου όγκου
    Να αναγνωρίζουν το είδος προβλήματος ανάλυσης δεδομένων μεγάλου όγκου και να επιλέγουν τους κατάλληλους αλγορίθμους.
    Να σχεδιάζουν αλγορίθμους κατάλληλους για εκτέλεση σε πλατφόρμες δεδομένων μεγάλου όγκου.
    Να δημιουργούν προγράμματα χρησιμοποιώντας  πλατφόρμες δεδομένων μεγάλου όγκου.
    Να ορίζουν την κατάλληλη πλατφόρμα διαχείρισης δεδομένων μεγάλου όγκου για επίλυση ενός προβλήματος

    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…

    …….


    Το μάθημα αποσκοπεί στην ανάπτυξη των παρακάτω γενικών ικανοτήτων:
    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
    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]


    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    Εισαγωγή στην Ανάλυση Δεδομένων Μεγάλου Όγκου - Πλατφόρμες Δεδομένων Μεγάλου Όγκου. Εισαγωγή στη σχεδίαση αλγορίθμων με MapReduce..
    Σχεδίαση αλγορίθμων με MapReduce - εξειδικευμένα θέματα. 
    Hadoop: Φιλοσοφία, αρχιτεκτονική, εργαλεία. Το κατανεμημένο σύστημα αρχείων HDFS.
    Εργαστήριο: Πρακτική εξάσκηση με Hadoop MapReduce. Εγκατάσταση και προγραμματισμός με Hadoop MapReduce.
    Apache Spark. Φιλοσοφία, αρχιτεκτονική, εγκατάσταση, προγραμματισμός  παραδείγματα.
    Εργαστήριο Python για την ανάλυση δεδομένων. Χρήση Jupyter Notebook.
    Εύρεση ομοίων στοιχείων: Μετρικές ομοιότητας, Μέθοδος LSH.
    Ανάλυση Ροών Δεδομένων: Δειγματοληψία, Μέτρηση στοιχείων. Φίλτρα Bloom.
    Εργαστήριο: Εγκατάσταση Spark. Spark και Minhash, LSH,  Apache Spark Streaming για ροές δεδομένων
    Αλγόριθμοι Δεδομένων Μεγάλου Όγκου (Συσταδοποίηση - clustering): K-means. (Κατηγοριοποίηση - classification): Naive Bayes,
    Αλγόριθμοι Δεδομένων Μεγάλου Όγκου (Κανόνες Συσχέτισης): Συχνά στοιχειοσύνολα, Αλγόριθμος a-priori, Αλγόριθμος FP-growth.
    Εργαστήριο: Μηχανική Μάθηση και Apache Spark
    Συστήματα NoSQL για αποθήκευση δεδομένων μεγάλης κλίμακας

    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 των πλατφορμών Apache Hadoop και Apache Spark για ανάλυση δεδομένων μεγάλης κλίμακας. HBase και HDFS για αποθήκευση δεδομένων μεγάλης κλίμακας. Χρήση της πλατφόρμας υπολογιστικής νέφους okeanos.grnet.gr για δημιουργία εικονικών μηχανών με σκοπό τη χρήση πλατφορμών ανάλυσης δεδομένων μεγάλης κλίμακας. Χρήση Jupyter Notebooks, Eclipse για προγραμματισμό.
    Διαφάνειες και επιδείξεις λογισμικών μέσω υπολογιστή και προβολικού.
    Χρήση της πλατφόρμα openeclass για την επικοινωνία με τους φοιτητές, ανάρτηση διαφανειών διαλέξεων, υλικού, εργασιών και ανακοινώσεων.
    Χρήση Google docs για τον διαμοιρασμό υλικού και οδηγιών κατά την διεξαγωγή του μαθήματος.
    Επίλυση αποριών και επικοινωνία με τους φοιτητές, πλέον της διά ζώσης και μέσω βιντεοκλήσεων,, openeclass, και email.

    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

    27

    Εργαστηριακή Άσκηση

    12

    Μη καθοδηγούμενη μελέτη

    39

    Εκπόνηση μελέτης

    67

    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.

    Η αξιολόγηση των φοιτητών βασίζεται σε δύο άξονες.
    Ο πρώτος αφορά τη γραπτή εξέταση στο τέλος του εξαμήνου η οποία περιλαμβάνει επίλυση προβλημάτων και αποσκοπεί στην αποτίμηση της κατανόησης των μεθόδων που διδάχθηκαν στο μάθημα. Ο βαθμός της γραπτής εξέτασης αποτελεί το 50% του τελικού βαθμού.
    Ο δεύτερος άξονας αφορά την αξιολόγηση των φοιτητών στα πλαίσια δύο προγραμματιστικών εργασιών που διεξάγονται κατά τη διάρκεια του εξαμήνου του μαθήματος. Κάθε μία από τις εργασίες αυτές αποτελεί το 25% του τελικού βαθμού (συνολικά 50%).

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    Anand Rajaraman, Jeffrey David Ullman, Jure Leskovec: Εξόρυξη από Μεγάλα Σύνολα Δεδομένων - 3η Έκδοση, Εκδόσεις Νέων Τεχνολογιών 2020, Αθήνα.
    Tan Pang - Ning, Steinbach Michael, Kumar Vipin: Εισαγωγή στην εξόρυξη δεδομένων, Εκδόσεις Σ Α. Τζιόλα  ΥΙΟΙ, 2010, Αθήνα.
    Mohammed J. Zaki, Wagner Meira Jr: Εξόρυξη και ανάλυση δεδομένων: βασικές έννοιες και αλγόριθμοι. Εκδόσεις κλειδάριθμος ΕΠΕ, 2017, Αθήνα
    Βαζυργιάννης Μιχάλης, Χαλκίδη Μαρία: Εξόρυξη γνώσης από βάσεις δεδομένων και τον παγκόσμιο ιστό, Τυπωθήτω, 2005, Αθήνα..
    Fabio Nelli: Python Data Analytics: Data Analysis and Science Using Pandas, matplotlib, and the Python Programming Language, 2015, Springer (Διαθέσιμο μέσω HealLink).
    Mohammed Guller: Big Data Analytics with Spark, 2015, Springer (Διαθέσιμο μέσω HealLink).
    Jimmy Lin and Chris Dyer: Data-Intensive Text Processing with MapReduce, Morgan  Claypool Publishers, 2010. Διαθέσιμο στο: http://lintool.github.io/MapReduceAlgorithms/
    Jure Leskovec, Anand Rajaraman, Jeff Ullman: Mining of Massive Datasets , διαθέσιμο στο: http://www.mmds.org/

    - Συναφή επιστημονικά περιοδικά:
    The VLDB Journal
    (http://vldb.org/vldb_journal/)
    Big Data research
    (https://www.journals.elsevier.com/big-data-research)
    Journal of Big Data
    (https://link.springer.com/journal/40537)
    Transactions on Knowledge and Data Engineering
     (https://www.computer.org/web/tkde)
    Journal of Parallel and Distributed Computing (https://www.journals.elsevier.com/journal-of-parallel-and-distributed-computing)
    • ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΓΙΑ ΚΙΝΗΤΕΣ ΣΥΣΚΕΥΕΣ
      (AIC601)

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIC601

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    ΣΤ

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΓΙΑ ΚΙΝΗΤΕΣ ΣΥΣΚΕΥΕΣ

    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

    ΜΑΘΗΜΑΤΑ ΕΠΙΣΤΗΜΟΝΙΚΗΣ ΠΕΡΙΟΧΗΣ

    ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

     

    ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΗ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΝΑΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    Μέσω e-class

    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 επιτυχή περάτωση του μαθήματος ο φοιτητής θα είναι σε θέση:
    να διακρίνει τους περιορισμούς στους οποίους υπόκειται η ανάπτυξη λογισμικού σε κινητές συσκευές (π.χ., μέγεθος οθόνης, μέγεθος μνήμης, ταχύτητα επεξεργαστή, περιορισμένη συνδεσιμότητα)
    να εφαρμόζει αρχές σχεδίασης σε λογισμικό για κινητές συσκευές
    να υλοποιεί προγράμματα Java σε κινητές συσκευές με λειτουργικό σύστημα Android
    να υλοποιεί εφαρμογές με κλήση απομακρυσμένων Web Services.

    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
    Αυτόνομη εργασία
    Ομαδική εργασία

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    Εισαγωγή στις κινητές εφαρμογές και στα «έξυπνα τηλέφωνα».
    Παρουσίαση τρόπου ανάπτυξης εφαρμογών για την πλατφόρμα Android
    Προχωρημένα θέματα δομής εφαρμογών Android.
    Εισαγωγή και εμβάθυνση στο γραφικό περιβάλλον διασύνδεσης με το χρήστη
    Χειρισμός τοπικών μέσων αποθήκευσης. Αποθήκευση και ανάκτηση αρχείων.
    Προχωρημένα θέματα διαχείρισης αποθηκευτικών μέσων. Βάσεις δεδομένων
    Αναπαραγωγή και καταγραφή πολυμέσων
    Αξιοποίηση των αισθητήρων των κινητών συσκευών
    Κλήση απομακρυσμένων λειτουργιών

    ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

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

    Διαλέξεις με φυσική παρουσία (πρόσωπο με πρόσωπo)

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

    Χρήση Τ.Π.Ε. στη Διδασκαλία
    Αξιοποιούνται εργαλεία που υποστηρίζουν τη διαδικασία ανάπτυξης λογισμικού (Intergraded Development Environments , Version Control Systems, κ.α.) και πραγματοποιείται επίδειξή τους στο μάθημα
    Για την εκπόνηση της ομαδικής εργασίας οι φοιτητές χρησιμοποιούν πληθώρα εργαλείων λογισμικού (γλώσσες προγραμματισμού, ολοκληρωμένα περιβάλλοντα ανάπτυξης, εργαλεία σχεδίασης, κ.α.)
    Η διδασκαλία υποστηρίζεται με τη χρήση διαφανειών (αρχεία PowerPoint) και την επίδειξη/ανάπτυξη πηγαίου κώδικα στη γλώσσα προγραμματισμού Java

    Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
    Ανάρτηση εκπαιδευτικού υλικού (διαφάνειες, επιστημονικά άρθρα, ασκήσεις, case studies κτλ.) στην ιστοσελίδα του μαθήματος (e-class). Χρήση ανακοινώσεων μέσω e-class. Επίσης, υπάρχει επικοινωνία μέσω email.

    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 ώρες

    Συγγραφή Εργασιών

    60 ώρες

    Μελέτη / προετοιμασία για τις εξετάσεις

    50 ώρες

    Σύνολο Μαθήματος

    149 ώρες

     

    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.

    Γλώσσα αξιολόγησης: Ελληνική
    Η αξιολόγηση συνίσταται σε:
    Γραπτή αξιολόγηση στο τέλος του εξαμήνου (70%)
    Αξιολόγηση ομαδικής και  ατομικής εργασίας (30%)
    Η εξέταση πραγματοποιείται στο εργαστήριο και αφορά στην επίλυση προβλήματος μέσω προγράμματος Java.
     
    Τα κριτήρια αξιολόγησης είναι αναρτημένα στην ιστοσελίδα του μαθήματος

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    Android Προγραμματισμός, 2η Εκδοση, Paul Deitel, Harvey Deitel, Abbey Deitel, Γκιούρδας 2014
    Εισαγωγή στον προγραμματισμό Android, Ι. Ν. Έλληνας, Ν. Ι. Έλληνας, Εκδόσεις Τζιόλα, 2014

    Συναφή επιστημονικά περιοδικά
    https://www.journals.elsevier.com/pervasive-and-mobile-computing
    https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=7755
    https://www.igi-global.com/journal/international-journal-mobile-computing-multimedia/1102
    • ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΚΑΙ ΜΕΓΑΛΑ ΔΕΔΟΜΕΝΑ
      (SD0101)

    Τύπος
    ΕΠΙΛΟΓΗΣ

    Κωδικός Τμήματος
    MAI

    Τμήμα
    Π.Μ.Σ. ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ

    Περιγραφή

    Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

    • ΔΙΑΔΙΚΑΣΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
      (AIC103)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIC103

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Α

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΔΙΑΔΙΚΑΣΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

    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

     

    4

    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:

    ΕΛΛΗΝΙΚΗ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI121/

    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

    Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι ικανοί να:
    να εφαρμόζουν τις βασικές αρχές ανάπτυξης λογισμικού σε μια διαδικαστική γλώσσα προγραμματισμού,
    να συγγράφουν κώδικα σύμφωνα με το συντακτικό της γλώσσας C, κλασσικού αντιπρόσωπου της διαδικαστικής σχολής προγραμματισμού,
    να κατανοούν την έννοια του τύπου δεδομένων και των συναφών λειτουργιών (operations), και να συνθέτουν πολύπλοκους νέους τύπους βασιζόμενοι σε πρωταρχικούς, στοχεύοντας στην ορθή αναπαράσταση των δεδομένων του προς επίλυση προβλήματος,
    να  αξιοποιούν σε προγράμματα την έννοια της συνάρτησης, του τύπου της, των παραμέτρων και της εμβέλειας των μεταβλητών και της κλήσης, και να μπορούν να ορίζουν ορθά νέες συναρτήσεις σε μια γλώσσα προγραμματισμού,
    να σχεδιάζουν και να αναπτύσσουν μικρού μεγέθους προγράμματα, αξιολογώντας και επιλέγοντας κατάλληλες προγραμματιστικές δομές (εντολές ελέγχου ροής, εντολές επανάληψης) και τους αντίστοιχους  βασικούς/σύνθετους τύπους δεδομένων,
    να συνθέτουν λύσεις σε περισσότερο πολύπλοκα προβλήματα, χρησιμοποιώντας τις έννοιες της αφαίρεσης (abstraction) και αποδόμησης (decomposition) βασισμένη σε διαδικασίες.

    Με βάση την ταξινομία του Bloom τα ΜΑ καλύπτουν και τις 6 κατηγορίες:  γνώση, κατανόηση, εφαρμογή, ανάλυση, σύνθεση και αξιολόγηση. 

    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…

    …….


    Αυτόνομη εργασία
    Άσκηση κριτικής και αυτοκριτικής
    Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    Προσαρμογή σε νέες καταστάσεις
    Λήψη αποφάσεων
    Εργασία σε διεθνές περιβάλλον
    Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    Εισαγωγή στις γλώσσες προγραμματισμού. Περιβάλλοντα ανάπτυξης γλωσσών προγραμματισμού.
    Βασικές έννοιες της γλώσσας C: Η έννοια της μεταβλητής, τύποι μεταβλητών, απόδοση τιμής, τελεστές και παραστάσεις., βασικοί τύποι δεδομένων.
    Ροή Ελέγχου: Εντολές Διακλάδωσης υπό συνθήκη, Εντολές επανάληψης. Διαδικαστικός Προγραμματισμός: Συναρτήσεις.
    Δείκτες.
    Δομημένοι τύποι δεδομένων: Πίνακες, Αλφαριθμητικά, Εγγραφές/δομές  πίνακες Εγγραφών/δομών,
    Δείκτες και συναρτήσεις, Δείκτες και πίνακες. Δείκτες και αλφαριθμητικά. Αριθμητική διευθύνσεων. Δυναμική διαχείριση μνήμης
    Είσοδος και Έξοδος: Αρχεία κειμένου
    Χρήση του προγραμματιστικού περιβάλλοντος Code:Blocks, Ανάπτυξη, δοκιμή και αποσφαλμάτωση προγραμμάτων (εργαστηριακό μέρος μαθήματος).
    Ανάπτυξη προγραμμάτων μικρού και μεσαίου μεγέθους στο εργαστήριο και κατ’ οίκον εργασία.

    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 Τ.Π.Ε. στη Διδασκαλία (Ηλεκτρονικές Διαφάνειες, Επίδειξη προγραμμάτων)

    Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση (Ολοκληρωμένο περιβάλλον ανάπτυξης)
    Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές (Σύστημα Διαχείρισης Μαθημάτων Compus).

    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 Ασκηση-Φροντιστήριο

    26

    Μη καθοδηγούμενη Μελέτη

    60

    Συγγραφή Εργασιών (Παράδοση Εβδομαδιαίων  Ασκήσεων)

    36

    Εξετάσεις

    2

    Σύνολο Μαθήματος

    150

     

    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.

    Εξέταση γραπτή στο τέλος του εξαμήνου σε εργαστήριο,
    Κατ’ οίκον εβδομαδιαίες εργασίες ανάπτυξης κώδικα. Περίπου 3 προγράμματα /βδομάδα Χ 12 βδομάδες = ~36 προγράμματα μικρού και μεσαίου μεγέθους αναπτύσσει κάθε φοιτητής το εξάμηνο
    Τόσο η τελική εξέταση όσο και οι εβδομαδιαίες εργασίες στοχεύουν στην επίλυση προβλημάτων με την ανάπτυξη αλγόριθμων και υλοποίηση τους σε πρόγραμμα με τη γλώσσα προγραμματισμού C.
    Προσδιορισμένα κριτήρια
    Το (1) συμβάλλει στο 85%
    Το (2) συμβάλλει στο 15%
    Προσβάσιμα στους φοιτητές μέσω της ιστοσελίδας τους μαθήματος

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    Βιβλίο [68384925]: Η ΓΛΩΣΣΑ C ΣΕ ΒΑΘΟΣ, ΝΙΚΟΣ Μ. ΧΑΤΖΗΓΙΑΝΝΑΚΗΣ, ISBN: 978-960-461-715-9, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2017
    Βιβλίο [13767]: Η ΤΕΧΝΗ ΚΑΙ ΕΠΙΣΤΗΜΗ ΤΗΣ C: ΜΙΑ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ, ERIC S. ROBERTS, ISBN: 960-209-791-4, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2004
    Βιβλίο [68370518]: Εισαγωγή στη γλώσσα C, με παραδείγματα και ασκήσεις, Αλέξανδρος Καράκος ISBN: 9789609340694, ΚΑΡΑΚΟΣ ΣΠΥΡΙΔΩΝ, ΕΚΔΟΣΗ ΒΙΒΛΙΩΝ,  2012
    Βιβλίο [68383623]: C: Από τη Θεωρία στην Εφαρμογή, Γ. Σ. Τσελίκης - Ν. Δ. Τσελίκας, ISBN: 978-960-93-1961-4, 2016
    Βιβλίο [102071593]:  Αρχές και τεχνικές προγραμματισμού με τη γλώσσα C, Hanly Jeri R., Koffman Elliot B. (Συγγρ.) - Καρακαπιλίδης Νίκος, Βράκας Δημήτρης, Κυριαζής Δημοσθένης (Επιμ.), Εκδόσεις Κριτική ΑΕ, ISBN 978-960-586-377-7, 2021

    - Συναφή επιστημονικά περιοδικά:
    ACM Transactions on Programming Languages and Systems, ACM
    IEEE Software, IEEE
    Information and Software Technology, Elsevier

     

    • ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ
      (AIC205)

    Τύπος
    ΥΠΟΧΡΕΩΤΙΚΟ

    Κωδικός Τμήματος
    AI

    Τμήμα
    ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    Περιγραφή

    ΓΕΝΙΚΑ

    ΣΧΟΛΗ

    ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ

    ΤΜΗΜΑ

    ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

    ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

    ΠΡΟΠΤΥΧΙΑΚΟ

    ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

    AIC205

    ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

    Β

    ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

    ΔΟΜΕΣ 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:

     

    ΔΙΑΔΙΚΑΣΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ, ΑΛΓΟΡΙΘΜΟΙ

    ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

    ΕΛΛΗΝΙΚΑ

    ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

    ΟΧΙ

    ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

    https://openeclass.uom.gr/courses/DAI182/

    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


    Ο στόχος του μαθήματος είναι η μελέτη των δομών δεδομένων και εστιάζεται σε δύο αλληλοσυμπληρούμενους άξονες: α) την αναγνώριση και ανάπτυξη χρήσιμων μαθηματικών μοντέλων (Αφηρημένοι Τύποι Δεδομένων, ΑΤΔ) και των πράξεων τους, καθώς και τον προσδιορισμό των κατηγοριών των προβλημάτων που μπορούν να επιλύσουν και β) την ανάπτυξη μεθόδων αναπαράστασης και υλοποίησης των ΑΤΔ και των πράξεων τους στη διαδικαστική γλώσσα προγραμματισμού C.
    Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
    - να γνωρίζουν  την κατάλληλη χρήση των δομών δεδομένων. [Εξοικείωση]
    - να περιγράφουν  κοινές εφαρμογές για κάθε μία από τις ακόλουθες δομές δεδομένων: σύνολο , στοίβα, ουρά, συνδεδεμένη λίστα,  Δυαδικό Δένδρο Αναζήτησης, Σωρό, κατακερματισμό. (Εξοικείωση)
    - να αναπτύσσουν προγράμματα όπου θα χρησιμοποιούν κάθε μία από τις παραπάνω δομές δεδομένων. (Χρήση)
    - να συγκρίνουν τις εναλλακτικές υλοποιήσεις των δομών δεδομένων σε σχέση με τις επιδόσεις. (Εκτίμηση)
    - να συγκρίνουν και να αντιπαραβάλουν το κόστος και τα οφέλη των υλοποιήσεων των δυναμικών και στατικών  δομών δεδομένων. (Εκτίμηση)
    - να επιλέγουν  την κατάλληλη δομή δεδομένων για τη μοντελοποίηση ενός δεδομένου προβλήματος. (Εκτίμηση)
    - να υλοποιούν έργα (projects) που απαιτούν την εφαρμογή  των παραπάνω δομών δεδομένων (Εφαρμογή)

    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…

    …….


    Το μάθημα αποσκοπεί στις ακόλουθες γενικές ικανότητες:
    - Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
    - Λήψη αποφάσεων
    - Αυτόνομη εργασία
    - Εργασία σε διεθνές περιβάλλον
    - Εργασία σε διεπιστημονικό περιβάλλον
    - Παράγωγή νέων ερευνητικών ιδεών
    - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ [Syllabus]


    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
    Εισαγωγή στις δομές δεδομένων, Αφηρημένος Τύπος Δεδομένων (ΑΤΔ).
    Στοίβα (stack), βασικές πράξεις, υλοποίηση στοίβας με πίνακα, εφαρμογές με τη χρήση στοίβας.
    Ουρά (queue), βασικές πράξεις, υλοποίηση ουράς με πίνακα, εφαρμογές με τη χρήση ουράς.
    Λίστα (list), βασικές πράξεις, υλοποίηση λίστας με σειριακή αποθήκευση.
    Συνδεδεμένη Λίστα (ΣΛ, linked list) , υλοποίηση με χρήση δεικτών, υλοποίηση στοίβας, ουράς ως ΣΛ, εφαρμογές ΣΛ.
    Δέντρα, Δυαδικά Δέντρα (ΔΔ, binary trees), βασικές πράξεις, υλοποίηση ΔΔ με πίνακα, με δείκτες και με αναδρομή, εφαρμογές ΔΔ: κώδικες Huffman.
    Πλήρη ΔΔ, Μέγιστα/Ελάχιστα δέντρα, Σωρός.
    Κατακερματισμός (hashing), ανοιχτής διεύθυνσης (open probing) και αλυσίδες συνωνύμων (chaining),  υλοποίηση πίνακα κατακερματισμού (hash table).
    Β-Δέντρα, βασικές πράξεις.
    AVL - Δέντρα, βασικές πράξεις.

    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

    – Ολοκληρωμένο περιβάλλον προγραμματισμού ( Code::Blocks, ανοικτού κώδικα λογισμικό), gcc compiler
    – Διαφάνειες
    – Ιστοχώρος του μαθήματος με σημειώσεις.
    – Ανακοινώσεις και περιοχή συζητήσεων για επίλυση αποριών σε πλατφόρμα ασύγχρονης τηλεκπαίδευσης (eclass)

    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 Ασκηση-Φροντιστήριο

    12

    Μη καθοδηγούμενη Μελέτη

    60

    Συγγραφή Εργασιών (Παράδοση Εβδομαδιαίων  Ασκήσεων)

    35

    Εξετάσεις

    2

    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.


    Εξέταση γραπτή στο τέλος του εξαμήνου που περιλαμβάνει επίλυση προβλημάτων
    Κατ’ οίκον εβδομαδιαίες εργασίες ανάπτυξης κώδικα. Περίπου 3 προγράμματα /βδομάδα Χ 12 βδομάδες = ~36 προγράμματα μικρού και μεσαίου μεγέθους αναπτύσσει κάθε φοιτητής το εξάμηνο
    Τόσο η τελική εξέταση όσο και οι εβδομαδιαίες εργασίες στοχεύουν στην επίλυση υπολογιστικών προβλημάτων μέσω της εφαρμογής των δομών δεδομένων με την ανάπτυξη αλγόριθμων και υλοποίηση τους σε πρόγραμμα με τη γλώσσα προγραμματισμού C.
    Προσδιορισμένα κριτήρια
    Το (1) συμβάλλει στο 80%
    Το (2) συμβάλλει στο 20%
    Προσβάσιμα στους φοιτητές μέσω της ιστοσελίδας τους μαθήματος

    ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

    - Προτεινόμενη Βιβλιογραφία:
    - Νικόλαος Μισυρλής. Δομές Δεδομένων με C. Εκδ. ΕΚΠΑ, 2008.
    - Μποζάνης Παναγιώτης Δ.. Δομές Δεδομένων, 2η Έκδοση. Εκδ. Τζιόλα, 2016.
    - Bruno R. Preiss, Επιστ. Επιμ. Κώστας Κοντογιάννης. Δομές Δεδομένων και Αλγόριθμοι με Αντικειμενοστρεφή Σχεδιαστικά Μορφήματα στη C++. Εκδ. Πεδίο, 2016.
    - Sahnii Sartaj. Δομές δεδομένων, αλγόριθμοι και εφαρμογές C++. Εκδ. Τζιόλα, 2004.
    - Συναφή επιστημονικά περιοδικά:
    - ACM Transactions on Computer Systems
    - Algorithms
    - Journal of Graph Algorithms and Applications
    - Theoretical Computer Science
    - Journal of Discrete Algorithms

    Δημοσιεύσεις


    • Βιβλία (3 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.

      2020

      • N. Sachpenderis, G. Koloniari, A. Karakasidis, COTILES: Leveraging Content and Structure for Evolutionary Community Detection. Transactions on Large-Scale Data-and Knowledge-Centered Systems XLV, (pp. 56-84). Springer, Berlin, Heidelberg.

      2019

      • A. Karakasidis, G. Koloniari: Private Entity Resolution for Big Data on Apache Spark Using Multiple Phonetic Codes. In Big Data Recommender Systems: Recent trends and advances (2019). IET. ISBN: 978-1-78561-975-5, 283-302

      2011

      • A. Karakasidis, V. S. Verykios: Privacy Preserving Record Linkage. In E-Activity and Intelligent Web Construction: Effects of Social Design Book Series (2011), IGI Global. ISBN:1615208712, 22-34.
      • Επιστημονικά Περιοδικά (4 εγγραφές)

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

        2021

        • D. Eke, I. E.J. Aasebø, S. Akintoye, W. Knight, A. Karakasidis, E. Mikulan, P. Ochang, G. Ogoh, R. Oostenveld, A. Pigorini, B. Carsten Stahl, T. White, L. Zehl, Pseudonymisation of neuroimages and data protection: Increasing access to data while retaining scientific utility, Neuroimage: Reports, Volume 1, Issue 4, 100053, ISSN 2666-9560.

        2018

        • Α. Karakasidis, G. Pallis, M. D. Dikaiakos, Two-Hop Privacy-Preserving Nearest Friend Searches, Knowledge and Information Systems, December 2018, DOI: 10.1007/s10115-018-1313-8, ISSN: 0219-3116.

        2011

        • Α. Karakasidis, V. S. Verykios, Secure Blocking + Secure Matching = Secure Record Linkage. Journal of Computing Science and Engineering, Vol. 5, Number 3, September 2011, 223-235.

        2009

        • V. S. Verykios., A. Karakasidis, and V Mitrogiannis. Privacy Preserving Record Linkage Approaches. International Journal of Data Mining, Modeling and Management, Vol. 1, Issue: 2, 2009, 206-221.
        • Συνέδρια (22 εγγραφές)

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

          2022

          • K. Razgkelis, A. Karakasidis. PRES3: Private Record Linkage using Services, Spark and Soundex. The 20th International Conference on Service-Oriented Computing.
          • A. Karakasidis, G. Koloniari, Efficient Privacy Preserving Record Linkage at Scale using Apache Spark. The 2022 IEEE International Conference on Big Data
          • A. Karakasidis, G. Koloniari. More Sparking Soundex-based Privacy-Preserving Record Linkage. 2022 International Symposium on Algorithmic Aspects of Cloud Computing

          2021

          • O. R. Nerantzis, A. Tselios, A Karakasidis, MI-OPJ: A Microservices-based Online Programming Judge. 2021 IEEE International Conference on Big Data (Big Data). 5969-5971.
          • X. Mullaymeri, A. Karakasidis, Using Fuzzy Vaults for Privacy Preserving Record Linkage. 23rd International Workshop on Design, Optimization, Languages and Analytical Processing of Big Data, 101-110.
          • X. Mullaymeri, A. Karakasidis, A Two-party Private String Matching Fuzzy Vault Scheme. The 36th ACM/SIGAPP Symposium On Applied Computing, 340-343.

          2020

          • O. Tsilingeridis, A. Karakasidis, MILMS: A Microservices-based Learning Management System. 2020 IEEE Conferenece on Big Data, 5843-5845.
          • D. Tourgaidis, A. Karakasidis, Event-centric Microservices for E-states. The 9th International Conference on Electronic Government and the Information Systems Perspective, 78-88.

          2019

          • N. Sachpenderis, A. Karakasidis, G. Koloniari. Structure and Content based Community Detection in Evolving Social Networks. The 11th International ACM Conference on Management of Digital EcoSystems, 2019.
          • A. Karakasidis, E Pitoura. Identifying Bias in Name Matching Tasks. 22nd International Conference on Extending Database Technology, (2019), 626-629.

          2017

          • A. Karakasidis, G. Koloniari. Phonetics-based Parallel Privacy Preserving Record Lin- kage. The 12th International Conference on P2P, Parallel, Grid, Cloud and Internet Com- puting, (2017), 179-190.

          2015

          • A. Karakasidis, G. Koloniari and V.S. Verykios. Privacy Preserving Blocking and Meta-Blocking. Proceedings, Part III, of the European Conference ECML PKDD 2015 on Machine Learning and Knowledge Discovery in Databases, (2015), 232-236.
          • A. Karakasidis, G. Koloniari and V.S. Verykios. Scalable Blocking for Privacy Preserving Record Linkage. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, (2015), 527-536.
          • A. Karakasidis, G. Koloniari and V.S. Verykios. PRIVATEER: A Private Record Linkage Toolkit. Proceedings of the CAiSE 2015 Forum at the 27th International Conference on Advanced Information Systems Engineering, co-located with CAiSE 2015, (2015), 197-204.

          2013

          • A. Karakasidis, V. S. Verykios: A Simulator for Privacy Preserving Record Linkage. Proceedings of the 2nd Mining Humanistic Data Workshop, co-located with Engineering Applications of Neural Networks: 14th International Conference, EANN 2013, Halkidiki, Greece, September 13-16, 2013 (2013), Part II, 164-173.

          2012

          • A. Karakasidis, V. S. Verykios: Reference Table Based k-Anonymous Private Blocking. Proceedings of the 27th Annual ACM Symposium on Applied Computing (2012), 859-864.
          • A. Karakasidis, V. S. Verykios: A Sorted Neighborhood Approach to Multidimensional Privacy-Preserving Blocking. Proceedings of the 2012 IEEE 12th International Conference on Data Mining 2012 PhD Forum, (2012), 937-944.
          • A. Karakasidis, V. S. Verykios: A Highly Efficient and Secure Multidimensional Blocking Approach For Privacy Preserving Record Linkage. Proceedings of the 2012 IEEE 24th International Conference on Tools with Artificial Intelligence (2012), vol. 01, 428-435.

          2011

          • A. Karakasidis, V. S. Verykios, P. Christen: Fake Injection Strategies for Private Phonetic Matching. Proceedings of the 6th International Workshop on Data Privacy Management, co-located with the 6th international conference, and 4th international conference on Data Privacy Management and Autonomous Spontaneus Security, 9-24.

          2009

          • A. Karakasidis, V. S. Verykios: Privacy Preserving Record Linkage Using Phonetic Codes. Proceedings of the 4th Balkan Conference in Informatics, (2009), 101-106.

          2005

          • A. Karakasidis, P. Vassiliadis, E. Pitoura: ETL Queues for Active Data Warehousing. Proceedings of the 2nd International Workshop on Information Quality in Information Systems (IQIS), co-located with SIGMOD 2005, (2005), 28-39.

          2002

          • A. Karakasidis, E. Pitoura: DBGlobe: A Data-Centric Approach to Global Computing. Proceedings of the 2nd International Workshop on Smart Appliances and Wearable Computing (IWSAWC), co-located with the 22nd International Conference on Distributed Computing Systems, (2002), 735-740.
          • Άλλα (3 εγγραφές)

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

            2019

            • A. Karakasidis, E Pitoura. Identifying Bias in Name Matching Tasks. Hellenic Data Management Symposium (2019).

            2018

            • Α. Karakasidis, G. Pallis, M. D. Dikaiakos, Two-Hop Privacy-Preserving Nearest Friend Searches, Hellenic Data Management Symposium (2019).

            2016

            • A. Karakasidis, G. Koloniari, V.S. Verykios: Scalable Blocking for Privacy Preserving Record Linkage. Hellenic Data Management Symposium (2016).
            Wheelchair Blue
            Accessibility Tools
            Fonts PlusIncrease Text
            Fonts MinusDecrease Text
            ContrastHigh Contrast
            GrayscaleGrayscale
            Readable FontReadable Font