Curriculum

Programme Overview

Duration: 4 years (8 semesters)

Total ECTS: 240 (120–124 US credits)

Language: English

Standard: ACM Guidelines 2017 & 2020

Course Listing by Semester

8 Semesters Εξαμηνα
42 Courses Μαθηματα
295 Total ECTS Συνολο ECTS
26 Required Υποχρεωτικα
16 Elective Επιλογής
Foundation Κορμού
General Educ Γενικά
Foundation Upper Κορμού - Ειδίκευσης
Elective Επιλογή
Semester I Εξαμηνο I 5 courses μαθηματα · 30 ECTS
Introduction to Computing Εισαγωγή στην Πληροφορική Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
The course is introductory and designed for first-semester undergraduate students. Δεν υπάρχουν τυπικά προαπαιτούμενα. Το μάθημα είναι εισαγωγικό και σχεδιασμένο για φοιτητές 1ου εξαμήνου.
Self-study Προτεινομενος χρονος μελετης
88 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:
- understand the basic concepts of computing and computational thinking,
- analyze simple problems and transform them into solution steps,
- write basic programs in Python,
- use variables, control structures, loops, and functions,
- develop small applications with proper structure and documentation,
- use digital tools for learning and problem solving. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν να:
- κατανοούν τις βασικές έννοιες της πληροφορικής και της υπολογιστικής σκέψης,
- αναλύουν απλά προβλήματα και να τα μετατρέπουν σε βήματα επίλυσης,
- γράφουν βασικά προγράμματα σε Python,
- χρησιμοποιούν μεταβλητές, δομές ελέγχου, επαναλήψεις και συναρτήσεις,
- αναπτύσσουν μικρές εφαρμογές με σωστή δομή και τεκμηρίωση,
- αξιοποιούν ψηφιακά εργαλεία για μάθηση και επίλυση προβλημάτων.
Content Περιεχομενο
Introduction to computing and the basic principles of computational thinking. Introduction to the Python programming language and the development environment, variables, operators, control structures, loops, data structures, functions, and the solution of simple programming problems. Basic concepts of program organization, debugging, and the development of small applications. Εισαγωγή στην πληροφορική και στις βασικές αρχές της υπολογιστικής σκέψης. Εισαγωγή στη γλώσσα Python, στο περιβάλλον ανάπτυξης, στις μεταβλητές, στους τελεστές, στις δομές ελέγχου, στις επαναλήψεις, στις δομές δεδομένων, στις συναρτήσεις και στην επίλυση απλών προγραμματιστικών προβλημάτων. Παρουσίαση βασικών εννοιών οργάνωσης προγράμματος, αποσφαλμάτωσης και ανάπτυξης μικρών εφαρμογών.
Εffective Academic Writing Ακαδημαϊκή Γραφή General Educ Γενικά 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
33 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand the principles of academic writing
Structure academic texts effectively (paragraphs, essays, reports)
Develop clear and well-supported arguments
Use appropriate academic vocabulary and tone
Identify and avoid plagiarism
Apply citation styles (APA, IEEE)
Evaluate and integrate scholarly sources
Revise and edit their writing
Produce basic academic texts related to IT Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τις βασικές αρχές της ακαδημαϊκής γραφής
Δομούν αποτελεσματικά ακαδημαϊκά κείμενα (παράγραφοι, δοκίμια, αναφορές)
Αναπτύσσουν σαφή και τεκμηριωμένη επιχειρηματολογία
Χρησιμοποιούν κατάλληλο ακαδημαϊκό λεξιλόγιο και ύφος
Αναγνωρίζουν και αποφεύγουν τη λογοκλοπή
Χρησιμοποιούν πρότυπα αναφορών (π.χ. APA, IEEE)
Αξιολογούν και ενσωματώνουν βιβλιογραφικές πηγές
Βελτιώνουν τη γραφή μέσω αναθεώρησης και επιμέλειας
Παράγουν βασικά επιστημονικά κείμενα σχετιζόμενα με την πληροφορική
Content Περιεχομενο
Week 1: Introduction to academic writing
Week 2: Paragraph structure
Week 3: Essay structure
Week 4: Academic style and vocabulary
Week 5: Critical reading
Week 6: Referencing styles (APA, IEEE)
Week 7: Avoiding plagiarism
Week 8: Synthesizing sources
Week 9: Writing technical texts
Week 10: Editing and revising
Week 11: Writing a short research paper
Week 12: Presentations and feedback 1η εβδομάδα:
Εισαγωγή στην ακαδημαϊκή γραφή – χαρακτηριστικά και στόχοι

2η εβδομάδα:
Δομή παραγράφου και ανάπτυξη ιδεών

3η εβδομάδα:
Δομή δοκιμίου και ακαδημαϊκού κειμένου

4η εβδομάδα:
Ακαδημαϊκό ύφος και λεξιλόγιο

5η εβδομάδα:
Κριτική ανάγνωση και ανάλυση πηγών

6η εβδομάδα:
Παραπομπές και βιβλιογραφικές αναφορές (APA, IEEE)

7η εβδομάδα:
Αποφυγή λογοκλοπής και σωστή τεκμηρίωση

8η εβδομάδα:
Σύνθεση πληροφοριών από πολλαπλές πηγές

9η εβδομάδα:
Συγγραφή τεχνικών και επιστημονικών κειμένων

10η εβδομάδα:
Αναθεώρηση και επιμέλεια κειμένου

11η εβδομάδα:
Συγγραφή μικρής ερευνητικής εργασίας

12η εβδομάδα:
Παρουσίαση εργασιών και ανατροφοδότηση
Linear Algebra Γραμμική Άλγεβρα General Educ Γενικά 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Τίποτα
Self-study Προτεινομενος χρονος μελετης
98 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand fundamental concepts of linear algebra (vectors, matrices, spaces)
Solve systems of linear equations using analytical and computational methods
Perform matrix operations and understand their properties
Compute determinants and matrix inverses
Analyze vector spaces and subspaces
Compute eigenvalues and eigenvectors
Apply linear algebra in IT domains (machine learning, graphics, data science)
Use software tools for linear algebra computations
Develop mathematical reasoning and problem-solving skills Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες της γραμμικής άλγεβρας (διανύσματα, πίνακες, χώροι)
Επιλύουν γραμμικά συστήματα εξισώσεων με αναλυτικές και υπολογιστικές μεθόδους
Εκτελούν πράξεις με πίνακες και να κατανοούν τις ιδιότητές τους
Υπολογίζουν ορίζουσες και αντίστροφους πίνακες
Αναλύουν διανυσματικούς χώρους και υποχώρους
Υπολογίζουν ιδιοτιμές και ιδιοδιανύσματα
Κατανοούν εφαρμογές της γραμμικής άλγεβρας στην πληροφορική (machine learning, graphics, data analysis)
Χρησιμοποιούν λογισμικό για την επίλυση γραμμικών προβλημάτων
Αναπτύσσουν μαθηματική σκέψη και ικανότητα επίλυσης προβλημάτων
Content Περιεχομενο
Week 1: Introduction to linear algebra, vectors and geometry
Week 2: Matrices and matrix operations
Week 3: Systems of linear equations
Week 4: Solution methods (Gaussian elimination)
Week 5: Determinants
Week 6: Matrix inverse and applications
Week 7: Vector spaces and subspaces
Week 8: Basis and dimension
Week 9: Linear transformations
Week 10: Eigenvalues and eigenvectors
Week 11: Diagonalization
Week 12: Applications in IT (ML, graphics, PCA) & review 1η εβδομάδα:
Εισαγωγή στη γραμμική άλγεβρα, διανύσματα και γεωμετρική ερμηνεία

2η εβδομάδα:
Πίνακες και πράξεις πινάκων

3η εβδομάδα:
Γραμμικά συστήματα εξισώσεων

4η εβδομάδα:
Μέθοδοι επίλυσης (απαλοιφή Gauss, Gauss-Jordan)

5η εβδομάδα:
Ορίζουσες και ιδιότητες

6η εβδομάδα:
Αντίστροφος πίνακας και εφαρμογές

7η εβδομάδα:
Διανυσματικοί χώροι και υποχώροι

8η εβδομάδα:
Βάση και διάσταση

9η εβδομάδα:
Γραμμικοί μετασχηματισμοί

10η εβδομάδα:
Ιδιοτιμές και ιδιοδιανύσματα

11η εβδομάδα:
Διαγωνιοποίηση και εφαρμογές

12η εβδομάδα:
Εφαρμογές στη πληροφορική (machine learning, graphics, PCA) & ανακεφαλαίωση
Introduction to the Greek Language Εισαγωγή στην Ελληνική Γλώσσα General Educ Γενικά 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
73 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand and use basic structures of the Greek language
Recognize the Greek alphabet and read simple texts
Use basic vocabulary for everyday communication
Participate in simple conversations
Write short texts (e.g., personal information, messages)
Understand basic grammar rules (articles, verbs, cases)
Develop listening comprehension skills
Gain familiarity with Greek culture and everyday life
Use digital tools for language learning Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν και χρησιμοποιούν βασικές δομές της ελληνικής γλώσσας
Αναγνωρίζουν το ελληνικό αλφάβητο και να διαβάζουν απλά κείμενα
Χρησιμοποιούν βασικό λεξιλόγιο καθημερινής επικοινωνίας
Συμμετέχουν σε απλές προφορικές συνομιλίες
Γράφουν απλά κείμενα (π.χ. προσωπικές πληροφορίες, σύντομα μηνύματα)
Κατανοούν βασικούς γραμματικούς κανόνες (άρθρα, ρήματα, πτώσεις)
Αναπτύσσουν δεξιότητες κατανόησης προφορικού λόγου
Εξοικειωθούν με στοιχεία ελληνικού πολιτισμού και καθημερινής ζωής
Χρησιμοποιούν ψηφιακά εργαλεία για εκμάθηση γλώσσας
Content Περιεχομενο
Week 1: Greek alphabet, pronunciation
Week 2: Greetings and basic expressions
Week 3: Articles and nouns
Week 4: Present tense verbs
Week 5: Introduction to cases
Week 6: Adjectives
Week 7: Numbers, dates, time
Week 8: Daily activities vocabulary
Week 9: Simple sentences and questions
Week 10: Reading and writing simple texts
Week 11: Introduction to past tense
Week 12: Review and cultural elements 1η εβδομάδα:
Το ελληνικό αλφάβητο, προφορά και βασικοί φθόγγοι

2η εβδομάδα:
Χαιρετισμοί, βασικές εκφράσεις επικοινωνίας

3η εβδομάδα:
Άρθρα και ουσιαστικά (γένος, αριθμός)

4η εβδομάδα:
Ρήματα στον ενεστώτα (είμαι, έχω, βασικά ρήματα)

5η εβδομάδα:
Εισαγωγή στις πτώσεις (ονομαστική, αιτιατική)

6η εβδομάδα:
Επίθετα και συμφωνία με ουσιαστικά

7η εβδομάδα:
Αριθμοί, ημερομηνίες, ώρα

8η εβδομάδα:
Καθημερινές δραστηριότητες και λεξιλόγιο

9η εβδομάδα:
Απλές προτάσεις και ερωτήσεις

10η εβδομάδα:
Κατανόηση και παραγωγή σύντομων κειμένων

11η εβδομάδα:
Εισαγωγή στον παρελθόντα χρόνο (απλή μορφή)

12η εβδομάδα:
Επανάληψη και πολιτισμικά στοιχεία (ήθη, έθιμα, καθημερινή ζωή)
Discrete Mathematics Διακριτά Μαθηματικά General Educ Γενικά 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
No formal prerequisites. Basic mathematical skills are recommended. Δεν απαιτούνται τυπικά προαπαιτούμενα. Συνιστώνται βασικές γνώσεις μαθηματικών.
Self-study Προτεινομενος χρονος μελετης
78 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:
Apply propositional and predicate logic
Construct and evaluate mathematical proofs
Analyze sets, functions, and relations
Solve combinatorial problems
Apply recursive definitions and solve recurrence relations
Model and analyze problems using basic graph theory Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
Εφαρμόζουν προτασιακή και κατηγορηματική λογική
Κατασκευάζουν και αξιολογούν μαθηματικές αποδείξεις
Αναλύουν σύνολα, συναρτήσεις και σχέσεις
Επιλύουν συνδυαστικά προβλήματα
Εφαρμόζουν αναδρομή και επιλύουν αναδρομικές σχέσεις
Μοντελοποιούν προβλήματα με τη χρήση βασικής θεωρίας γράφων
Content Περιεχομενο
Logic (propositional and predicate logic)
Proof techniques (direct, contradiction, induction)
Sets, functions, and relations
Combinatorics (counting, permutations, combinations)
Recursion and recurrence relations
Graph theory (graphs, trees, basic traversal)
Introduction to Boolean algebra Λογική (προτασιακή και κατηγορηματική)
Τεχνικές αποδείξεων (άμεση, εις άτοπον απαγωγή, επαγωγή)
Σύνολα, συναρτήσεις και σχέσεις
Συνδυαστική ανάλυση
Αναδρομή και αναδρομικές σχέσεις
Θεωρία γράφων
Εισαγωγή στη Boolean άλγεβρα
Semester II Εξαμηνο II 5 courses μαθηματα · 30 ECTS
Platform Technologies Τεχνολογίες Πλατφορμών Foundation Κορμού 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
70 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The objective of this course is to teach undergraduate students the necessary background in computer organization, architecture, and platform infrastructure. In this course, the student is taught the organization and design of a computer using the RISC-V architecture and the interface between hardware and software.
Furthermore, the course expands into the abstraction of physical resources through virtualization and containerization, providing a foundation for understanding the concepts that are the basis of current cloud computing platforms (IaaS, PaaS, SaaS).
The course is intended for students interested in hardware design, software development, and system orchestration. It also provides the necessary background for those interested in attending courses related to advanced computer architecture, distributed systems, and warehouse-scale computing. Ο στόχος του μαθήματος είναι να προσφέρει στις φοιτήτριες και στους φοιτητές το απαραίτητο υπόβαθρο στην οργάνωση υπολογιστών, την αρχιτεκτονική και τις υποδομές πλατφορμών. Στο πλαίσιο του μαθήματος, διδάσκεται η οργάνωση και ο σχεδιασμός ενός υπολογιστή με χρήση της αρχιτεκτονικής RISC-V, καθώς και η διεπαφή μεταξύ υλικού (hardware) και λογισμικού (software).
Επιπλέον, το μάθημα επεκτείνεται στην αφαίρεση των φυσικών πόρων μέσω virtualization και χρήσης container, παρέχοντας τις βάσεις για την κατανόηση των εννοιών που διέπουν τις σύγχρονες πλατφόρμες υπολογιστικού νέφους (IaaS, PaaS, SaaS).
Το μάθημα απευθύνεται σε άτομα που ενδιαφέρονται για τη σχεδίαση υλικού, την ανάπτυξη λογισμικού και την ενορχήστρωση συστημάτων (system orchestration). Παρέχει επίσης το απαραίτητο υπόβαθρο για την παρακολούθηση μαθημάτων σχετικών με την προχωρημένη αρχιτεκτονική υπολογιστών, τα κατανεμημένα συστήματα και την υπολογιστική μεγάλης κλίμακας (warehouse-scale computing).
Content Περιεχομενο
Introduction to basic principles of computer organization and technology; challenges of contemporary computer architecture; instructions and levels of representation; representation of arithmetic and non-arithmetic data; organization of a typical computer and the Instruction Set Architecture (ISA); microarchitecture, RISC and CISC computers.
The RISC-V ISA: registers, instruction formats (R, I, S, B, U, J) and encoding; addressing modes; arithmetic, logical, and data transfer operations; control flow operations; supporting procedures in computer hardware and the use of the stack; basic principles of compilers.
Performance evaluation: measuring and understanding performance factors and Amdahl’s Law. Processor design: building a datapath, single-cycle implementation, and designing the control unit. Pipelining: basic principles, RISC-V pipeline implementation, hazards (data, control, structural), forwarding, stalls, and branch prediction (static and dynamic). Memory hierarchy: caches, measuring and improving cache performance, and virtual memory.
Platform Technologies: Introduction to Virtualization (Hypervisors and hardware-assisted virtualization); Containerization (Linux namespaces and cgroups); Cloud Computing infrastructure (IaaS, PaaS, SaaS); and an introduction to Warehouse-Scale Computing and distributed resource management.
Laboratory: Exercises on the RISC-V ISA; Assembly language programming; Use of the RARS/Venus simulator for system-level calls and performance analysis; Practical introduction to Virtualization and Cloud environments. Εισαγωγή: Βασικές αρχές οργάνωσης και τεχνολογίας υπολογιστών. Προκλήσεις της σύγχρονης αρχιτεκτονικής. Εντολές και επίπεδα αναπαράστασης. Αναπαράσταση αριθμητικών και μη αριθμητικών δεδομένων. Οργάνωση τυπικού υπολογιστή και Αρχιτεκτονική Συνόλου Εντολών (ISA). Μικροαρχιτεκτονική, υπολογιστές RISC και CISC.
Αρχιτεκτονική RISC-V: Καταχωρητές, τύποι εντολών (R, I, S, B, U, J) και κωδικοποίηση. Τρόποι διευθυνσιοδότησης. Αριθμητικές και λογικές πράξεις, εντολές μεταφοράς δεδομένων. Λειτουργίες ελέγχου ροής. Υποστήριξη διαδικασιών (procedures) στο υλικό και χρήση της στοίβας (stack). Βασικές αρχές μεταγλωττιστών.
Αξιολόγηση Απόδοσης: Μέτρηση και κατανόηση παραγόντων απόδοσης και ο Νόμος του Amdahl. Σχεδιασμός Επεξεργαστή: Σχεδίαση διαδρομής δεδομένων (datapath), υλοποίηση ενός κύκλου και σχεδιασμός μονάδας ελέγχου. Διοχέτευση (Pipelining): Βασικές αρχές, υλοποίηση διοχέτευσης σε RISC-V, κίνδυνοι (hazards: δεδομένων, ελέγχου, δομικοί), προώθηση (forwarding), καθυστερήσεις (stalls) και πρόβλεψη διακλάδωσης (στατική και δυναμική). Ιεραρχία Μνήμης: Κρυφή μνήμη (cache), μέτρηση και βελτίωση απόδοσης, εικονική μνήμη.
Τεχνολογίες Πλατφόρμας: Εισαγωγή στην Εικονοποίηση (Virtualization – Hypervisors και εικονοποίηση υποβοηθούμενη από το υλικό). Χρήση Περιεκτών (Containerization – Linux namespaces και cgroups). Υποδομές Υπολογιστικού Νέφους (Cloud Computing – IaaS, PaaS, SaaS). Εισαγωγή στην Υπολογιστική Μεγάλης Κλίμακας (Warehouse-Scale Computing) και στη διαχείριση κατανεμημένων πόρων.
Εργαστήριο: Ασκήσεις στο σύνολο εντολών RISC-V. Προγραμματισμός σε συμβολική γλώσσα (Assembly). Χρήση του προσομοιωτή RARS/Venus για κλήσεις συστήματος και ανάλυση απόδοσης. Πρακτική εισαγωγή σε περιβάλλοντα Εικονοποίησης και Υπολογιστικού Νέφους (Virtualization Cloud).
Introduction to OO programming Εισαγωγή στον Αντικειμενοστραφή Προγραμματισμό Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
78 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of object-oriented programming
Develop programs using Java
Use variables, control structures, and methods
Design and use classes and objects
Apply encapsulation, inheritance, and polymorphism
Use basic data structures (arrays, lists)
Handle exceptions
Develop simple, well-structured applications
Use debugging and development tools
Collaborate on small programming projects Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τις βασικές έννοιες της αντικειμενοστραφούς προγραμματισμού
Αναπτύσσουν προγράμματα σε Java
Χρησιμοποιούν μεταβλητές, δομές ελέγχου και συναρτήσεις
Ορίζουν και χρησιμοποιούν κλάσεις και αντικείμενα
Εφαρμόζουν έννοιες όπως ενθυλάκωση, κληρονομικότητα και πολυμορφισμός
Χρησιμοποιούν βασικές δομές δεδομένων (arrays, lists)
Διαχειρίζονται εξαιρέσεις
Αναπτύσσουν απλές εφαρμογές με καλή δομή και τεκμηρίωση
Χρησιμοποιούν εργαλεία ανάπτυξης και debugging
Συνεργάζονται σε μικρά προγραμματιστικά έργα
Content Περιεχομενο
Week 1: Introduction to programming and Java
Week 2: Variables and data types
Week 3: Control structures
Week 4: Methods and parameters
Week 5: Classes and objects
Week 6: Encapsulation and constructors
Week 7: Inheritance
Week 8: Polymorphism and interfaces
Week 9: Arrays and collections
Week 10: Exception handling
Week 11: File I/O
Week 12: Mini project and review 1η εβδομάδα:
Εισαγωγή στον προγραμματισμό και στη Java – περιβάλλον ανάπτυξης

2η εβδομάδα:
Μεταβλητές, τύποι δεδομένων και βασικές εντολές

3η εβδομάδα:
Δομές ελέγχου (if, switch, loops)

4η εβδομάδα:
Μέθοδοι (functions) και παράμετροι

5η εβδομάδα:
Εισαγωγή στις κλάσεις και αντικείμενα

6η εβδομάδα:
Ενθυλάκωση και κατασκευαστές

7η εβδομάδα:
Κληρονομικότητα

8η εβδομάδα:
Πολυμορφισμός και interfaces

9η εβδομάδα:
Πίνακες και συλλογές (ArrayList)

10η εβδομάδα:
Διαχείριση εξαιρέσεων

11η εβδομάδα:
Εισαγωγή σε αρχεία και I/O

12η εβδομάδα:
Μικρό project – ανακεφαλαίωση
Physics Φυσική General Educ Γενικά 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Δεν υπάρχουν
Self-study Προτεινομενος χρονος μελετης
98 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

-Understand and apply fundamental principles of classical and modern physics relevant to Information Technology.
-Analyze physical systems involving waves, fields, and electromagnetic radiation, particularly in the context of wireless communication.
-Explain the basic principles of electric circuits and electronic components, including their role in computing hardware.
-Describe key concepts of quantum physics, including superposition and measurement, and relate them to emerging technologies such as quantum computing.
-Apply mathematical tools (algebra, basic calculus) to model and solve physics problems.
-Interpret experimental data and understand the limitations of physical models.
-Develop problem-solving skills in real-world IT-related physical systems. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

-Κατανοούν και να εφαρμόζουν θεμελιώδεις αρχές της κλασικής και σύγχρονης φυσικής σχετικές με την Πληροφορική.
-Αναλύουν φυσικά συστήματα που περιλαμβάνουν κύματα, πεδία και ηλεκτρομαγνητική ακτινοβολία, ιδιαίτερα στο πλαίσιο των ασύρματων επικοινωνιών.
-Εξηγούν τις βασικές αρχές των ηλεκτρικών κυκλωμάτων και των ηλεκτρονικών στοιχείων, καθώς και τον ρόλο τους στο υλικό των υπολογιστικών συστημάτων.
-Περιγράφουν βασικές έννοιες της κβαντικής φυσικής, όπως η υπέρθεση και η μέτρηση, και να τις συσχετίζουν με αναδυόμενες τεχνολογίες όπως η κβαντική υπολογιστική.
-Εφαρμόζουν μαθηματικά εργαλεία (άλγεβρα, βασικός λογισμός) για τη μοντελοποίηση και επίλυση προβλημάτων φυσικής.
-Ερμηνεύουν πειραματικά δεδομένα και να κατανοούν τους περιορισμούς των φυσικών μοντέλων.
-Αναπτύσσουν δεξιότητες επίλυσης προβλημάτων σε φυσικά συστήματα που σχετίζονται με πραγματικές εφαρμογές της Πληροφορικής.
Content Περιεχομενο
Week 1: Introduction to physics in the context of Information Technology. Review of units, dimensional analysis, vectors, and basic mathematical tools used for modeling physical systems.

Week 2: Fundamental concepts of mechanics including Newton’s laws, work, energy, and conservation principles, with emphasis on their relevance to engineered and computational systems.

Week 3: Oscillations and wave motion. Harmonic oscillators, wave properties such as wavelength, frequency, and velocity, and the principle of superposition.

Week 4: Wave phenomena including interference, diffraction, and propagation. Applications to communication systems and signal transmission.

Week 5: Electrostatics. Electric charge, Coulomb’s law, electric fields, electric potential, and energy storage in capacitors.

Week 6: Electric circuits and basic electronics. Ohm’s law, DC circuit analysis (series and parallel), and introduction to diodes and transistors.

Week 7: Magnetic fields and electromagnetic induction. Magnetic forces, Faraday’s law, and applications such as generators and transformers.

Week 8: Electromagnetic waves. Conceptual introduction to Maxwell’s equations, the electromagnetic spectrum, and applications in wireless communication.

Week 9: Signals and modulation. Analog and digital signals, basic modulation techniques, bandwidth, and noise in communication systems.

Week 10: Introduction to quantum physics. Limitations of classical physics, wave-particle duality, and the photoelectric effect.

Week 11: Fundamentals of quantum mechanics for computing. Quantum states, superposition, measurement, and conceptual introduction to qubits.

Week 12: Applications and course integration. Overview of quantum computing, semiconductors in modern electronics, and comprehensive review of course topics. Εβδομάδα 1: Εισαγωγή στη Φυσική στο πλαίσιο της Πληροφορικής. Επανάληψη μονάδων, διαστατικής ανάλυσης, διανυσμάτων και βασικών μαθηματικών εργαλείων για τη μοντελοποίηση φυσικών συστημάτων.

Εβδομάδα 2: Θεμελιώδεις έννοιες της μηχανικής, συμπεριλαμβανομένων των νόμων του Νεύτωνα, του έργου, της ενέργειας και των αρχών διατήρησης, με έμφαση στη συνάφειά τους με τεχνολογικά και υπολογιστικά συστήματα.

Εβδομάδα 3: Ταλαντώσεις και κυματική κίνηση. Αρμονικοί ταλαντωτές, ιδιότητες κυμάτων όπως μήκος κύματος, συχνότητα και ταχύτητα, και η αρχή της υπέρθεσης.

Εβδομάδα 4: Κυματικά φαινόμενα, συμπεριλαμβανομένων της συμβολής, της περίθλασης και της διάδοσης. Εφαρμογές σε συστήματα επικοινωνιών και μετάδοση σημάτων.

Εβδομάδα 5: Ηλεκτροστατική. Ηλεκτρικό φορτίο, νόμος του Coulomb, ηλεκτρικό πεδίο, ηλεκτρικό δυναμικό και αποθήκευση ενέργειας σε πυκνωτές.

Εβδομάδα 6: Ηλεκτρικά κυκλώματα και βασική ηλεκτρονική. Νόμος του Ohm, ανάλυση κυκλωμάτων συνεχούς ρεύματος (σε σειρά και παράλληλα), και εισαγωγή σε διόδους και τρανζίστορ.

Εβδομάδα 7: Μαγνητικά πεδία και ηλεκτρομαγνητική επαγωγή. Μαγνητικές δυνάμεις, νόμος του Faraday και εφαρμογές όπως γεννήτριες και μετασχηματιστές.

Εβδομάδα 8: Ηλεκτρομαγνητικά κύματα. Εννοιολογική εισαγωγή στις εξισώσεις του Maxwell, το ηλεκτρομαγνητικό φάσμα και εφαρμογές στις ασύρματες επικοινωνίες.

Εβδομάδα 9: Σήματα και διαμόρφωση. Αναλογικά και ψηφιακά σήματα, βασικές τεχνικές διαμόρφωσης, εύρος ζώνης και θόρυβος στα συστήματα επικοινωνίας.

Εβδομάδα 10: Εισαγωγή στην κβαντική φυσική. Περιορισμοί της κλασικής φυσικής, δυϊσμός κύματος-σωματιδίου και φωτοηλεκτρικό φαινόμενο.

Εβδομάδα 11: Θεμελιώδεις έννοιες κβαντικής μηχανικής για την υπολογιστική. Κβαντικές καταστάσεις, υπέρθεση, μέτρηση και εννοιολογική εισαγωγή στα qubits.

Εβδομάδα 12: Εφαρμογές και ενοποίηση της ύλης. Επισκόπηση της κβαντικής υπολογιστικής, οι ημιαγωγοί στη σύγχρονη ηλεκτρονική και συνολική επανάληψη των θεμάτων του μαθήματος.
Greek History and Arts Ελληνική Ιστορία και Τέχνες General Educ Γενικά 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
73 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The course fosters the following competences:

-Understand the main periods of Greek history
-Identify major artistic movements and significant works of art
-Relate historical events to the development of the arts
-Analyze works of art within their historical and social context
-Understand the influence of Greek culture on Western civilization
-Develop critical thinking regarding cultural heritage
-Become familiar with basic concepts of art history
-Use digital media and tools for cultural research
-Present key historical and artistic topics in a structured manner Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

-Κατανοούν τις βασικές περιόδους της ελληνικής ιστορίας
-Αναγνωρίζουν σημαντικά καλλιτεχνικά ρεύματα και έργα
-Συνδέουν ιστορικά γεγονότα με την εξέλιξη των τεχνών
-Αναλύουν έργα τέχνης σε ιστορικό και κοινωνικό πλαίσιο
-Κατανοούν την επιρροή του ελληνικού πολιτισμού στη Δύση
-Αναπτύσσουν κριτική σκέψη σχετικά με την πολιτισμική κληρονομιά
-Εξοικειωθούν με βασικές έννοιες της ιστορίας της τέχνης
-Χρησιμοποιούν ψηφιακά μέσα για πολιτισμική έρευνα
-Παρουσιάζουν βασικά ιστορικά και καλλιτεχνικά θέματα
Content Περιεχομενο
Week 1: Introduction to Greek history and culture
Week 2: Prehistoric civilizations (Cycladic, Minoan, Mycenaean)
Week 3: Archaic and Classical period – art and architecture
Week 4: Hellenistic period
Week 5: Byzantine period
Week 6: Post-Byzantine and Ottoman period
Week 7: Modern Greek history – War of Independence
Week 8: Modern Greek art and identity
Week 9: 20th century – modernism
Week 10: Contemporary Greek art and culture
Week 11: Cinema, music and cultural expression
Week 12: Digital culture and heritage – review Εβδομάδα 1: Εισαγωγή στην ελληνική ιστορία και τον πολιτισμό
Εβδομάδα 2: Προϊστορικοί πολιτισμοί (Κυκλαδικός, Μινωικός, Μυκηναϊκός)
Εβδομάδα 3: Αρχαϊκή και Κλασική περίοδος – τέχνη και αρχιτεκτονική
Εβδομάδα 4: Ελληνιστική περίοδος
Εβδομάδα 5: Βυζαντινή περίοδος
Εβδομάδα 6: Μεταβυζαντινή και Οθωμανική περίοδος
Εβδομάδα 7: Νεότερη ελληνική ιστορία – Ελληνική Επανάσταση
Εβδομάδα 8: Νεότερη ελληνική τέχνη και ταυτότητα
Εβδομάδα 9: 20ός αιώνας – Μοντερνισμός
Εβδομάδα 10: Σύγχρονη ελληνική τέχνη και πολιτισμός
Εβδομάδα 11: Κινηματογράφος, μουσική και πολιτισμική έκφραση
Εβδομάδα 12: Ψηφιακός πολιτισμός και πολιτιστική κληρονομιά – ανακεφαλαίωση
Analyzing Race Class Gender Ανάλυση Φυλής, Τάξης και Φύλου General Educ Γενικά 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
73 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand key concepts such as race, class, and gender
Identify forms of inequality and discrimination
Analyze social issues using critical frameworks
Understand intersectionality
Relate social theories to contemporary contexts
Evaluate sources and arguments
Develop well-supported arguments on social topics
Appreciate diversity in international contexts
Apply social awareness in professional environments Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες όπως φυλή, κοινωνική τάξη και φύλο
Αναγνωρίζουν μορφές κοινωνικής ανισότητας και διακρίσεων
Αναλύουν κοινωνικά φαινόμενα με κριτική προσέγγιση
Ερμηνεύουν την έννοια της διαθεματικότητας (intersectionality)
Συνδέουν κοινωνικές θεωρίες με σύγχρονες εφαρμογές
Αξιολογούν πηγές και επιχειρήματα
Αναπτύσσουν τεκμηριωμένη κοινωνική επιχειρηματολογία
Κατανοούν τη σημασία της διαφορετικότητας σε διεθνή περιβάλλοντα
Εφαρμόζουν κοινωνική ευαισθησία σε επαγγελματικά πλαίσια
Content Περιεχομενο
Week 1: Introduction to race, class, gender
Week 2: Historical perspectives and theories
Week 3: Race and ethnicity
Week 4: Social class and inequality
Week 5: Gender and social construction
Week 6: Intersectionality
Week 7: Discrimination and exclusion
Week 8: Media representations
Week 9: Globalization and diversity
Week 10: Technology and inequality
Week 11: Equality policies and rights
Week 12: Review and presentatio 1η εβδομάδα:
Εισαγωγή σε βασικές έννοιες: φυλή, τάξη, φύλο

2η εβδομάδα:
Ιστορικές προσεγγίσεις και κοινωνικές θεωρίες

3η εβδομάδα:
Φυλή και εθνοτική ταυτότητα

4η εβδομάδα:
Κοινωνική τάξη και οικονομικές ανισότητες

5η εβδομάδα:
Φύλο και κοινωνικές κατασκευές

6η εβδομάδα:
Διαθεματικότητα (intersectionality)

7η εβδομάδα:
Διακρίσεις και κοινωνικός αποκλεισμός

8η εβδομάδα:
Μέσα ενημέρωσης και αναπαραστάσεις

9η εβδομάδα:
Παγκοσμιοποίηση και πολιτισμική ποικιλομορφία

10η εβδομάδα:
Τεχνολογία και κοινωνικές ανισότητες

11η εβδομάδα:
Πολιτικές ισότητας και δικαιώματα

12η εβδομάδα:
Ανακεφαλαίωση και παρουσίαση εργασιών
Semester III Εξαμηνο III 4 courses μαθηματα · 30 ECTS
Οperating Systems Λειτουργικά Συστήματα Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
88 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand the structure and functionality of operating systems
Analyze process and thread management
Apply synchronization and inter-process communication techniques
Understand CPU scheduling algorithms
Analyze memory and virtual memory management
Understand file systems and storage
Apply basic security concepts
Use Unix/Linux commands
Develop simple system-level programs
Evaluate system performance Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τη δομή και λειτουργία των λειτουργικών συστημάτων
Αναλύουν τη διαχείριση διεργασιών και νημάτων (threads)
Κατανοούν μηχανισμούς συγχρονισμού και επικοινωνίας διεργασιών
Εφαρμόζουν αλγορίθμους χρονοπρογραμματισμού CPU
Κατανοούν τη διαχείριση μνήμης και εικονικής μνήμης
Αναλύουν τη λειτουργία συστημάτων αρχείων
Κατανοούν βασικές έννοιες ασφάλειας και προστασίας
Χρησιμοποιούν βασικές εντολές Unix/Linux
Αναπτύσσουν απλά προγράμματα συστήματος (system programming)
Αξιολογούν την απόδοση συστημάτων
Content Περιεχομενο
Week 1: Introduction to operating systems
Week 2: OS structures and system calls
Week 3: Processes and threads
Week 4: Synchronization (mutexes, semaphores)
Week 5: Deadlocks
Week 6: CPU scheduling
Week 7: Memory management
Week 8: Virtual memory
Week 9: File systems
Week 10: I/O systems
Week 11: Security and protection
Week 12: Introduction to Linux & review 1η εβδομάδα:
Εισαγωγή στα λειτουργικά συστήματα – έννοιες και ρόλος

2η εβδομάδα:
Δομή λειτουργικών συστημάτων και system calls

3η εβδομάδα:
Διεργασίες και νήματα

4η εβδομάδα:
Συγχρονισμός διεργασιών (mutex, semaphores)

5η εβδομάδα:
Αδιέξοδα (deadlocks)

6η εβδομάδα:
Χρονοπρογραμματισμός CPU

7η εβδομάδα:
Διαχείριση μνήμης

8η εβδομάδα:
Εικονική μνήμη

9η εβδομάδα:
Συστήματα αρχείων

10η εβδομάδα:
Είσοδος/Έξοδος και συσκευές

11η εβδομάδα:
Ασφάλεια και προστασία

12η εβδομάδα:
Εισαγωγή σε Linux & ανακεφαλαίωση
Introduction to Web Programming Εισαγωγή στον Προγραμματισμό Ιστού Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Basic programming knowledge (e.g., variables, control structures, functions, basic data structures) Βασικές γνώσεις προγραμματισμού (π.χ., μεταβλητές, δομές ελέγχου, συναρτήσεις, βασικές δομές δεδομένων)
Self-study Προτεινομενος χρονος μελετης
108 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

- understand the basic architecture of the World Wide Web and how web applications work
- recognize traditional and modern technology stacks on the World Wide Web
- understand the client–server architecture and the HTTP/HTTPS protocol
- use HTML for the structure and semantic organization of web pages
- use CSS for formatting, content layout and basic responsive design
- use JavaScript to add interactivity to web pages
- create and manage forms and apply input validation checks
- implement basic backend functions for request management, data processing and dynamic content generation
- understand basic data management principles in web applications and use databases to store information
- recognize basic security issues on the web and apply basic practices for secure user input management
- develop simple dynamic web pages and basic web applications
- detect and correct errors using tools programming
- organize, document, and maintain code following good development practices Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

- κατανοούν τη βασική αρχιτεκτονική του Παγκόσμιου Ιστού και τον τρόπο λειτουργίας διαδικτυακών εφαρμογών
- αναγνωρίζουν παραδοσιακές και σύγχρονες τεχνολογικές στοίβες στον Παγκόσμιο Ιστό
- κατανοούν την αρχιτεκτονική πελάτη-διακομιστή (client–server) και το πρωτόκολλο HTTP/HTTPS
- χρησιμοποιούν την HTML για τη δομή και τη σημασιολογική οργάνωση ιστοσελίδων
- χρησιμοποιούν την CSS για μορφοποίηση, διάταξη περιεχομένου και βασικό ανταποκρίσιμο σχεδιασμό
- χρησιμοποιούν τη JavaScript για την προσθήκη διαδραστικότητας σε ιστοσελίδες
- δημιουργούν και διαχειρίζονται φόρμες και εφαρμόζουν ελέγχους εγκυρότητας εισόδου
- υλοποιούν βασικές λειτουργίες στο backend για διαχείριση αιτημάτων, επεξεργασία δεδομένων και παραγωγή δυναμικού περιεχομένου
- κατανοούν βασικές αρχές διαχείρισης δεδομένων σε εφαρμογές Παγκόσμιου Ιστού και χρησιμοποιούν βάσεις δεδομένων για αποθήκευση πληροφορίας
- αναγνωρίζουν βασικά ζητήματα ασφάλειας στον Ιστό και εφαρμόζουν βασικές πρακτικές ασφαλούς διαχείρισης εισόδου χρήστη
- αναπτύσσουν απλές δυναμικές ιστοσελίδες και βασικές διαδικτυακές εφαρμογές
- εντοπίζουν και διορθώνουν σφάλματα με χρήση εργαλείων προγραμματισμού
- οργανώνουν, τεκμηριώνουν και συντηρούν κώδικα ακολουθώντας καλές πρακτικές ανάπτυξης
Content Περιεχομενο
Week 1: Introduction to the World Wide Web and web applications. Presentation of the basic architecture of the Web, its evolution, the basic concepts of web programming and an overview of traditional and modern technology stacks.

Week 2: Client-server architecture and HTTP/HTTPS protocol. Analysis of client-server communication, requests and responses, HTTP methods, headers, status codes, cookies, sessions and basic principles of secure communication.

Week 3: HTML and web page structure. Introduction to HTML, basic elements and attributes, semantic content organization and the creation of well-structured web pages.

Week 4: CSS and web page formatting. Presentation of basic formatting mechanisms and basic principles of responsive design for adaptive content presentation.

Week 5: JavaScript and basic web programming. Introduction to variables, data types, operators, control structures, functions, and basic programming principles with JavaScript.

Week 6: Interactivity and DOM manipulation. Dynamic modification of web page elements, event handling, user interaction, and creation of simple interactive functions in the browser environment.

Week 7: Forms and data validation. Creation and management of forms, collection of user data, basic input control techniques, and improvement of user experience.

Week 8: Backend and dynamic content. Introduction to server logic, request routing, data processing, and generation of dynamic content through simple server-side mechanisms.

Week 9: Data management and databases in web applications. Introduction to the basic principles of data storage and retrieval, the use of databases in the online environment, and basic information management functions.

Week 10: Developing integrated web applications. Connecting front-end, backend, and database, implementing basic data flows, and developing simple dynamic web pages and basic web applications.

Week 11: Web security and development best practices. Introduction to basic security issues, such as secure user login management, data protection, and principles of code organization, documentation, and maintenance.

Week 12: Debugging, code optimization, and introduction to programming with Generative Artificial Intelligence (GenAI). Use programming tools and generative artificial intelligence tools to identify and correct errors, improve code quality and efficiency, review the material, and complete an application with a combination of the technologies taught. Εβδομάδα 1: Εισαγωγή στον Παγκόσμιο Ιστό και στις διαδικτυακές εφαρμογές. Παρουσίαση της βασικής αρχιτεκτονικής του Ιστού, της εξέλιξής του, των βασικών εννοιών του διαδικτυακού προγραμματισμού και επισκόπηση παραδοσιακών και σύγχρονων τεχνολογικών στοιβών.

Εβδομάδα 2: Αρχιτεκτονική πελάτη-διακομιστή και πρωτόκολλο HTTP/HTTPS. Ανάλυση της επικοινωνίας πελάτη-διακομιστή (client–server), των αιτημάτων και αποκρίσεων, των HTTP μεθόδων, headers, status codes, cookies, sessions και βασικών αρχών ασφαλούς επικοινωνίας.

Εβδομάδα 3: HTML και δομή ιστοσελίδων. Εισαγωγή στην HTML, στα βασικά στοιχεία και γνωρίσματα, στη σημασιολογική οργάνωση περιεχομένου και στη δημιουργία σωστά δομημένων ιστοσελίδων.

Εβδομάδα 4: CSS και μορφοποίηση ιστοσελίδων. Παρουσίαση των βασικών μηχανισμών μορφοποίησης και βασικών αρχών ανταποκρίσιμου σχεδιασμού για προσαρμοστική παρουσίαση περιεχομένου.

Εβδομάδα 5: JavaScript και βασικός προγραμματισμός στον Ιστό. Παρουσίαση μεταβλητών, τύπων δεδομένων, τελεστών, δομών ελέγχου, συναρτήσεων και βασικών αρχών προγραμματισμού με JavaScript.

Εβδομάδα 6: Διαδραστικότητα και χειρισμός του DOM. Δυναμική τροποποίηση στοιχείων ιστοσελίδας, διαχείριση συμβάντων, αλληλεπίδραση με τον χρήστη και δημιουργία απλών διαδραστικών λειτουργιών στο περιβάλλον του φυλλομετρητή.

Εβδομάδα 7: Φόρμες και έλεγχος εγκυρότητας δεδομένων. Δημιουργία και διαχείριση φορμών, συλλογή δεδομένων από τον χρήστη, βασικές τεχνικές ελέγχου εισόδου και βελτίωση εμπειρίας χρήστη.

Εβδομάδα 8: Backend και δυναμικό περιεχόμενο. Παρουσίαση της λογικής εξυπηρετητή, δρομολόγησης αιτημάτων, επεξεργασίας δεδομένων και παραγωγής δυναμικού περιεχομένου μέσω απλών server-side μηχανισμών.

Εβδομάδα 9: Διαχείριση δεδομένων και βάσεις δεδομένων σε εφαρμογές Ιστού. Εισαγωγή στις βασικές αρχές αποθήκευσης και ανάκτησης δεδομένων, στη χρήση βάσεων δεδομένων στο διαδικτυακό περιβάλλον και στις βασικές λειτουργίες διαχείρισης πληροφορίας.

Εβδομάδα 10: Ανάπτυξη ολοκληρωμένων διαδικτυακών εφαρμογών. Σύνδεση front-end, backend και βάσης δεδομένων, υλοποίηση βασικών ροών δεδομένων και ανάπτυξη απλών δυναμικών ιστοσελίδων και στοιχειωδών διαδικτυακών εφαρμογών.

Εβδομάδα 11: Ασφάλεια στον Παγκόσμιο Ιστό και καλές πρακτικές ανάπτυξης. Εισαγωγή σε βασικά ζητήματα ασφάλειας, όπως ασφαλής διαχείριση εισόδου χρήστη, προστασία δεδομένων, καθώς και αρχές οργάνωσης, τεκμηρίωσης και συντήρησης κώδικα.

Εβδομάδα 12: Αποσφαλμάτωση, βελτιστοποίηση κώδικα και εισαγωγή στον προγραμματισμό με Παραγωγική Τεχνητή Νοημοσύνη (Generative Artificial Intelligence (GenAI)). Χρήση εργαλείων προγραμματισμού και εργαλείων παραγωγικής τεχνητής νοημοσύνης για εντοπισμό και διόρθωση σφαλμάτων, βελτίωση ποιότητας και αποδοτικότητας κώδικα, ανασκόπηση της ύλης και ολοκλήρωση εφαρμογής με συνδυασμό των τεχνολογιών που διδάχθηκαν.
Τechnical Writing Τεχνική Συγγραφή General Educ Γενικά 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
88 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand the principles of technical writing
Produce clear and structured technical documents
Write reports, user manuals, and software documentation
Adapt writing style to different audiences
Use visual elements to enhance communication
Apply formatting and documentation standards
Collaborate on technical documentation projects
Use tools such as Markdown and LaTeX
Revise and improve technical texts Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τις αρχές της τεχνικής γραφής
Παράγουν σαφή, ακριβή και δομημένα τεχνικά κείμενα
Συντάσσουν τεχνικές αναφορές, οδηγούς χρήσης και τεκμηρίωση λογισμικού
Προσαρμόζουν το ύφος γραφής στο κοινό-στόχο
Χρησιμοποιούν οπτικά στοιχεία (πίνακες, διαγράμματα) για ενίσχυση κατανόησης
Εφαρμόζουν πρότυπα μορφοποίησης και τεκμηρίωσης
Συνεργάζονται για την παραγωγή τεχνικής τεκμηρίωσης
Χρησιμοποιούν εργαλεία συγγραφής (Markdown, LaTeX, συνεργατικά εργαλεία)
Αναθεωρούν και βελτιώνουν τεχνικά κείμενα
Content Περιεχομενο
Week 1: Introduction to technical writing
Week 2: Document structure
Week 3: Clarity and style
Week 4: Audience awareness
Week 5: Technical reports
Week 6: User manuals
Week 7: Visual communication
Week 8: Markdown and LaTeX
Week 9: Collaborative writing and version control
Week 10: Editing and proofreading
Week 11: Developing full documentation
Week 12: Presentations and feedback 1η εβδομάδα:
Εισαγωγή στην τεχνική γραφή – σκοπός και είδη

2η εβδομάδα:
Δομή και οργάνωση τεχνικών εγγράφων

3η εβδομάδα:
Σαφήνεια, ακρίβεια και ύφος

4η εβδομάδα:
Γραφή για διαφορετικά ακροατήρια

5η εβδομάδα:
Τεχνικές αναφορές και documentation

6η εβδομάδα:
Οδηγοί χρήσης και εγχειρίδια

7η εβδομάδα:
Οπτικοποίηση πληροφορίας (πίνακες, διαγράμματα)

8η εβδομάδα:
Markdown, LaTeX και εργαλεία συγγραφής

9η εβδομάδα:
Συνεργατική συγγραφή και version control

10η εβδομάδα:
Editing και proofreading

11η εβδομάδα:
Ανάπτυξη ολοκληρωμένης τεχνικής τεκμηρίωσης

12η εβδομάδα:
Παρουσίαση έργων και ανατροφοδότηση
Statistics Στατιστική General Educ Γενικά 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
No formal prerequisites. Basic knowledge of mathematics is recommended. Familiarity with Discrete Mathematics is recommended. Δεν απαιτούνται τυπικά προαπαιτούμενα. Συνιστώνται βασικές γνώσεις μαθηματικών. Συνιστάται εξοικείωση με τα Διακριτά Μαθηματικά.
Self-study Προτεινομενος χρονος μελετης
55 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:
Apply probability theory to computational problems
Analyze discrete and continuous random variables
Identify and use common probability distributions
Apply statistical inference methods
Conduct hypothesis testing and interpret results
Develop and evaluate basic regression models
Analyze datasets using statistical and computational tools Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
Εφαρμόζουν τη θεωρία πιθανοτήτων σε υπολογιστικά προβλήματα
Αναλύουν διακριτές και συνεχείς τυχαίες μεταβλητές
Αναγνωρίζουν και χρησιμοποιούν βασικές κατανομές πιθανοτήτων
Εφαρμόζουν μεθόδους στατιστικής συμπερασματολογίας
Διενεργούν ελέγχους υποθέσεων και να ερμηνεύουν τα αποτελέσματα
Αναπτύσσουν και αξιολογούν απλά μοντέλα παλινδρόμησης
Αναλύουν δεδομένα με τη χρήση υπολογιστικών εργαλείων
Content Περιεχομενο
Probability theory (events, conditional probability, independence)
Random variables (discrete and continuous)
Expectation and variance
Common distributions (Binomial, Normal, Poisson)
Sampling and Central Limit Theorem
Statistical inference (estimation, confidence intervals)
Hypothesis testing
Regression and correlation
Introduction to data analysis using computational tools (e.g., R and./or Python) Θεωρία πιθανοτήτων
Τυχαίες μεταβλητές (διακριτές και συνεχείς)
Αναμενόμενη τιμή και διασπορά
Βασικές κατανομές (διωνυμική, κανονική, Poisson)
Δειγματοληψία και Κεντρικό Οριακό Θεώρημα
Στατιστική συμπερασματολογία
Έλεγχοι υποθέσεων
Παλινδρόμηση και συσχέτιση
Εισαγωγή στην ανάλυση δεδομένων με υπολογιστικά εργαλεία (πχ. R και/ή Python)
Semester IV Εξαμηνο IV 4 courses μαθηματα · 30 ECTS
Database Systems Συστήματα Βάσεων Δεδομένων Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
88 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of database systems
Design relational databases using ER modeling
Use SQL effectively
Define and manipulate database structures (DDL)
Manage data using SQL (DML)
Write complex queries (joins, subqueries, aggregations)
Apply integrity constraints
Understand normalization principles
Analyze and improve query performance
Use a DBMS (e.g., PostgreSQL, MySQL) in practical scenarios Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες συστημάτων βάσεων δεδομένων
Σχεδιάζουν σχεσιακές βάσεις δεδομένων (ER μοντέλα → relational schema)
Χρησιμοποιούν αποτελεσματικά τη γλώσσα SQL
Δημιουργούν, τροποποιούν και διαγράφουν δομές βάσεων δεδομένων (DDL)
Διαχειρίζονται δεδομένα με SQL (DML)
Διατυπώνουν σύνθετα ερωτήματα (joins, subqueries, aggregations)
Εφαρμόζουν περιορισμούς ακεραιότητας
Κατανοούν βασικές αρχές κανονικοποίησης
Αναλύουν την απόδοση ερωτημάτων
Χρησιμοποιούν ένα DBMS (π.χ. PostgreSQL/MySQL) σε πρακτικά σενάρια
Content Περιεχομενο
Week 1: Introduction to database systems
Week 2: Data modeling – ER diagrams
Week 3: ER to relational model
Week 4: SQL basics – SELECT, WHERE
Week 5: Joins
Week 6: Aggregations (GROUP BY, HAVING)
Week 7: Subqueries
Week 8: DDL (CREATE, ALTER, DROP)
Week 9: DML (INSERT, UPDATE, DELETE)
Week 10: Normalization
Week 11: Indexes and query optimization
Week 12: Transactions and ACID properties 1η εβδομάδα:
Εισαγωγή στα συστήματα βάσεων δεδομένων και DBMS

2η εβδομάδα:
Μοντελοποίηση δεδομένων – ER diagrams

3η εβδομάδα:
Μετατροπή ER σε σχεσιακό μοντέλο

4η εβδομάδα:
Εισαγωγή στη SQL – SELECT, WHERE

5η εβδομάδα:
Σύνθετα ερωτήματα – JOINs

6η εβδομάδα:
Συναρτήσεις συγκέντρωσης (GROUP BY, HAVING)

7η εβδομάδα:
Υποερωτήματα (subqueries)

8η εβδομάδα:
DDL (CREATE, ALTER, DROP)

9η εβδομάδα:
DML (INSERT, UPDATE, DELETE)

10η εβδομάδα:
Κανονικοποίηση (1NF, 2NF, 3NF)

11η εβδομάδα:
Indexes και βελτιστοποίηση ερωτημάτων

12η εβδομάδα:
Συναλλαγές, ACID properties & ανακεφαλαίωση
Advanced Programming Προχωρημένος Προγραμματισμός Foundation Upper Κορμού - Ειδίκευσης 8▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
- Introduction to Computing - Introduction to OO Programming - Εισαγωγή στην Πληροφορική - Εισαγωγή στον Αντικειμενοστραφή Προγραμματισμό
Self-study Προτεινομενος χρονος μελετης
78 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
- Implement and manipulate data structures.
- Apply creational and behavioral design patterns to produce flexible, maintainable object-oriented code.
- Treat functions as first-class values and compose higher-order functions to build expressive, reusable logic.
- Write unit tests using mocks and apply property-based testing to isolate and validate program behavior.
- Design event-driven systems.
- Write non-blocking asynchronous code and asynchronous I/O to build responsive, efficient programs. - Υλοποιεί και χειρίζεται δομές δεδομένων.
- Εφαρμόζει δημιουργικά και συμπεριφορικά πρότυπα σχεδίασης για την παραγωγή ευέλικτου και συντηρήσιμου αντικειμενοστραφούς κώδικα.
- Αντιμετωπίζει τις συναρτήσεις ως τιμές πρώτης κλάσης και συνθέτει συναρτήσεις ανώτερης τάξης για την ανάπτυξη εκφραστικής και επαναχρησιμοποιήσιμης λογικής.
- Γράφει ελέγχους μονάδας με χρήση mocks και εφαρμόζει ελέγχους βασισμένους σε ιδιότητες για την απομόνωση και επαλήθευση της συμπεριφοράς του προγράμματος.
- Σχεδιάζει συστήματα βασισμένα σε γεγονότα. Γράφει ασύγχρονο κώδικα χωρίς αποκλεισμούς και ασύγχρονο I/O για την ανάπτυξη αποκρισίμων και αποδοτικών προγραμμάτων.
Content Περιεχομενο
Collections and Essential Data Structures
- Linear structures: List, Queues, Stacks.
- Implementing data structures using generics.

Advanced OOP
- Tree (in-order, pre-order, post-order)
- Graphs: traversals (BFS, DFS).
- Design patterns: creational and behavioral.
- Testing objects with mocks.

Functional Programming
- First-class functions: functions as values, higher-order functions
- The operators map(), filter() and reduce()
- Lazy Evaluation: Iterators and Generators
- Property-based testing

Concurrent and Asynchronous Programming
- Event-driven programming: observers, event listeners, callbacks, publisher/subscriber.
- Futures and promises
- Async/await, Async IO. Συλλογές και Βασικές Δομές Δεδομένων
- Γραμμικές δομές: Λίστες, Ουρές, Στοίβες.
- Υλοποίηση δομών δεδομένων με χρήση generics.

Προχωρημένος Αντικειμενοστρεφής Προγραμματισμός
- Δέντρα (in-order, pre-order, post-order διάσχιση)
- Γράφοι: διασχίσεις (BFS, DFS).
- Σχεδιαστικά πρότυπα: δημιουργικά και συμπεριφορικά.
- Έλεγχος αντικειμένων με mocks.

Συναρτησιακός Προγραμματισμός
- Συναρτήσεις: συναρτήσεις ως τιμές, συναρτήσεις ανώτερης τάξης
- Οι τελεστές map(), filter() και reduce()
- Oκνηρή αποτίμηση: επαναλήπτες και γεννήτορες.
- Έλεγχος βασισμένος σε ιδιότητες (property-based testing)

Ταυτόχρονος και Ασύγχρονος Προγραμματισμός
- Προγραμματισμός οδηγούμενος από συμβάντα: observers, event listeners, callbacks, publisher/subscriber.
- Futures και promises
- Async/await, Async IO.
Intro to Economics Εισαγωγή στην Οικονομία General Educ Γενικά 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
There are no strict course prerequisites Δεν υπάρχουν αυστηρά προαπαιτούμενα μαθήματα
Self-study Προτεινομενος χρονος μελετης
78 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will know:
The basic concepts of microeconomics with reference to the Information and Communication Technologies (ICT) market.
The concepts of supply and demand functions, market equilibrium, elasticities, income constraint,
The forms of the market (monopoly, oligopoly, competition)
In addition, they will be familiarized with the development of a systematic methodology for the valuation of an investment and techno-economic analysis in the field of Information and Communication Technologies (ICT). In this context, the basic principles and stages of a techno-economic analysis and the most important components of a techno-economic study will be presented, such as cost estimation, market, competition, risk, etc. They will also learn the basic principles of preparing business plans in the high-tech market, the most important methodologies for forecasting demand and competition, and the methodologies applied for costing and pricing products and services. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα γνωρίζουν:
Τις βασικές έννοιες μικροοικονομικής με αναφορά στην αγορά των Τεχνολογιών Πληροφορίας και Επικοινωνιών ΤΠΕ.
Τις έννοιες των συναρτήσεων προσφοράς και ζήτησης, την ισορροπία της αγοράς, των ελαστικοτήτων, του εισοδηματικού περιορισμού,
Τις μορφές αγοράς (μονοπώλιο, ολιγοπώλιο, ανταγωνισμός)
Επιπλέον, θα εκπαιδευτούν στην ανάπτυξη της συστηματικής μεθοδολογίας για την αποτίμηση μιας επένδυσης και της τεχνο-οικονομικής ανάλυσης στο χώρο των Τεχνολογιών Πληροφορίας και Επικοινωνιών (ΤΠΕ). Στο πλαίσιο αυτό, θα παρουσιαστούν οι βασικές αρχές και τα στάδια μια τεχνο-οικονομικής ανάλυσης και τα σημαντικότερα συστατικά μια τεχνοοικονομικής μελέτης, όπως την εκτίμηση του κόστους, την αγορά, τον ανταγωνισμό, τον κίνδυνο, κλπ. Επίσης θα γνωριζουν τις βασικές αρχές κατάρτισης επιχειρηματικών σχεδίων (business plans) στην αγορά υψηλής τεχνολογίας, τις σημαντικότερες μεθοδολογίες πρόβλεψης της ζήτησης και του ανταγωνισμού και οι μεθοδολογίες που εφαρμόζονται για την κοστολόγηση και τιμολόγηση προϊόντων και των υπηρεσιών.


Εξηγούν βασικές οικονομικές έννοιες (σπάνη, κόστος ευκαιρίας, CapEx/OpEx) στο πλαίσιο της διαχείρισης IT περιουσιακών στοιχείων.
Περιγράφουν τον ρόλο και τους βασικούς τομείς του IT Asset Management (HAM, SAM, Cloud/Services, Information Assets) και τα σχετικά πρότυπα
Αναλύουν τον κύκλο ζωής ενός IT περιουσιακού στοιχείου και να εντοπίζουν τα βασικά οικονομικά σημεία απόφασης (αγορά, αξιοποίηση, βελτιστοποίηση, απόσυρση).
Εφαρμόζουν βασικές μεθόδους αξιολόγησης επενδύσεων (NPV, IRR, Payback Period) σε σενάρια τεχνολογικών επενδύσεων.
Υπολογίζουν και ερμηνεύουν το Ολικό Κόστος Ιδιοκτησίας (TCO) για υλικό εξοπλισμό και άλλες IT υποδομές.
Αξιολογούν στρατηγικές λογισμικού και αδειοδότησης, εντοπίζοντας ευκαιρίες για μείωση κόστους και βελτίωση συμμόρφωσης.
Εξηγούν τις βασικές αρχές του FinOps και να τις συνδέουν με τη διαχείριση cloud περιουσιακών στοιχείων και τις πρακτικές ITAM
Content Περιεχομενο
Part A: Introduction to Economics
Basic economic concepts, Model and consumer and producer behavior,
Supply and Demand Curves, Market Forms: Perfect Competition, Monopoly, Oligopoly. Indifference curves, income constraint, elasticities, production functions, scale returns, profit maximization, Complementary and substitute products. Applications and examples from the field of information technology and telecommunications. Introduction to game theory.

Part B: ICT investments assessment
Overview of the ICT market. Technoeconomic analysis – basic principles and stages. Business plans: main principles, stages for the construction of successful business plans. SWOT – PEST analyses. Demand forecasting of products and services in markets – market competition. Forecasting methodologies, time series, aggregate models. Basic indices for investment assessment: Net Present Value - NPV, Internal rate of return - IRR, Project Payback Period, Investments, Operating Costs, Cash Flow, Income, Depreciation, etc. Risk analysis. Costing - Pricing of products and services Μέρος Α: Εισαγωγή στην Οικονομική
Βασικές έννοιες μικροοικονομικής θεωρίας, Συμπεριφορά καταναλωτή και παραγωγού, Καμπύλες Προσφοράς και Ζήτησης, Ισορροπία αγοράς,
Πλεόνασμα καταναλωτή και παραγωγού, Μεγιστοποίηση κοινωνικής ευημερίας,
Μορφές αγοράς: Τέλειος ανταγωνισμός, μονοπώλιο, ολιγοπώλιο. Καμπύλες αδιαφορίας, Εισοδηματικός περιορισμός, Ελαστικότητες, Συναρτήσεις παραγωγής, Συμπληρωματικά και υποκατάστατα προϊόντα, Εφαρμογές και παραδείγματα από το χώρο των ΤΠΕ, Εισαγωγή στη θεωρία παιγνίων.

Μέρος Β': Αποτίμηση επενδύσεων ΤΠΕ
Προβλήματα των σύγχρονων αγορών ΤΠΕ. Τεχνοοικονομική ανάλυση- βασικές αρχές- στάδια. Επιχειρηματικά σχέδια (business plans), στο χώρο των ΤΠΕ. Στάδια και τεχνικές κατάρτισης επιτυχών επιχειρηματικών σχεδίων. SWOT, PEST αναλύσεις. Πρόβλεψη ζήτησης προϊόντων υψηλής τεχνολογίας στις αγορές – Ανταγωνισμός αγοράς. Μεθοδολογίες πρόβλεψης. Χρονοσειρές, σωρευτικά μοντέλα. Βασικά οικονομικά μεγέθη αποτίησης επενδύσεων: Καθαρή Παρούσα Αξία – NPV, Εσωτερικό Επιτόκιο Απόδοσης – IRR, Περίοδος Αποπληρωμής Έργου, Επενδύσεις, Λειτουργικά κόστη, Ταμειακές Ροές, Έσοδα, Αποσβέσεις, κλπ. Ανάλυση ευαισθησίας, ανάλυση κινδύνων και ρίσκου. Koστολόγηση- Τιμολόγηση προϊόντων και υπηρεσιών.
Data Comm and Networks Επικοινωνίες Δεδομένων και Δίκτυα Foundation Κορμού 8▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
There are no prerequisites. Δεν υπάρχουν προαπαιτούμενα.
Self-study Προτεινομενος χρονος μελετης
98 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, the student will be able to:

Describe the fundamental principles of computer and communication network design and operation.
Explain the structure and functionality of the OSI model and the TCP/IP protocol stack.
Identify the roles and functions of the Physical, Data Link, Network, and Transport layers.
Analyze basic transmission techniques and communication media at the Physical Layer.
Apply error detection and correction mechanisms at the Data Link Layer.
Describe and compare channel allocation techniques and multiple access protocols.
Analyze addressing and packet forwarding mechanisms at the Network Layer.
Explain and evaluate fundamental routing algorithms and routing protocols.
Describe flow control and congestion control mechanisms at the Transport Layer.
Evaluate network performance in terms of delay, loss, and throughput.
Use simulation and analysis tools for studying networking systems.
Solve basic problems related to network operation and design. Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής/η φοιτήτρια θα είναι σε θέση να:

Περιγράφει τις βασικές αρχές σχεδίασης και λειτουργίας δικτύων επικοινωνιών και υπολογιστών.
Εξηγεί τη δομή και τη λειτουργία του προτύπου OSI και της στοίβας πρωτοκόλλων TCP/IP.
Αναγνωρίζει τον ρόλο και τις λειτουργίες των επιπέδων Φυσικού, Σύνδεσης Δεδομένων, Δικτύου και Μεταφοράς.
Αναλύει βασικές τεχνικές μετάδοσης και μέσα επικοινωνίας στο Φυσικό Επίπεδο.
Εφαρμόζει μηχανισμούς ανίχνευσης και διόρθωσης σφαλμάτων στο Επίπεδο Σύνδεσης Δεδομένων.
Περιγράφει και συγκρίνει τεχνικές κατανομής καναλιού και πρωτόκολλα πολλαπλής πρόσβασης.
Αναλύει μηχανισμούς διευθυνσιοδότησης και προώθησης πακέτων στο Επίπεδο Δικτύου.
Εξηγεί και αξιολογεί βασικούς αλγορίθμους και πρωτόκολλα δρομολόγησης.
Περιγράφει μηχανισμούς ελέγχου ροής και συμφόρησης στο Επίπεδο Μεταφοράς.
Αναλύει την απόδοση δικτύων ως προς καθυστέρηση, απώλειες και ρυθμό μετάδοσης.
Χρησιμοποιεί εργαλεία προσομοίωσης και ανάλυσης για τη μελέτη δικτυακών συστημάτων.
Επιλύει βασικά προβλήματα λειτουργίας και σχεδίασης δικτύων.
Content Περιεχομενο
Principles of computer and communication network design
OSI model and overview of the Physical, Data Link, Network, Transport, Session, and Presentation layers
Internet architecture and TCP/IP protocol stack
Packet switching, delay, loss, and network performance
Physical Layer: transmission media and basic transmission techniques
Data Link Layer: error detection/correction and retransmission techniques
Channel allocation problem and multiple access protocols (MAC, LLC)
Ethernet, LANs, switches, and MAC addressing
Network Layer: IP addressing, packet forwarding, and fragmentation
Routing algorithms and routing protocols
Congestion control and traffic management mechanisms
Transport Layer: reliable data transfer, TCP and UDP
TCP flow control and congestion control
Use of network simulation and analysis tools Αρχές σχεδίασης δικτύων επικοινωνιών και υπολογιστών
Πρότυπο OSI και επισκόπηση των επιπέδων: Φυσικό, Σύνδεσης Δεδομένων, Δικτύου, Μεταφοράς, Συνόδου, Παρουσίασης
Αρχιτεκτονική Internet και στοίβα πρωτοκόλλων TCP/IP
Μεταγωγή πακέτων, καθυστέρηση, απώλειες και απόδοση δικτύων
Φυσικό Επίπεδο: μέσα μετάδοσης και βασικές τεχνικές μετάδοσης
Επίπεδο Σύνδεσης Δεδομένων: ανίχνευση/διόρθωση σφαλμάτων και τεχνικές επαναμετάδοσης
Πρόβλημα κατανομής καναλιού σε κοινό μέσο και πρωτόκολλα πολλαπλής πρόσβασης (MAC, LLC)
Ethernet, LANs, switches και διευθυνσιοδότηση MAC
Επίπεδο Δικτύου: IP διευθυνσιοδότηση, προώθηση πακέτων και κατακερματισμός
Αλγόριθμοι και πρωτόκολλα δρομολόγησης
Έλεγχος συμφόρησης και μηχανισμοί διαχείρισης κυκλοφορίας
Επίπεδο Μεταφοράς: αξιόπιστη μεταφορά δεδομένων, TCP και UDP
Έλεγχος ροής και συμφόρησης στο TCP
Χρήση εργαλείων προσομοίωσης και ανάλυσης δικτύων
Semester V Εξαμηνο V 6 courses μαθηματα · 45 ECTS
Human Computer Interaction Αλληλεπίδραση Ανθρώπου-Υπολογιστή Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
65.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of human–computer interaction
Analyze user needs and characteristics
Design user-friendly interfaces
Apply usability principles and design guidelines
Conduct usability evaluations and user testing
Create wireframes and prototypes
Apply accessibility principles
Understand UX design processes
Collaborate in design teams Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες της αλληλεπίδρασης ανθρώπου–υπολογιστή
Αναλύουν τις ανάγκες και τα χαρακτηριστικά των χρηστών
Σχεδιάζουν φιλικές και αποτελεσματικές διεπαφές
Εφαρμόζουν αρχές ευχρηστίας και σχεδιασμού
Χρησιμοποιούν μεθόδους αξιολόγησης (heuristic evaluation, user testing)
Δημιουργούν wireframes και prototypes
Ενσωματώνουν αρχές προσβασιμότητας
Κατανοούν τη σημασία της εμπειρίας χρήστη (UX)
Συνεργάζονται σε ομάδες σχεδιασμού
Content Περιεχομενο
Week 1: Introduction to HCI
Week 2: Human perception and cognition
Week 3: Design principles
Week 4: Users and requirements analysis
Week 5: Usability and heuristics
Week 6: Wireframing and prototyping
Week 7: Usability evaluation
Week 8: Web and mobile interaction
Week 9: Accessibility and inclusive design
Week 10: UX design process
Week 11: HCI project development
Week 12: Presentations and review 1η εβδομάδα:
Εισαγωγή στο HCI και βασικές έννοιες

2η εβδομάδα:
Ανθρώπινη αντίληψη και γνωστικές διεργασίες

3η εβδομάδα:
Αρχές σχεδιασμού διεπαφών

4η εβδομάδα:
Χρήστες και ανάλυση αναγκών (personas, scenarios)

5η εβδομάδα:
Ευχρηστία και heuristics

6η εβδομάδα:
Wireframing και prototyping

7η εβδομάδα:
Αξιολόγηση διεπαφών (usability testing)

8η εβδομάδα:
Αλληλεπίδραση σε web και mobile περιβάλλοντα

9η εβδομάδα:
Προσβασιμότητα και inclusive design

10η εβδομάδα:
Εισαγωγή στο UX design process

11η εβδομάδα:
Σχεδιασμός έργου HCI

12η εβδομάδα:
Information Systems Πληροφοριακά Συστήματα Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
75.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand the role of information systems in organizations
Identify types of information systems (TPS, MIS, DSS, ERP)
Analyze business processes and requirements
Participate in the design of information systems
Understand business intelligence and data analytics concepts
Recognize IT security and governance issues
Evaluate the impact of information systems on organizational performance
Understand IT project management basics
Link technological solutions to business problems Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τον ρόλο των πληροφοριακών συστημάτων σε οργανισμούς
Αναγνωρίζουν βασικές κατηγορίες πληροφοριακών συστημάτων (TPS, MIS, DSS, ERP)
Αναλύουν επιχειρησιακές ανάγκες και διαδικασίες
Συμμετέχουν στον σχεδιασμό πληροφοριακών συστημάτων
Κατανοούν έννοιες επιχειρησιακής ευφυΐας (BI) και ανάλυσης δεδομένων
Αναγνωρίζουν ζητήματα ασφάλειας και διακυβέρνησης IT
Αξιολογούν την επίδραση των πληροφοριακών συστημάτων στην απόδοση οργανισμών
Κατανοούν βασικές αρχές διαχείρισης έργων IT
Συνδέουν τεχνολογικές λύσεις με επιχειρησιακά προβλήματα
Content Περιεχομενο
Week 1: Introduction to information systems
Week 2: Organizations and business processes
Week 3: Types of information systems
Week 4: Enterprise systems (ERP, CRM)
Week 5: Business intelligence and analytics
Week 6: E-business and digital transformation
Week 7: Requirements analysis and system design
Week 8: IT project management
Week 9: Information systems security
Week 10: IT governance and regulation
Week 11: Emerging technologies (cloud, AI, big data)
Week 12: Case studies and review 1η εβδομάδα:
Εισαγωγή στα πληροφοριακά συστήματα

2η εβδομάδα:
Οργανισμοί και επιχειρησιακές διαδικασίες

3η εβδομάδα:
Κατηγορίες πληροφοριακών συστημάτων

4η εβδομάδα:
Enterprise Systems (ERP, CRM)

5η εβδομάδα:
Business Intelligence και ανάλυση δεδομένων

6η εβδομάδα:
Ηλεκτρονικό επιχειρείν και ψηφιακός μετασχηματισμός

7η εβδομάδα:
Ανάλυση απαιτήσεων και σχεδίαση συστημάτων

8η εβδομάδα:
Διαχείριση έργων IT

9η εβδομάδα:
Ασφάλεια πληροφοριακών συστημάτων

10η εβδομάδα:
Διακυβέρνηση IT και κανονιστικά πλαίσια

11η εβδομάδα:
Νέες τεχνολογίες (cloud, AI, big data)

12η εβδομάδα:
Case studies και ανακεφαλαίωση
Web and Mobile Systems Development Ανάπτυξη Συστημάτων Ιστού και Κινητών Συσκευών Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
45.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Develop web applications using Vue.js
Build back-end services with Node.js (REST APIs)
Develop mobile applications for Android
Integrate mobile and web applications through APIs
Manage data and authentication in applications
Use modern development tools (Git, npm, Android Studio)
Apply responsive and mobile-first design principles
Develop full-stack applications
Work collaboratively in development teams Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Αναπτύσσουν web εφαρμογές με Vue.js
Δημιουργούν back-end υπηρεσίες με Node.js (REST APIs)
Αναπτύσσουν mobile εφαρμογές σε Android (Kotlin/Java)
Διασυνδέουν mobile και web εφαρμογές με APIs
Διαχειρίζονται δεδομένα και authentication σε εφαρμογές
Χρησιμοποιούν εργαλεία ανάπτυξης (Git, npm, Android Studio)
Εφαρμόζουν αρχές responsive design και mobile-first ανάπτυξης
Αναπτύσσουν ολοκληρωμένες full-stack εφαρμογές
Content Περιεχομενο
Week 1: Introduction to web & mobile systems
Week 2: Modern JavaScript (ES6+)
Week 3: Vue.js basics
Week 4: Vue.js routing and state
Week 5: Node.js and Express
Week 6: Databases integration
Week 7: Authentication and security
Week 8: Introduction to Android
Week 9: Android UI and lifecycle
Week 10: Networking in Android
Week 11: Data storage in Android
Week 12: Full-stack project and review 1η εβδομάδα:
Εισαγωγή σε web & mobile development – αρχιτεκτονική client-server

2η εβδομάδα:
JavaScript σύγχρονες έννοιες (ES6+)

3η εβδομάδα:
Εισαγωγή στο Vue.js – components, data binding

4η εβδομάδα:
Vue.js routing και state management

5η εβδομάδα:
Node.js και Express – δημιουργία REST APIs

6η εβδομάδα:
Βάσεις δεδομένων και διασύνδεση (MongoDB ή SQL)

7η εβδομάδα:
Authentication και security (JWT, sessions)

8η εβδομάδα:
Εισαγωγή στο Android – περιβάλλον και βασικά στοιχεία

9η εβδομάδα:
Android UI και activity lifecycle

10η εβδομάδα:
Δικτύωση σε Android (REST APIs, JSON)

11η εβδομάδα:
Αποθήκευση δεδομένων σε Android (SQLite / Room)

12η εβδομάδα:
Full-stack project (web + mobile) και ανακεφαλαίωση
Cybersecurity Κυβερνοασφάλεια Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Basic knowledge of Web technologies One programming language Βασικές γνώσεις τεχνολογιών Διαδικτύου Τουλάχιστον μια γλώσσα προγραμματισμού
Self-study Προτεινομενος χρονος μελετης
65.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Familiarization with the security culture.
Training in basic security techniques.
Presentation of modern network vulnerabilities.
Specialty in security protection mechanisms.
Preparation and presentation of a security project in collaboration with other colleagues. Εξοικείωση με την κουλτούρα της ασφάλειας συστημάτων.
Εκπαίδευση σε βασικές τεχνικές ασφάλειας
Παρουσίαση ευπαθειών των σύγχρονων δικτύων
Εξειδίκευση σε στοχευμένες τεχνικές ασφάλειας.
Εκπόνηση και παρουσίαση ομαδικής εργασίας σε συνεργασία με του συμφοιτητές.
Content Περιεχομενο
Conceptual Foundation of Information and Communication Systems Security Terms
Applied Cryptography
Information security management and development of policies and procedures
Legal and regulatory framework for cybersecurity and privacy
Incident management - crisis management
Identity management systems and user access control
Data protection
Network Security
Detection and prevention of threats Εννοιολογική Θεμελίωση όρων Ασφάλειας Πληροφοριακών και Επικοινωνιακών Συστημάτων. Στοιχεία Εφαρμοσμένης Κρυπτογραφίας
Διαχείριση ασφάλειας πληροφοριών και ανάπτυξη πολιτικών και διαδικασιών
Νομικό και κανονιστικό πλαίσιο για την κυβερνοασφάλεια και την ιδιωτικότητα
Διαχείριση συμβάντων - διαχείριση κρίσεων
Συστήματα διαχείρισης ταυτότητας και έλεγχος πρόσβασης χρηστών
Προστασία δεδομένων
Ασφάλεια Δικτύων
Εντοπισμός και αποτροπή απειλών
Data Scalability and Analytics Κλιμάκωση Δεδομένων και Αναλυτική Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Δεν υπάρχουν
Self-study Προτεινομενος χρονος μελετης
61.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:
- Understand the core concepts of data scalability and analytics in modern information environments,
- Describe the main architectures and technologies for storing, processing, and analyzing large-scale data,
- Distinguish between traditional and distributed approaches to data management,
- Select appropriate techniques, tools, and infrastructures for data processing and analytics in scalable environments,
- Apply basic methods for data preprocessing, analysis, and visualization,
- Analyze problems related to performance, scalability, and efficiency in data systems,
- Evaluate alternative solutions for data management and analytics based on technical and operational criteria,
- Design basic data workflows that support analytical applications and decision-making,
- Collaborate in the implementation of small-scale data analytics projects using modern technological tools. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/φοιτήτριες θα είναι σε θέση να:
- Κατανοούν τις βασικές έννοιες της κλιμάκωσης δεδομένων και της αναλυτικής σε σύγχρονα πληροφοριακά περιβάλλοντα,
- Περιγράφουν τις κύριες αρχιτεκτονικές και τεχνολογίες αποθήκευσης, επεξεργασίας και ανάλυσης μεγάλου όγκου δεδομένων,
- Διακρίνουν τις διαφορές μεταξύ παραδοσιακών και κατανεμημένων προσεγγίσεων διαχείρισης δεδομένων,
- Επιλέγουν κατάλληλες τεχνικές, εργαλεία και υποδομές για την επεξεργασία και ανάλυση δεδομένων σε κλιμακούμενα περιβάλλοντα,
- Εφαρμόζουν βασικές μεθόδους προεπεξεργασίας, ανάλυσης και οπτικοποίησης δεδομένων,
- Αναλύουν προβλήματα που σχετίζονται με την απόδοση, την επεκτασιμότητα και την αποδοτικότητα συστημάτων δεδομένων,
- Αξιολογούν εναλλακτικές λύσεις για τη διαχείριση και αναλυτική δεδομένων με βάση τεχνικά και λειτουργικά κριτήρια,
- Σχεδιάζουν βασικές ροές εργασίας δεδομένων για την υποστήριξη αναλυτικών εφαρμογών και λήψης αποφάσεων,
- Συνεργάζονται για την υλοποίηση μικρής κλίμακας έργων αναλυτικής δεδομένων με χρήση σύγχρονων τεχνολογικών εργαλείων.
Content Περιεχομενο
Week 1: Introduction to data scalability and analytics. Core concepts, objectives, and application domains.
Week 2: Introduction to big data. Characteristics, challenges, and modern data ecosystems.
Week 3: Data storage architectures. Relational and non-relational databases.
Week 4: Distributed systems and distributed data processing.
Week 5: Cloud computing infrastructures and scalable data services.
Week 6: Data preprocessing and data cleaning in large-scale environments.
Week 7: Exploratory data analysis and basic statistical techniques.
Week 8: Data analytics methods and knowledge extraction from data.
Week 9: Data visualization and presentation of analytical results.
Week 10: Performance, efficiency, and scalability in data analytics systems.
Week 11: Selection of tools and technologies for data analytics applications.
Week 12: Case studies and applications to real-world problems. Εβδομάδα 1: Εισαγωγή στην κλιμάκωση δεδομένων και την αναλυτική. Βασικές έννοιες, στόχοι και πεδία εφαρμογής.
Εβδομάδα 2: Εισαγωγή στα μεγάλα δεδομένα. Χαρακτηριστικά, προκλήσεις και σύγχρονα οικοσυστήματα δεδομένων.
Εβδομάδα 3: Αρχιτεκτονικές αποθήκευσης δεδομένων. Σχεσιακές και μη σχεσιακές βάσεις δεδομένων.
Εβδομάδα 4: Κατανεμημένα συστήματα και κατανεμημένη επεξεργασία δεδομένων.
Εβδομάδα 5: Υποδομές υπολογιστικού νέφους και κλιμακούμενες υπηρεσίες δεδομένων.
Εβδομάδα 6: Προεπεξεργασία και καθαρισμός δεδομένων σε περιβάλλοντα μεγάλης κλίμακας.
Εβδομάδα 7: Εξερευνητική ανάλυση δεδομένων και βασικές στατιστικές τεχνικές.
Εβδομάδα 8: Μέθοδοι αναλυτικής δεδομένων και εξαγωγής γνώσης από δεδομένα.
Εβδομάδα 9: Οπτικοποίηση δεδομένων και παρουσίαση αναλυτικών αποτελεσμάτων.
Εβδομάδα 10: Απόδοση, αποδοτικότητα και επεκτασιμότητα σε συστήματα ανάλυσης δεδομένων.
Εβδομάδα 11: Επιλογή εργαλείων και τεχνολογιών για εφαρμογές data analytics.
Εβδομάδα 12: Μελέτες περίπτωσης και εφαρμογές σε πραγματικά προβλήματα.
Introduction to Artificial Intelligence Εισαγωγή στην Τεχνητή Νοημοσύνη Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
- -
Self-study Προτεινομενος χρονος μελετης
55.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The aim of the course is to introduce basic concepts of Artificial Intelligence and to develop an understanding of selected methods for solution search, adversarial search, reinforcement learning, and constraint satisfaction problems. An introduction machine learning and basic algorithms, such as linear regression, is also included in the course.

Upon successful completion of the course, the student will be able to understand and apply representative methods from each category in order to solve practical artificial intelligence problems. Στόχος του μαθήματος είναι η εισαγωγή σε βασικές έννοιες Τεχνητής Νοημοσύνης και η κατανόηση επιλεγμένων μεθόδων αναζήτησης λύσης, αναζήτησης με αντιπάλους, ενισχυτικής μάθησης και προβλημάτων ικανοποίησης περιορισμών. Το μάθημα περιλαμβάνει και μια εισαγωγή στην μηχανική μάθηση και σε βασικές μεθόδους όπως τη γραμμική παλινδρόμηση.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής ή η φοιτήτρια θα είναι σε θέση να κατανοεί και να εφαρμόζει ενδεικτικές μεθόδους από κάθε κατηγορία ώστε να επιλύσει πρακτικά προβλήματα τεχνητής νοημοσύνης.
Content Περιεχομενο
- Introduction to Artificial Intelligence
- State spaces and problem solving through search
- The search algorithms DFS, BFS, UCS, and iterative deepening
- Informed search. Greedy search algorithms and the A* algorithm
- Adversarial search. The Minimax and Expectimax algorithms and their variants
- Agent utility in search problems
- Non-deterministic search problems and Markov decision processes
- The value iteration, policy evaluation, and policy iteration algorithms
- Reinforcement learning. Model-based and model-free learning
- The temporal-difference learning (TD learning) algorithm and the Q-learning algorithm
- Constraint satisfaction problems
- Backtracking search with arc consistency
- Local search algorithms and their variants
- Introduction to Machine Learning - Εισαγωγή στην τεχνητή νοημοσύνη
- Χώροι καταστάσεων και επίλυση προβλημάτων με αναζήτηση
- Οι αλγόριθμοι αναζήτησης DFS, BFS, UCS και επαναληπτικής εμβάθυνσης
- Αναζήτηση με πληροφόρηση. Αλγόριθμοι άπληστης αναζήτησης και ο αλγόριθμος A*
- Αναζήτηση με αντιπάλους. Οι αλγόριθμοι Minimax, Expectimax και παραλλαγές τους
- Ωφέλεια πρακτόρων σε προβλήματα αναζήτησης
- Μη ντετερμινιστικά προβλήματα αναζήτησης και διαδικασίες αποφάσεων Markov
- Οι αλγόριθμοι επανάληψης αξίας, αξιολόγησης πολιτικής και επανάληψης πολιτικής
- Ενισχυτική μάθηση. Μάθηση με και χωρίς μοντέλα
- Ο αλγόριθμος εκμάθησης χρονικών διαφορών (TD-learning) και ο αλγόριθμος Q-μάθησης
- Προβλήματα ικανοποίησης περιορισμών
- Αναζήτηση backtracking με συνέπεια ακμών
- Αλγόριθμοι τοπικής αναζήτησης και παραλλαγές τους
- Εισαγωγή στην Μηχανική Μάθηση
Semester VI Εξαμηνο VI 6 courses μαθηματα · 45 ECTS
Advanced Computing Models: Virtualization Cloud & Mobile Computing Προηγμένα Υπολογιστικά Μοντέλα: Εικονικοποίηση, Υπολογιστικό Νέφος και Κινητός Υπολογισμός Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Platform Technologies Advance Programming (Java or Python) Information Systems Τεχνολογίες Πλατφόρμας Προηγμένος Προγραμματισμός (Java ή Python) Πληροφοριακά Συστήματα
Self-study Προτεινομενος χρονος μελετης
45.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of this course, students will be able to:

Design and manage scalable multi-cloud architectures, implementing resource optimization and cost governance strategies.

Develop data-intensive applications, with a deep understanding of distributed systems, serverless models, and parallel processing frameworks.

Optimize computing workloads in mobile and edge computing environments, effectively managing limited device resources and data transfer.

Implement modern security models (e.g. Zero Trust) in multi-tenant infrastructures, ensuring strict compliance and data sovereignty according to international standards.

Evaluate and integrate future technologies, using AI-driven approaches (AIOps) to automate and solve problems in complex systems. Με την επιτυχή ολοκλήρωση αυτού του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Σχεδιάζουν και να διαχειρίζονται κλιμακώσιμες αρχιτεκτονικές multi-cloud, εφαρμόζοντας στρατηγικές βελτιστοποίησης πόρων και cost governance.

Αναπτύσσουν data-intensive εφαρμογές, κατανοώντας σε βάθος τα κατανεμημένα συστήματα, τα serverless μοντέλα και τα frameworks παράλληλης επεξεργασίας.

Βελτιστοποιούν υπολογιστικούς φόρτους σε περιβάλλοντα mobile και edge computing, διαχειριζόμενοι αποτελεσματικά τον περιορισμένο πόρο των συσκευών και τη μεταφορά δεδομένων.

Εφαρμόζουν σύγχρονα μοντέλα ασφαλείας (π.χ. Zero Trust) σε multi-tenant υποδομές, διασφαλίζοντας αυστηρό compliance και data sovereignty σύμφωνα με τα διεθνή πρότυπα.

Αξιολογούν και να ενσωματώνουν μελλοντικές τεχνολογίες, χρησιμοποιώντας AI-driven προσεγγίσεις (AIOps) για την αυτοματοποίηση και επίλυση προβλημάτων σε πολύπλοκα συστήματα.
Content Περιεχομενο
1. Θεμέλια Virtualization
2. Αρχιτεκτονικές Cloud, Διαχείριση Multi-Cloud & Cost Governance
3. Κατανεμημένα Συστήματα & Data-Intensive Εφαρμογές
4. Mobile & Pervasive Computing
5. Ασφάλεια, Εμπιστοσύνη, Compliance & Data Sovereignty
6. Μελλοντικές Τάσεις & AI-Driven Υποδομές 1. Foundations of Virtualization
2. Cloud Architectures, Multi-Cloud Management, & Cost Governance
3. Distributed Systems & Data-Intensive Applications
4. Mobile & Pervasive Computing
5. Security, Trust, Compliance, & Data Sovereignty
6. Future Trends & AI-Driven Infrastructures
Information Security & Policy Ασφάλεια Πληροφοριών και Πολιτική Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
45.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of information security (CIA triad)
Identify threats, vulnerabilities, and attacks
Apply basic security techniques (cryptography, access control)
Perform risk analysis and propose mitigation strategies
Design organizational security policies
Understand legal and regulatory frameworks (GDPR, ISO 27001)
Manage security incidents
Apply security principles in information systems
Recognize the role of human factors in security Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες ασφάλειας πληροφοριών (CIA triad)
Αναγνωρίζουν απειλές, ευπάθειες και επιθέσεις
Εφαρμόζουν βασικές τεχνικές προστασίας (κρυπτογραφία, έλεγχος πρόσβασης)
Αναλύουν κινδύνους και να προτείνουν μέτρα αντιμετώπισης
Σχεδιάζουν πολιτικές ασφάλειας σε οργανισμούς
Κατανοούν νομικά και κανονιστικά πλαίσια (GDPR, ISO 27001)
Διαχειρίζονται περιστατικά ασφάλειας (incident response)
Εφαρμόζουν αρχές ασφάλειας σε πληροφοριακά συστήματα
Κατανοούν τη σημασία της ανθρώπινης διάστασης στην ασφάλεια
Content Περιεχομενο
Week 1: Introduction to information security
Week 2: Threats, attacks, vulnerabilities
Week 3: Basics of cryptography
Week 4: Access control and authentication
Week 5: Network security
Week 6: Application security
Week 7: Risk assessment and management
Week 8: Security policies and governance
Week 9: Regulatory frameworks (GDPR, ISO)
Week 10: Incident response
Week 11: Human factors and social engineering
Week 12: Case studies and review 1η εβδομάδα:
Εισαγωγή στην ασφάλεια πληροφοριών

2η εβδομάδα:
Απειλές, επιθέσεις και ευπάθειες

3η εβδομάδα:
Βασικές αρχές κρυπτογραφίας

4η εβδομάδα:
Έλεγχος πρόσβασης και authentication

5η εβδομάδα:
Ασφάλεια δικτύων

6η εβδομάδα:
Ασφάλεια εφαρμογών

7η εβδομάδα:
Risk assessment και risk management

8η εβδομάδα:
Πολιτικές ασφάλειας και governance

9η εβδομάδα:
Κανονιστικά πλαίσια (GDPR, ISO standards)

10η εβδομάδα:
Διαχείριση περιστατικών ασφάλειας

11η εβδομάδα:
Ανθρώπινος παράγοντας και social engineering

12η εβδομάδα:
Case studies και ανακεφαλαίωση
Systems Analysis & Design Ανάλυση και Σχεδίαση Συστημάτων Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Object Oriented Programming Αντικειμενοστρεφής Προγραμματισμός
Self-study Προτεινομενος χρονος μελετης
57 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The course introduces the students to the methods and principles for analysis, design and development of software. Unified Modeling Language is utilized for system modeling and creation of software specifications. The students will acquire the following knowledge and skills:
Understanding the principles and tools of software analysis, design and development
Elicitation of users' and system requirements
Creation of valid and complete software specifications
Applying UML for system modeling and design
Understanding main software architectures
Software verification/ testing and validation methods To μάθημα στοχεύει στην εξοικείωση των φοιτητών με τις μεθόδους και τις αρχές της ανάλυσης, σχεδίασης και υλοποίησης λογισμικού. Χρησιμοποιείται η Ενοποιημένη Γλώσσα Μοντελοποίησης UML για τη μοντελοποίηση των συστημάτων και την αποτύπωση των προδιαγραφών του λογισμικού. Στο τέλος του μαθήματος, οι φοιτητές θα έχουν αποκτήσει τις παρακάτω βασικές γνώσεις, ικανότητες και δεξιότητες:
Κατανόηση μεθοδολογιών και εργαλείων για την ανάπτυξη και σχεδιαση λογισμικού/ συστημάτων
Ανάλυση απαιτήσεων λογισμικού με σύγχρονες πρακτικές
Σύνταξη ολοκληρωμένων, δομημένων προδιαγραφών λογισμικού
Χρήση στην πράξη της UML για τη μοντελοποίηση λογισμικού
Κατανόηση βασικών αρχιτεκτονικών λογισμικού
Πρακτικές επαλήθευσης και επικύρωσης λογισμικού
Content Περιεχομενο
Lecture 1: Introduction to Software Analysis, Design and Modeling
Lecture 2: Software engineering methods
Lecture 3: Software requirements
Lecture 4: Requirements analysis
Lecture 5: Software specifications
Lecture 6: Software design, Intro to UML
Lecture 7: System modeling - Use cases
Lecture 8: System modeling - Data models
Lecture 9: System modeling - Behavior models
Lecture 10: System modeling examples - UML tool application
Lecture 11: Main software architectures
Lecture 12: Service-oriented architectures
Lecture 13: Software testing 1η Ενότητα: Εισαγωγή στην Τεχνολογία Λογισμικού
2η Ενότητα: Μοντέλα Ανάπτυξης Λογισμικού
3η Ενότητα: Απαιτήσεις Λογισμικού, Λειτουργικές και Μη Λειτουργικές Απαιτήσεις
4η Ενότητα: Ανάλυση Απαιτήσεων - Μέθοδοι, Προκλήσεις
5η Ενότητα: Προδιαγραφές Λογισμικού, Επικύρωση και Επαλήθευση Λογισμικού
6η Ενότητα: Μοντελοποιηση και Σχεδίαση Λογισμικού, Εισαγωγή στη γλώσσα UML
7η Ενότητα: Μοντελοποίηση Συστημάτων - Μοντέλα Συμπεριφοράς
8η Ενότητα: Μοντελοποίηση Συστημάτων - Μοντέλα Δομής
9η Ενότητα: Μοντελοποίηση Συστημάτων - Μοντέλα Διάδρασης
10η Ενότητα: Παραδείγματα μοντελοποίησης με χρήση εργαλείου UML
11η Ενότητα: Βασικες Aρχιτεκτονικές Συστημάτων
12η Ενότητα: Υπηρεσιοστρεφεις αρχιτεκτονικες
13η Ενότητα: Έλεγχος Λογισμικού
Mobile Networks and IoT Δίκτυα Κινητών Επικοινωνιών και Διαδίκτυο των Πραγμάτων Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
70 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand mobile and wireless network principles
Identify 4G/5G technologies and architectures
Understand IoT protocols (MQTT, CoAP)
Design IoT systems and applications
Work with sensors and IoT devices
Understand IoT security and privacy challenges
Analyze IoT data
Use IoT platforms (Arduino, Raspberry Pi)
Develop simple IoT applications
Integrate IoT with cloud services Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές αρχές κινητών και ασύρματων δικτύων
Αναγνωρίζουν τεχνολογίες 4G/5G και αρχιτεκτονικές δικτύων
Κατανοούν βασικά πρωτόκολλα IoT (MQTT, CoAP)
Σχεδιάζουν IoT συστήματα και εφαρμογές
Διαχειρίζονται αισθητήρες και συσκευές IoT
Κατανοούν ζητήματα ασφάλειας και ιδιωτικότητας σε IoT
Αναλύουν δεδομένα από IoT συστήματα
Χρησιμοποιούν πλατφόρμες IoT (π.χ. Arduino, Raspberry Pi)
Αναπτύσσουν απλές IoT εφαρμογές
Συνδέουν IoT με cloud υπηρεσίες
Content Περιεχομενο
Week 1: Introduction to mobile networks and IoT
Week 2: Wireless communication fundamentals
Week 3: Mobile networks (3G, 4G, 5G)
Week 4: IoT architecture
Week 5: IoT protocols (MQTT, CoAP)
Week 6: Sensors and devices
Week 7: Embedded systems
Week 8: IoT networking
Week 9: Cloud and IoT platforms
Week 10: Security and privacy
Week 11: IoT applications
Week 12: Project and review 1η εβδομάδα:
Εισαγωγή σε mobile networks και IoT

2η εβδομάδα:
Βασικές αρχές ασύρματης επικοινωνίας

3η εβδομάδα:
Κινητά δίκτυα (3G, 4G, 5G)

4η εβδομάδα:
Αρχιτεκτονική IoT

5η εβδομάδα:
IoT πρωτόκολλα (MQTT, CoAP)

6η εβδομάδα:
Αισθητήρες και συσκευές

7η εβδομάδα:
Embedded systems (Arduino, Raspberry Pi)

8η εβδομάδα:
Δικτύωση IoT (LPWAN, Wi-Fi, Bluetooth)

9η εβδομάδα:
Cloud και IoT platforms

10η εβδομάδα:
Ασφάλεια και ιδιωτικότητα

11η εβδομάδα:
Εφαρμογές IoT (smart cities, health, industry)

12η εβδομάδα:
Project και ανακεφαλαίωση
Applied Machine Learning Εφαρμοσμένη Μηχανική Μάθηση Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
- -
Self-study Προτεινομενος χρονος μελετης
75.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of this course, students will be able to:

- Understand the fundamental concepts of applied machine learning and deep learning, including supervised, unsupervised, and self-supervised learning paradigms.
- Implement and train neural networks using PyTorch, including multi-layer perceptrons (MLPs), convolutional neural networks (CNNs), and recurrent neural networks (RNNs), for real-world classification and regression tasks.
- Apply best practices in data preparation, normalization, train/val/test splitting, regularization (dropout, L1/L2, batch normalization), and early stopping within the ML development pipeline.
- Design and fine-tune CNN architectures (AlexNet, VGG, ResNet, EfficientNet) for image recognition tasks using transfer learning from pre-trained models.
- Build and apply recurrent architectures (LSTM, GRU) for sequential and time-series data analysis, including text classification.
- Understand the Transformer architecture, self-attention mechanisms, and the pre-training/fine-tuning paradigm underlying modern large language models such as BERT and GPT.
- Identify and apply state-of-the-art methods for advanced computer vision tasks, including object detection (YOLO, Faster R-CNN) and image segmentation (U-Net, Mask R-CNN).
- Develop, evaluate, and present applied ML solutions using Python, Jupyter notebooks, and the PyTorch ecosystem. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

- Κατανοούν τις θεμελιώδεις έννοιες της εφαρμοσμένης μηχανικής μάθησης και της βαθιάς μάθησης, συμπεριλαμβανομένων των παραδειγμάτων επιβλεπόμενης, μη επιβλεπόμενης και αυτο-επιβλεπόμενης μάθησης.
- Υλοποιούν και εκπαιδεύουν νευρωνικά δίκτυα με χρήση PyTorch, συμπεριλαμβανομένων πολυεπίπεδων perceptron (MLP), συνελικτικών νευρωνικών δικτύων (CNN) και αναδρομικών νευρωνικών δικτύων (RNN), για πραγματικές εργασίες ταξινόμησης και παλινδρόμησης.
- Εφαρμόζουν βέλτιστες πρακτικές στην προετοιμασία δεδομένων, την κανονικοποίηση, τον διαχωρισμό συνόλων εκπαίδευσης/επικύρωσης/ελέγχου, τις τεχνικές κανονικοποίησης (dropout, L1/L2, batch normalization) και την πρόωρη διακοπή εκπαίδευσης.
- Σχεδιάζουν και βαθμονομούν αρχιτεκτονικές CNN (AlexNet, VGG, ResNet, EfficientNet) για εργασίες αναγνώρισης εικόνας με χρήση μεταφοράς μάθησης από προεκπαιδευμένα μοντέλα.
- Κατασκευάζουν και εφαρμόζουν αναδρομικές αρχιτεκτονικές (LSTM, GRU) για ανάλυση ακολουθιακών δεδομένων και χρονοσειρών, συμπεριλαμβανομένης της ταξινόμησης κειμένου.
- Κατανοούν την αρχιτεκτονική Transformer, τους μηχανισμούς αυτο-προσοχής και το παράδειγμα προεκπαίδευσης/λεπτής βαθμονόμησης που διέπει σύγχρονα μεγάλα γλωσσικά μοντέλα, όπως τα BERT και GPT.
- Αναγνωρίζουν και εφαρμόζουν σύγχρονες μεθόδους για προηγμένες εργασίες υπολογιστικής όρασης, συμπεριλαμβανομένης της ανίχνευσης αντικειμένων (YOLO, Faster R-CNN) και της τμηματοποίησης εικόνας (U-Net, Mask R-CNN).
- Αναπτύσσουν, αξιολογούν και παρουσιάζουν εφαρμοσμένες λύσεις μηχανικής μάθησης με χρήση Python, Jupyter notebooks και του οικοσυστήματος PyTorch.
Content Περιεχομενο
- Introduction to Applied Machine Learning. Definitions. Supervised, unsupervised and self-supervised learning. Overview of PyTorch and the deep learning ecosystem.
- Data preparation and the ML pipeline. Datasets, data loaders, normalization, train/val/test splits. Tensors and autograd in PyTorch.
- From linear models to neural networks. Perceptron, activation functions, multi-layer perceptrons (MLPs). Classification and regression with MLPs in PyTorch.
- Training neural networks. Loss functions, gradient descent, backpropagation. Stochastic gradient descent and modern optimizers (Adam, AdamW).
- Regularization and generalization. Overfitting, dropout, L1/L2 regularization, batch normalization, early stopping.
- Convolutional Neural Networks (CNNs) for image data. Convolution operation, pooling, receptive fields, feature maps.
- CNN architectures and transfer learning. AlexNet, VGG, ResNet, EfficientNet. Fine-tuning pre-trained models on custom datasets.
- Sequential data and Recurrent Neural Networks. Vanishing gradients problem. LSTM and GRU cells. Time-series regression and classification.
- Applications of recurrent models. Sequence-to-sequence tasks. Word embeddings. Text classification with RNNs.
- Attention mechanisms and the Transformer architecture. Self-attention, multi-head attention, positional encoding.
- Transformer-based language models. Pre-training and fine-tuning paradigm. Overview of BERT, GPT and modern large language models (LLMs).
- Advanced computer vision I: Object detection. Anchor-based and anchor-free detectors. Overview of YOLO and Faster R-CNN.
- Advanced computer vision II: Image segmentation. Semantic vs. instance segmentation. U-Net and Mask R-CNN overview. - Εισαγωγή στην Εφαρμοσμένη Μηχανική Μάθηση. Ορισμοί. Επιβλεπόμενη, μη επιβλεπόμενη και αυτο-επιβλεπόμενη μάθηση. Επισκόπηση του PyTorch και του οικοσυστήματος βαθιάς μάθησης.
- Προετοιμασία δεδομένων και αγωγός μηχανικής μάθησης. Σύνολα δεδομένων, φόρτωση δεδομένων, κανονικοποίηση, διαχωρισμός συνόλων εκπαίδευσης/επικύρωσης/ελέγχου. Τανυστές και αυτόματος υπολογισμός παραγώγων (autograd) στο PyTorch.
- Από γραμμικά μοντέλα σε νευρωνικά δίκτυα. Perceptron, συναρτήσεις ενεργοποίησης, πολυεπίπεδα perceptron (MLP). Ταξινόμηση και παλινδρόμηση με MLP στο PyTorch.
- Εκπαίδευση νευρωνικών δικτύων. Συναρτήσεις κόστους, μέθοδος καθοδικής κλίσης, αλγόριθμος οπισθοδιάδοσης σφάλματος. Στοχαστική μέθοδος καθοδικής κλίσης και σύγχρονοι αλγόριθμοι βελτιστοποίησης (Adam, AdamW).
- Κανονικοποίηση και γενίκευση. Υπερπροσαρμογή (overfitting), απόρριψη νευρώνων (dropout), κανονικοποίηση L1/L2, κανονικοποίηση κατά δέσμες (batch normalization), πρόωρη διακοπή εκπαίδευσης (early stopping).
- Συνελικτικά Νευρωνικά Δίκτυα (CNN) για δεδομένα εικόνας. Πράξη συνέλιξης, συγκέντρωση χαρακτηριστικών (pooling), δεκτικά πεδία, χάρτες χαρακτηριστικών.
- Αρχιτεκτονικές CNN και μεταφορά μάθησης. AlexNet, VGG, ResNet, EfficientNet. Λεπτή βαθμονόμηση (fine-tuning) προεκπαιδευμένων μοντέλων σε νέα σύνολα δεδομένων.
- Ακολουθιακά δεδομένα και Αναδρομικά Νευρωνικά Δίκτυα. Πρόβλημα εξαφανιζόμενης κλίσης. Μονάδες μακράς βραχυπρόθεσμης μνήμης (LSTM) και μονάδες πυλωτής επαναφοράς (GRU). Παλινδρόμηση και ταξινόμηση χρονοσειρών.
- Εφαρμογές αναδρομικών μοντέλων. Εργασίες αντιστοίχισης ακολουθιών (sequence-to-sequence). Διανυσματική αναπαράσταση λέξεων. Ταξινόμηση κειμένου με αναδρομικά νευρωνικά δίκτυα.
- Μηχανισμοί προσοχής και αρχιτεκτονική Transformer. Μηχανισμός αυτο-προσοχής (self-attention), πολυκεφαλής προσοχή (multi-head attention), κωδικοποίηση θέσης (positional encoding).
- Γλωσσικά μοντέλα βασισμένα σε Transformer. Παράδειγμα προεκπαίδευσης και λεπτής βαθμονόμησης. Επισκόπηση BERT, GPT και σύγχρονων μεγάλων γλωσσικών μοντέλων (LLM).
- Προηγμένη υπολογιστική όραση Ι: Ανίχνευση αντικειμένων. Ανιχνευτές βάσει σημείων αναφοράς (anchor-based) και χωρίς σημεία αναφοράς (anchor-free). Επισκόπηση YOLO και Faster R-CNN.
- Προηγμένη υπολογιστική όραση ΙΙ: Τμηματοποίηση εικόνας. Σημασιολογική τμηματοποίηση και τμηματοποίηση κατά στιγμιότυπο. Επισκόπηση U-Net και Mask R-CNN.
Software Engineering Μηχανική Λογισμικού Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
45.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand software engineering principles
Analyze requirements and produce specifications
Design software architectures
Use modeling techniques (UML)
Apply development methodologies (Agile, Scrum)
Collaborate using version control systems
Apply testing and quality assurance practices
Understand DevOps and CI/CD
Manage small-scale software projects Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν τις βασικές αρχές της μηχανικής λογισμικού
Αναλύουν απαιτήσεις και να παράγουν προδιαγραφές (SRS)
Σχεδιάζουν αρχιτεκτονικές λογισμικού
Χρησιμοποιούν μοντελοποίηση (UML)
Εφαρμόζουν μεθοδολογίες ανάπτυξης (Waterfall, Agile, Scrum)
Αναπτύσσουν και διαχειρίζονται κώδικα σε ομάδες
Εφαρμόζουν πρακτικές ελέγχου ποιότητας (testing, QA)
Χρησιμοποιούν version control (Git)
Κατανοούν βασικές έννοιες DevOps και CI/CD
Διαχειρίζονται μικρά έργα λογισμικού
Content Περιεχομενο
Week 1: Introduction to software engineering
Week 2: Software development lifecycle
Week 3: Requirements engineering
Week 4: UML modeling
Week 5: Software design and architecture
Week 6: Agile and Scrum
Week 7: Project management
Week 8: Version control (Git)
Week 9: Testing and QA
Week 10: DevOps and CI/CD
Week 11: Software maintenance
Week 12: Team project and review 1η εβδομάδα:
Εισαγωγή στη μηχανική λογισμικού

2η εβδομάδα:
Κύκλος ζωής ανάπτυξης (SDLC)

3η εβδομάδα:
Ανάλυση απαιτήσεων

4η εβδομάδα:
Μοντελοποίηση (UML)

5η εβδομάδα:
Σχεδίαση λογισμικού και αρχιτεκτονικές

6η εβδομάδα:
Μεθοδολογίες ανάπτυξης (Agile, Scrum)

7η εβδομάδα:
Διαχείριση έργων λογισμικού

8η εβδομάδα:
Version control και συνεργασία (Git)

9η εβδομάδα:
Testing και διασφάλιση ποιότητας

10η εβδομάδα:
DevOps και CI/CD

11η εβδομάδα:
Συντήρηση λογισμικού

12η εβδομάδα:
Ομαδικό project και ανακεφαλαίωση
Semester VII Εξαμηνο VII 6 courses μαθηματα · 45 ECTS
Knowledge Management Διαχείριση Γνώσης Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Databases Βάσεις Δεδομένων
Self-study Προτεινομενος χρονος μελετης
75.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
This course provides a comprehensive introduction to the principles and technologies used to transform raw data into structured, actionable knowledge. Starting from the formal foundations of Mathematical Logic, students will explore the evolution of data storage—from Relational and NoSQL databases to the specialized world of RDF and Triplestores. A significant portion of the course is dedicated to the "Semantic" layer of information, focusing on Ontologies (OWL) and the lifecycle of Knowledge Graphs, including their construction, exploitation, and the application of automated Reasoning to uncover hidden insights.

Upon successful completion of the course, students will be able to:
- understand and apply Propositional, First-order, and Description Logics as the basis for knowledge representation
- evaluate and implement various data models, including Relational, NoSQL, and Graph-based (RDF) systems
- design and develop formal Ontologies using the OWL language to define relationships and constraints within a domain
- construct, manage, and query Knowledge Graphs to integrate heterogeneous data sources. Αυτό το μάθημα παρέχει μια ολοκληρωμένη εισαγωγή στις αρχές και τις τεχνολογίες που χρησιμοποιούνται για τον μετασχηματισμό των ακατέργαστων δεδομένων σε δομημένη, εφαρμόσιμη γνώση. Ξεκινώντας από τα θεμέλια της Μαθηματικής Λογικής, οι φοιτητές θα εξερευνήσουν την εξέλιξη της αποθήκευσης δεδομένων - από τις σχεσιακές και NoSQL βάσεις δεδομένων έως τον εξειδικευμένο κόσμο της RDF και των Triplestores. Ένα σημαντικό μέρος του μαθήματος είναι αφιερωμένο στο "Σημασιολογικό" επίπεδο πληροφοριών, εστιάζοντας στις Οντολογίες (OWL) και τον κύκλο ζωής των Γραφημάτων Γνώσης, συμπεριλαμβανομένης της κατασκευής, της αξιοποίησής τους και της εφαρμογής αυτοματοποιημένης Συλλογιστικής για την ανακάλυψη κρυφών πληροφοριών.

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
- κατανοούν και να εφαρμόζουν Προτασιακές, Πρώτης Τάξης και Περιγραφικές Λογικές ως βάση για την αναπαράσταση γνώσης
- αξιολογούν και εφαρμόζουν διάφορα μοντέλα δεδομένων, συμπεριλαμβανομένων των σχεσιακών, NoSQL και συστημάτων που βασίζονται σε Γράφους (RDF)
- σχεδιάζουν και αναπτύσσουν τυπικές Οντολογίες χρησιμοποιώντας τη γλώσσα OWL για να ορίζουν σχέσεις και περιορισμούς εντός ενός τομέα
- κατασκευάζουν, διαχειρίζονται και υποβάλλουν ερωτήματα σε Γράφημα Γνώσης για την ενσωμάτωση ετερογενών πηγών δεδομένων.
Content Περιεχομενο
Basic Concepts of Mathematical Logic (Propositional, First-oder, Description Logics)
Data Representation in Relational Databases
NoSQL Databases
RDF and Triplestores
Ontologies, the OWL Language
Knowledge Graphs
Construction and Exploitation of Knowledge Graphs
Reasoning Βασικές Έννοιες Μαθηματικής Λογικής (Προτασιακή, πρωτοβάθμια, περιγραφική λογική)
Αναπαράσταση Δεδομένων σε Σχεσιακές Βάσεις
NoSQL Βάσεις Δεδομένων
RDF και Triplestores
Οντολογίες, η γλώσσα OWL
Γραφήματα Γνώσης
Κατασκευή και Αξιοποίηση Γραφημάτων Γνώσης
Συλλογιστική
Technology Assessment Αξιολόγηση Τεχνολογίας Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
- -
Self-study Προτεινομενος χρονος μελετης
100.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

understand the basic concepts, theories, and approaches of technology assessment,
analyze the social, economic, environmental, political, legal, and ethical dimensions of technological development,
apply core qualitative and quantitative technology assessment methods in different application contexts,
evaluate the suitability of different methods and tools depending on the technological and organizational context,
interpret the factors influencing the acceptance, adoption, and diffusion of new technologies by individuals and organizations,
relate technology assessment to decision-making processes, strategic planning, public policy, and innovation governance,
analyze and document case studies related to emerging digital technologies,
formulate well-founded judgments and recommendations regarding the impacts and management of technological developments. Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

κατανοούν τις βασικές έννοιες, θεωρίες και προσεγγίσεις της αξιολόγησης τεχνολογίας,
αναλύουν τις κοινωνικές, οικονομικές, περιβαλλοντικές, πολιτικές, νομικές και ηθικές διαστάσεις της τεχνολογικής ανάπτυξης,
εφαρμόζουν βασικές ποιοτικές και ποσοτικές μεθόδους αξιολόγησης τεχνολογίας σε διαφορετικά πεδία εφαρμογής,
αξιολογούν την καταλληλότητα διαφορετικών μεθόδων και εργαλείων ανάλογα με το τεχνολογικό και οργανωσιακό πλαίσιο,
ερμηνεύουν παράγοντες που επηρεάζουν την αποδοχή, υιοθέτηση και διάχυση νέων τεχνολογιών από άτομα και οργανισμούς,
συνδέουν την αξιολόγηση τεχνολογίας με διαδικασίες λήψης αποφάσεων, στρατηγικού σχεδιασμού, δημόσιας πολιτικής και διακυβέρνησης της καινοτομίας,
αναλύουν και τεκμηριώνουν μελέτες περίπτωσης σχετικές με αναδυόμενες ψηφιακές τεχνολογίες,
διαμορφώνουν τεκμηριωμένες κρίσεις και προτάσεις σχετικά με τις επιπτώσεις και τη διαχείριση τεχνολογικών εξελίξεων.
Content Περιεχομενο
This course introduces students to the concept, evolution, and significance of technology assessment in the context of the digital society and economy. It examines the social, economic, environmental, political, legal, and ethical dimensions of technological development, with particular emphasis on information and communication technologies and digital transformation. The course presents core qualitative and quantitative methods used in technology assessment, including cost-benefit analysis, risk analysis, multicriteria analysis, life cycle analysis, scenario analysis, technology forecasting, participatory assessment, indicator-based approaches, benchmarking, and case study analysis. Particular emphasis is placed on technology acceptance by individuals and organizations, with reference to relevant theoretical models and to the factors influencing behavioral intention, perceived usefulness, perceived ease of use, adoption, and diffusion of new technologies. The course further explores the role of technology assessment in decision-making, strategic planning, public policy, and innovation governance, and includes applications and case studies focusing on emerging technologies such as artificial intelligence, big data, digital platforms, next-generation networks, and smart infrastructures. Το μάθημα εισάγει τους φοιτητές στην έννοια, την εξέλιξη και τη σημασία της αξιολόγησης τεχνολογίας στο πλαίσιο της ψηφιακής κοινωνίας και οικονομίας. Εξετάζει τις κοινωνικές, οικονομικές, περιβαλλοντικές, πολιτικές, νομικές και ηθικές διαστάσεις της τεχνολογικής ανάπτυξης, με ιδιαίτερη έμφαση στις τεχνολογίες πληροφορικής και επικοινωνιών, καθώς και στον ψηφιακό μετασχηματισμό. Παρουσιάζει βασικές ποιοτικές και ποσοτικές μεθόδους που χρησιμοποιούνται στην αξιολόγηση τεχνολογίας, όπως η ανάλυση κόστους-οφέλους, η ανάλυση κινδύνου, η πολυκριτηριακή ανάλυση, η ανάλυση κύκλου ζωής, η ανάλυση σεναρίων, η πρόβλεψη τεχνολογικών εξελίξεων, η συμμετοχική αξιολόγηση, οι προσεγγίσεις που βασίζονται σε δείκτες, το benchmarking και η ανάλυση μελετών περίπτωσης. Ιδιαίτερη έμφαση δίνεται στην αποδοχή της τεχνολογίας από άτομα και οργανισμούς, με αναφορά σε σχετικά θεωρητικά μοντέλα και στους παράγοντες που επηρεάζουν τη συμπεριφορική πρόθεση, την αντιλαμβανόμενη χρησιμότητα, την αντιλαμβανόμενη ευκολία χρήσης, την υιοθέτηση και τη διάχυση νέων τεχνολογιών. Το μάθημα εξετάζει επίσης τον ρόλο της αξιολόγησης τεχνολογίας στη λήψη αποφάσεων, στον στρατηγικό σχεδιασμό, στη δημόσια πολιτική και στη διακυβέρνηση της καινοτομίας, και περιλαμβάνει εφαρμογές και μελέτες περίπτωσης με έμφαση σε αναδυόμενες τεχνολογίες, όπως η τεχνητή νοημοσύνη, τα μεγάλα δεδομένα, οι ψηφιακές πλατφόρμες, τα δίκτυα νέας γενιάς και οι έξυπνες υποδομές.
Project Management in IT/IS Διαχείριση Έργων στην Πληροφορική και τα Πληροφοριακά Συστήματα Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
55.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of business continuity and disaster recovery
Identify risks and threats to organizations
Conduct Business Impact Analysis (BIA)
Design business continuity plans
Develop disaster recovery strategies (backup, redundancy, failover)
Understand relevant standards (ISO 22301)
Manage incidents and crises
Test and evaluate continuity plans
Apply resilience strategies in IT systems Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες επιχειρησιακής συνέχειας (BCP) και αποκατάστασης καταστροφών (DR)
Αναγνωρίζουν κινδύνους και απειλές για οργανισμούς
Εκπονούν Business Impact Analysis (BIA)
Σχεδιάζουν σχέδια επιχειρησιακής συνέχειας
Αναπτύσσουν στρατηγικές disaster recovery (backup, redundancy, failover)
Κατανοούν βασικά πρότυπα και κανονισμούς (ISO 22301)
Διαχειρίζονται περιστατικά και κρίσεις
Αξιολογούν και δοκιμάζουν σχέδια συνέχειας
Ενσωματώνουν τεχνολογικές λύσεις για ανθεκτικότητα συστημάτων
Content Περιεχομενο
Week 1: Introduction to BCP and DR
Week 2: Threats and disaster scenarios
Week 3: Business Impact Analysis
Week 4: Risk assessment and management
Week 5: Business continuity strategies
Week 6: Disaster recovery planning
Week 7: Backup and redundancy
Week 8: Cloud and resilience
Week 9: Standards and regulations (ISO 22301)
Week 10: Crisis and incident management
Week 11: Testing and exercises
Week 12: Case studies and review 1η εβδομάδα:
Εισαγωγή σε BCP και DR

2η εβδομάδα:
Απειλές, κίνδυνοι και σενάρια καταστροφών

3η εβδομάδα:
Business Impact Analysis (BIA)

4η εβδομάδα:
Risk assessment και risk management

5η εβδομάδα:
Στρατηγικές επιχειρησιακής συνέχειας

6η εβδομάδα:
Disaster Recovery planning

7η εβδομάδα:
Backup, replication και redundancy

8η εβδομάδα:
Cloud και resilience

9η εβδομάδα:
Πρότυπα και κανονισμοί (ISO 22301)

10η εβδομάδα:
Διαχείριση κρίσεων και incident response

11η εβδομάδα:
Testing και ασκήσεις ετοιμότητας

12η εβδομάδα:
Case studies και ανακεφαλαίωση
Advance Programming Frameworks and APIs Προηγμένα Πλαίσια Προγραμματισμού και Διεπαφές API Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Javascript, HTTP protocol Javascript, HTTP protocol
Self-study Προτεινομενος χρονος μελετης
65.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The course's purpose is to introduce students with advanced programming processes in the context of internet-based data sources. This includes the use of open data APIs with different context (e.g. smart campus, smart cities, smart facilities in general) and the creation of software architectures that exploit and distribute data and events for a multitude of purposes. The course includes also introduction to advanced programming approaches such as serverless computing and event driven architectures in order to facilitate the creation of on-demand, scalable and cloud native solutions for the above application categories. Σκοπός του μαθήματος είναι να εισαγάγει τους φοιτητές σε προηγμένες διαδικασίες προγραμματισμού στο πλαίσιο διαδικτυακών πηγών δεδομένων. Αυτό περιλαμβάνει τη χρήση διεπαφών προγραμματισμού εφαρμογών (APIs) ανοικτών δεδομένων με διαφορετικό περιεχόμενο (π.χ. έξυπνη πανεπιστημιούπολη, έξυπνες πόλεις, έξυπνες εγκαταστάσεις γενικότερα) και τη δημιουργία αρχιτεκτονικών λογισμικού που αξιοποιούν και διανέμουν δεδομένα και συμβάντα για πλήθος σκοπών. Το μάθημα περιλαμβάνει επίσης εισαγωγή σε προηγμένες προγραμματιστικές προσεγγίσεις, όπως η υπολογιστική χωρίς εξυπηρετητές (serverless computing) και οι αρχιτεκτονικές καθοδηγούμενες από συμβάντα (event-driven architectures), προκειμένου να διευκολυνθεί η δημιουργία κατ' απαίτηση (on-demand), κλιμακώσιμων και εγγενών στο υπολογιστικό νέφος (cloud native) λύσεων για τις παραπάνω κατηγορίες εφαρμογών.
Content Περιεχομενο
Open Data and Smart Cities APIs, Internet services and service oriented implementations, REST protocol, Service orchestration and workflows, Abstraction Layers, Applications from service integration, The DIKW added value model, L architectures, common open source tools per case. Example of HUA Smart Campus facility and data
Messaging systems, asynchronous notifications, the AMQP protocol, design, adaptation and operation of messaging systems, authorization and data flow segregation
Introduction to event driven application design, the serverless computing concept, integration of serverless functions with external systems and application logic Ανοικτά Δεδομένα και APIs Έξυπνων Πόλεων, Υπηρεσίες διαδικτύου (Internet services) και υλοποιήσεις προσανατολισμένες στις υπηρεσίες (SOA), πρωτόκολλο REST, Ενορχήστρωση υπηρεσιών (Service orchestration) και ροές εργασίας (workflows), Επίπεδα Αφαίρεσης (Abstraction Layers), Εφαρμογές από την ενσωμάτωση υπηρεσιών, Το μοντέλο προστιθέμενης αξίας DIKW (Δεδομένα, Πληροφορία, Γνώση, Σοφία), Αρχιτεκτονικές L, κοινά εργαλεία ανοικτού κώδικα ανά περίπτωση. Μελέτη περίπτωσης του Έξυπνου Πανεπιστημίου στο Χαροκόπειο.

Συστήματα ανταλλαγής μηνυμάτων (Messaging systems), ασύγχρονες ειδοποιήσεις, το πρωτόκολλο AMQP, σχεδιασμός, προσαρμογή και λειτουργία συστημάτων μηνυμάτων, εξουσιοδότηση και διαχωρισμός ροής δεδομένων.

Εισαγωγή στον σχεδιασμό εφαρμογών καθοδηγούμενων από συμβάντα (event-driven design), η έννοια της υπολογιστικής χωρίς εξυπηρετητές (serverless computing), ενοποίηση serverless συναρτήσεων με εξωτερικά συστήματα και λογική εφαρμογών.
System Paradigms Παραδείγματα Σχεδίασης Συστημάτων Elective Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Lab Εργαστηριο
1 hr/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
Not applied Δεν υπάρχουν
Self-study Προτεινομενος χρονος μελετης
50.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Completing the course students would be prepared to act as cloud architects having the necessary knowledge to:

• Designing, developing and deploying an integrated application/ system
• Integrating existing platforms and applications
• Evaluating and identifying optimal solutions in collaboration with engineering and development teams
• Testing the application/system against user requirements
• Creating best practices in application/ system maintenance
• Providing support to clients and make recommendations based on their needs Ολοκληρώνοντας το μάθημα οι φοιτητές θα μπορούν να αναλάβουν το ρόλο του αρχιτέκτονα εφαρμογών και συστημάτων, ενώ θα έχουν γνώση να:
- Σχεδιάζουν, διαμορφώνουν και εγκαταστούν μια ολοκληρωμένη εφαρμογή
- Ολοκληρώνουν υπάρχουσες πλατφόρμες και εφαρμογές
- Αξιολογούν και διαμορφώνουν τη βέλτιστη λύση λαμβάνοντας υπόψη απαιτήσεις από ομάδες ανάπτυξης και υποστήριξης συστημάτων και εφαρμογών
- Δοκιμάζουν το σύστημα σε σχέση με τις απαιτήσεις των χρηστών
- Διαμορφώνουν καλές πρακτικές για τη συντήρηση του συστήματος
Content Περιεχομενο
The course consists of the following sections:

Perspectives and impact
a. Contrast system integration and system architecture.
b. Explain the system integration from the organizational perspective.

Requirements
a. Compare the various requirements modeling techniques.
b. Contrast between non-functional and functional requirements.
c. Demonstrate the structure of a detailed use case.
d. Express a use case based on relating functional requirements.
e. Illustrate the types of event flows in a use case and under which conditions they occur.
f. Describe how requirements gathering complements a system development lifecycle.
g. Describe how use cases drive testing throughout a system lifecycle.

System architecture
a. Demonstrate “architecture” in the context of system integration and architecture reflecting IEEE Standard 1471 and 7000.
b. Justify how complex systems can be represented using architectural views and how this facilitates system evolution over time.
c. Describe how some specific architectural views relate to the system lifecycle.
d. Contrast the SOA, Zachman Framework, ITIL, COBIT, and ISO 20,000 architectural frameworks.
e. Describe how modeling tools support the description and management of architectural views with examples, Model-based System Engineering and SysML

Testing and quality assurance
a. Express different ways for current testing standards.
b. Demonstrate the various components of usability testing.
c. Express different ways to execute and evaluate an acceptance test.

Integration and deployment
a. Express different ways for middleware platforms.
b. Demonstrate the advantages and disadvantages of some middleware platforms.
c. Justify major considerations for the selection of an enterprise integration platform.
d. Express different ways of integration using the “wrapper” approach.
e. Express different ways of integration using the “glue code” approach.
f. Describe how a framework facilitates integration of components.
g. Describe how the data warehouse concept relates to enterprise information integration.
h. Describe how integration choices affect testing and evaluation.

System governance
a. Compare alternative vendors of systems resources and justify a selection.
b. Develop policies for a networked system in an application domain (e.g., health care organization).
c. Develop policies for a network that includes low capacity embedded devices (e.g., a smart home).
d. Develop a disaster recovery plan for a small enterprise.

Operational activities
a. Design and implement a user and group administrative structure that allows users to use system resources effectively.
b. Design and construct development resources regarding administrative policies for different types of users.
c. Develop and monitor project plans for major system administration activities.
d. Install, configure, and test appropriate software and other resources.
e. Install, configure, and test automated device management technologies.
f. Design and implement a backup and restore strategy for a system.
Operational domains
a. Describe the scope of each operational domain in a system.
b. Develop and justify policies for each domain that allow for smooth interaction between domains without sacrificing security.
c. Develop and justify resource allocation plans for various operational domains.

Performance analysis
a. Design and implement a backup and restore strategy for a system.
b. Test the veracity of a disaster recovery plan for a small enterprise.
c. Confirm the accuracy and completeness of a backup. Στο μάθημα αναλύονται τα ακόλουθα:

Προοπτικές και Αντίκτυπος (Perspectives and Impact)
- Αντίθεση (διαχωρισμός) μεταξύ ολοκλήρωσης συστημάτων (system integration) και αρχιτεκτονικής συστημάτων (system architecture).
- Επεξήγηση της ολοκλήρωσης συστημάτων από οργανωτική (εταιρική) σκοπιά.

Απαιτήσεις (Requirements)
- Σύγκριση των διαφόρων τεχνικών μοντελοποίησης απαιτήσεων.
- Αντίθεση μεταξύ μη λειτουργικών (non-functional) και λειτουργικών απαιτήσεων (functional requirements).
- Επίδειξη της δομής μιας λεπτομερούς περίπτωσης χρήσης (use case).
- Διατύπωση μιας περίπτωσης χρήσης με βάση συσχετιζόμενες λειτουργικές απαιτήσεις.
- Εικονογράφηση των τύπων ροών συμβάντων (event flows) σε μια περίπτωση χρήσης και των συνθηκών υπό τις οποίες συμβαίνουν.
- Περιγραφή του πώς η συλλογή απαιτήσεων (requirements gathering) συμπληρώνει τον κύκλο ζωής ανάπτυξης συστήματος (SDLC).
- Περιγραφή του πώς οι περιπτώσεις χρήσης καθοδηγούν τις δοκιμές (testing) καθ' όλη τη διάρκεια του κύκλου ζωής ενός συστήματος.

Αρχιτεκτονική Συστήματος (System Architecture)
- Επίδειξη της έννοιας "αρχιτεκτονική" στο πλαίσιο της ολοκλήρωσης συστημάτων και της αρχιτεκτονικής, αντικατοπτρίζοντας το πρότυπο IEEE Standard 1471 και 7000.
- Αιτιολόγηση του τρόπου με τον οποίο τα σύνθετα συστήματα μπορούν να αναπαρασταθούν χρησιμοποιώντας αρχιτεκτονικές όψεις (architectural views) και πώς αυτό διευκολύνει την εξέλιξη του συστήματος με την πάροδο του χρόνου.
- Περιγραφή της σχέσης συγκεκριμένων αρχιτεκτονικών όψεων με τον κύκλο ζωής του συστήματος.
- Αντίθεση (σύγκριση) των αρχιτεκτονικών πλαισίων (frameworks) SOA, Zachman Framework, ITIL, COBIT και ISO 20000.
- Περιγραφή του τρόπου με τον οποίο τα εργαλεία μοντελοποίησηςυποστηρίζουν την περιγραφή και διαχείριση αρχιτεκτονικών όψεων με παραδείγματα, μοντελοκεντρική μηχανική συστημάτων και SysML


Δοκιμές και Διασφάλιση Ποιότητας (Testing and Quality Assurance)
- Διατύπωση διαφορετικών τρόπων για τα τρέχοντα πρότυπα δοκιμών (testing standards).
- Επίδειξη των διαφόρων συστατικών των δοκιμών ευχρηστίας (usability testing).
- Διατύπωση διαφορετικών τρόπων εκτέλεσης και αξιολόγησης μιας δοκιμής αποδοχής (acceptance test).

Ολοκλήρωση και Ανάπτυξη (Integration and Deployment)
- Διατύπωση διαφορετικών τρόπων για πλατφόρμες ενδιάμεσου λογισμικού(middleware platforms).
- Επίδειξη των πλεονεκτημάτων και μειονεκτημάτων ορισμένων πλατφορμών middleware.
- Αιτιολόγηση των κύριων παραμέτρων για την επιλογή μιας πλατφόρμας ολοκλήρωσης επιχειρήσεων (enterprise integration platform).
- Διατύπωση διαφορετικών τρόπων ολοκλήρωσης (integration) χρησιμοποιώντας την προσέγγιση "wrapper" (περιτύλιγμα).
- Διατύπωση διαφορετικών τρόπων ολοκλήρωσης χρησιμοποιώντας την προσέγγιση "glue code" (κώδικας κόλλας).
- Περιγραφή του πώς ένα πλαίσιο (framework) διευκολύνει την ολοκλήρωση στοιχείων.
- Περιγραφή του πώς η έννοια της αποθήκης δεδομένων (data warehouse) σχετίζεται με την ολοκλήρωση πληροφοριών επιχείρησης (enterprise information integration).
- Περιγραφή του πώς οι επιλογές ολοκλήρωσης επηρεάζουν τις δοκιμές (testing) και την αξιολόγηση.

Διακυβέρνηση Συστήματος (System Governance)
- Σύγκριση εναλλακτικών προμηθευτών πόρων συστημάτων και αιτιολόγηση μιας επιλογής.
- Ανάπτυξη πολιτικών για ένα δικτυωμένο σύστημα σε έναν τομέα εφαρμογής (π.χ. οργανισμός υγείας).
- Ανάπτυξη πολιτικών για ένα δίκτυο που περιλαμβάνει ενσωματωμένες συσκευές χαμηλής χωρητικότητας (π.χ. ένα έξυπνο σπίτι/smart home).
- Ανάπτυξη σχεδίου αποκατάστασης από καταστροφή (disaster recovery plan) για μια μικρή επιχείρηση.

Λειτουργικές Δραστηριότητες (Operational Activities)
- Σχεδιασμός και υλοποίηση μιας δομής διαχείρισης χρηστών και ομάδων (user and group admin) που επιτρέπει στους χρήστες να χρησιμοποιούν αποτελεσματικά τους πόρους του συστήματος.
- Σχεδιασμός και κατασκευή πόρων ανάπτυξης σχετικά με διοικητικές πολιτικές (administrative policies) για διαφορετικούς τύπους χρηστών.
- Ανάπτυξη και παρακολούθηση σχεδίων έργου (project plans) για κύριες δραστηριότητες διαχείρισης συστημάτων.
- Εγκατάσταση, διαμόρφωση (configuration) και δοκιμή κατάλληλου λογισμικού και άλλων πόρων.
- Εγκατάσταση, διαμόρφωση και δοκιμή τεχνολογιών αυτοματοποιημένης διαχείρισης συσκευών.
- Σχεδιασμός και υλοποίηση στρατηγικής δημιουργίας αντιγράφων ασφαλείας και επαναφοράς (backup and restore) για ένα σύστημα.

Λειτουργικοί Τομείς (Operational Domains)
- Περιγραφή του πεδίου εφαρμογής (scope) κάθε λειτουργικού τομέα(operational domain) σε ένα σύστημα.
- Ανάπτυξη και αιτιολόγηση πολιτικών για κάθε τομέα που επιτρέπουν την ομαλή αλληλεπίδραση μεταξύ των τομέων χωρίς να θυσιάζεται η ασφάλεια.
- Ανάπτυξη και αιτιολόγηση σχεδίων κατανομής πόρων (resource allocation plans) για διάφορους λειτουργικούς τομείς.

Ανάλυση Απόδοσης (Performance Analysis)
- Σχεδιασμός και υλοποίηση μιας στρατηγικής αντιγράφων ασφαλείας (backup) και επαναφοράς για ένα σύστημα.
- Δοκιμή της εγκυρότητας (veracity) ενός σχεδίου αποκατάστασης από καταστροφή (disaster recovery) για μια μικρή επιχείρηση.
- Επιβεβαίωση της ακρίβειας και της πληρότητας ενός αντιγράφου ασφαλείας(backup).
Business Continuity Planning and Disaster Recovery Σχεδιασμός Επιχειρησιακής Συνέχειας και Ανάκαμψη από Καταστροφές Foundation Upper Κορμού - Ειδίκευσης 7.5▼ ECTS
Lectures Διαλεξεις
4 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
45.5 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand core concepts of business continuity and disaster recovery
Identify risks and threats to organizations
Conduct Business Impact Analysis (BIA)
Design business continuity plans
Develop disaster recovery strategies (backup, redundancy, failover)
Understand relevant standards (ISO 22301)
Manage incidents and crises
Test and evaluate continuity plans
Apply resilience strategies in IT systems Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες επιχειρησιακής συνέχειας (BCP) και αποκατάστασης καταστροφών (DR)
Αναγνωρίζουν κινδύνους και απειλές για οργανισμούς
Εκπονούν Business Impact Analysis (BIA)
Σχεδιάζουν σχέδια επιχειρησιακής συνέχειας
Αναπτύσσουν στρατηγικές disaster recovery (backup, redundancy, failover)
Κατανοούν βασικά πρότυπα και κανονισμούς (ISO 22301)
Διαχειρίζονται περιστατικά και κρίσεις
Αξιολογούν και δοκιμάζουν σχέδια συνέχειας
Ενσωματώνουν τεχνολογικές λύσεις για ανθεκτικότητα συστημάτων
Content Περιεχομενο
Week 1: Introduction to BCP and DR
Week 2: Threats and disaster scenarios
Week 3: Business Impact Analysis
Week 4: Risk assessment and management
Week 5: Business continuity strategies
Week 6: Disaster recovery planning
Week 7: Backup and redundancy
Week 8: Cloud and resilience
Week 9: Standards and regulations (ISO 22301)
Week 10: Crisis and incident management
Week 11: Testing and exercises
Week 12: Case studies and review 1η εβδομάδα:
Εισαγωγή σε BCP και DR

2η εβδομάδα:
Απειλές, κίνδυνοι και σενάρια καταστροφών

3η εβδομάδα:
Business Impact Analysis (BIA)

4η εβδομάδα:
Risk assessment και risk management

5η εβδομάδα:
Στρατηγικές επιχειρησιακής συνέχειας

6η εβδομάδα:
Disaster Recovery planning

7η εβδομάδα:
Backup, replication και redundancy

8η εβδομάδα:
Cloud και resilience

9η εβδομάδα:
Πρότυπα και κανονισμοί (ISO 22301)

10η εβδομάδα:
Διαχείριση κρίσεων και incident response

11η εβδομάδα:
Testing και ασκήσεις ετοιμότητας

12η εβδομάδα:
Case studies και ανακεφαλαίωση
Semester VIII Εξαμηνο VIII 6 courses μαθηματα · 40 ECTS
Sustainability, Computing and Green Economy Βιωσιμότητα, Πληροφορική και Πράσινη Οικονομία Elective Επιλογή 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
None Κανένα
Self-study Προτεινομενος χρονος μελετης
46 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Following the completion of the course, the students are expected to:
- Identify the correlation of Computing with the production and use of electrical energy
- Identify the correlation of Computing with Critical Raw Materials
- Identify the correlation of Computing with the generation of Waste Electrical and Electronic Equipment (WEEE)
- Identify the positive contributions of Computing on Sustainability (process optimisation, dematerialisation, advanced simulation of environmental phenomena) Μετά την ολοκλήρωση του μαθήματος, οι φοιτητές και φοιτήτριες θα είναι σε θέση να:
- Αναγνωρίζουν τη συσχέτιση της Πληροφορικής με την παραγωγή και χρήση ηλεκτρικής ενέργειας
- Αναγνωρίζουν τη συσχέτιση της Πληροφορικής με τις Κρίσιμες Πρώτες Ύλες
- Αναγνωρίζουν τη συσχέτιση της Πληροφορικής με τη δημιουργία Αποβλήτων Ηλεκτρικού και Ηλεκτρονικού Εξοπλισμού (ΑΗΗΕ)
- Αναγνωρίζουν τις θετικές επιπτώσεις της Πληροφορικής στη Βιωσιμότητα (βελτιστοποίηση διεργασιών, απουλοποίηση, προσομοίωση περιβαλλοντικών φαινομένων)
Content Περιεχομενο
- Introduction to the 17 Sustainable Development Goals
- Energy consumption from Computing
- Critical Raw Materials
- Computing and Critical Raw Materials
- Waste Electrical and Electronic Equipment (WEEE) management
- The relation of computing to WEEE generation
- Τhe positive contributions of Computing on Sustainability (process optimisation, dematerialisation, advanced simulation of environmental phenomena)
- Introduction to the Green Economy Principles
-Entrepreneurship, smart technologies, and sustainability
-ESG and computing
-Sustainable consumption and ΙοT
-Global environmental problems and artificial intelligence - Εισαγωγή στους 17 στόχους της Βιώσιμης Ανάπτυξης
- Κατανάλωση ενέργειας από την Πληροφορική
- Κρίσιμες Πρώτες Ύλες
- Η σχέση της Πληροφορικής με τις Κρίσιμες Πρώτες Ύλες
- Διαχείριση Αποβλήτων Ηλεκτρικού και Ηλεκτρονικού Εξοπλισμού (ΑΗΗΕ)
- Η σχέση Πληροφορικής και ΑΗΗΕ
- Οι θετικές επιπτώσεις της Πληροφορικής στη Βιωσιμότητα (βελτιστοποίηση διεργασιών, απουλοποίηση, προσομοίωση περιβαλλοντικών φαινομένων)
- Εισαγωγή στις αρχές των Οικονομικών του περιβάλλοντος
-Επιχειρηματικότητα, εξύπνες τεχνολογίες και βιωσιμότητα
-Βιώσιμη Κατανάλωση και ΙοΤ
-ESG και συστηματα πληροφορικής
-Παγκόσμια περιβαλλοντικά προβλήματα και τεχντητη νοημοσύνη
Communication for Success: Advanced Level Επικοινωνία για Επιτυχία: Προχωρημένο Επίπεδο Elective Επιλογή 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
33 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Communicate effectively in academic and professional contexts
Present complex ideas clearly and confidently
Develop persuasive arguments
Participate in professional discussions and negotiations
Write advanced academic and professional texts
Use appropriate tone and vocabulary
Communicate effectively in multicultural environments
Give and receive constructive feedback
Deliver professional presentations Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Επικοινωνούν αποτελεσματικά σε ακαδημαϊκά και επαγγελματικά περιβάλλοντα
Παρουσιάζουν σύνθετες ιδέες με σαφήνεια και δομή
Αναπτύσσουν πειστική επιχειρηματολογία
Συμμετέχουν σε επαγγελματικές συζητήσεις και διαπραγματεύσεις
Συντάσσουν επαγγελματικά και ακαδημαϊκά κείμενα υψηλού επιπέδου
Χρησιμοποιούν κατάλληλο ύφος και λεξιλόγιο
Διαχειρίζονται επικοινωνία σε διεθνή και πολυπολιτισμικά περιβάλλοντα
Παρέχουν και δέχονται ανατροφοδότηση
Αναπτύσσουν δεξιότητες παρουσίασης και δημόσιας ομιλίας
Content Περιεχομενο
Week 1: Introduction to advanced communication
Week 2: Academic and professional writing
Week 3: Argumentation and structure
Week 4: Public speaking
Week 5: Visual communication and storytelling
Week 6: Team communication
Week 7: Negotiation and conflict resolution
Week 8: Intercultural communication
Week 9: Professional communication (emails, reports)
Week 10: Feedback and active listening
Week 11: Advanced presentations
Week 12: Final presentations and review 1η εβδομάδα:
Εισαγωγή στην προχωρημένη επικοινωνία

2η εβδομάδα:
Ακαδημαϊκή και επαγγελματική γραφή

3η εβδομάδα:
Δομή και παρουσίαση επιχειρημάτων

4η εβδομάδα:
Public speaking και παρουσιάσεις

5η εβδομάδα:
Οπτική επικοινωνία (slides, storytelling)

6η εβδομάδα:
Επικοινωνία σε ομάδες και συνεργασία

7η εβδομάδα:
Διαπραγμάτευση και επίλυση συγκρούσεων

8η εβδομάδα:
Διαπολιτισμική επικοινωνία

9η εβδομάδα:
Επαγγελματική επικοινωνία (emails, reports)

10η εβδομάδα:
Feedback και active listening

11η εβδομάδα:
Προχωρημένες παρουσιάσεις

12η εβδομάδα:
Τελικές παρουσιάσεις και ανακεφαλαίωση
Spatial Data Technologies Τεχνολογίες Χωρικών Δεδομένων Elective Επιλογή 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
36 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand spatial data concepts and GIS
Manage geospatial data (vector, raster)
Use GIS tools for analysis and visualization
Perform spatial queries and analysis
Use spatial databases (PostGIS)
Develop simple web mapping applications
Understand GPS and remote sensing technologies
Apply spatial analysis to real-world problems
Integrate spatial data with other datasets Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες χωρικών δεδομένων και GIS
Διαχειρίζονται γεωχωρικά δεδομένα (vector, raster)
Χρησιμοποιούν GIS εργαλεία για ανάλυση και οπτικοποίηση
Εκτελούν χωρικά ερωτήματα και αναλύσεις
Χρησιμοποιούν spatial databases (π.χ. PostGIS)
Αναπτύσσουν απλές web εφαρμογές χαρτών
Κατανοούν τεχνολογίες GPS και remote sensing
Εφαρμόζουν χωρική ανάλυση σε πραγματικά προβλήματα
Συνδυάζουν χωρικά δεδομένα με άλλα δεδομένα
Content Περιεχομενο
Week 1: Introduction to spatial data and GIS
Week 2: Types of spatial data
Week 3: Coordinate systems and projections
Week 4: GIS tools (QGIS)
Week 5: Spatial analysis
Week 6: Spatial databases and SQL
Week 7: Spatial queries
Week 8: Visualization and cartography
Week 9: Web mapping
Week 10: GPS and geolocation
Week 11: Remote sensing
Week 12: Project and review 1η εβδομάδα:
Εισαγωγή στα χωρικά δεδομένα και GIS

2η εβδομάδα:
Τύποι χωρικών δεδομένων (vector, raster)

3η εβδομάδα:
Συστήματα συντεταγμένων και προβολές

4η εβδομάδα:
Εισαγωγή σε GIS εργαλεία (QGIS)

5η εβδομάδα:
Χωρική ανάλυση (buffer, overlay)

6η εβδομάδα:
Spatial databases και SQL (PostGIS)

7η εβδομάδα:
Χωρικά ερωτήματα

8η εβδομάδα:
Οπτικοποίηση και χαρτογραφία

9η εβδομάδα:
Web mapping (Leaflet / OpenLayers)

10η εβδομάδα:
GPS και γεωεντοπισμός

11η εβδομάδα:
Remote sensing και δεδομένα εικόνας

12η εβδομάδα:
Project και ανακεφαλαίωση
Technology innovation and entrepreneurship Τεχνολογική Καινοτομία και Επιχειρηματικότητα Elective Επιλογή 5▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
26 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand key concepts of innovation and entrepreneurship
Identify business opportunities in technology
Develop business models (Business Model Canvas)
Analyze markets and competition
Design MVPs (Minimum Viable Products)
Understand startup funding mechanisms
Develop business plans
Present startup ideas effectively (pitching)
Understand legal and ethical aspects of entrepreneurship
Collaborate in teams to build innovative solutions Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές έννοιες καινοτομίας και επιχειρηματικότητας
Αναγνωρίζουν επιχειρηματικές ευκαιρίες στον τομέα της τεχνολογίας
Αναπτύσσουν επιχειρηματικά μοντέλα (Business Model Canvas)
Αξιολογούν αγορές και ανταγωνισμό
Σχεδιάζουν MVP (Minimum Viable Product)
Κατανοούν βασικές αρχές χρηματοδότησης startups
Αναπτύσσουν επιχειρηματικά σχέδια (business plans)
Παρουσιάζουν επιχειρηματικές ιδέες (pitching)
Κατανοούν νομικά και ηθικά ζητήματα επιχειρηματικότητας
Content Περιεχομενο
Week 1: Introduction to innovation and entrepreneurship
Week 2: Types of innovation and ecosystems
Week 3: Opportunity recognition
Week 4: Business Model Canvas
Week 5: Lean Startup and MVP
Week 6: Market and competition analysis
Week 7: Product strategy
Week 8: Startup funding
Week 9: Legal and ethical issues
Week 10: Pitching
Week 11: Business planning
Week 12: Startup presentations and review 1η εβδομάδα:
Εισαγωγή στην καινοτομία και επιχειρηματικότητα

2η εβδομάδα:
Τύποι καινοτομίας και επιχειρηματικά οικοσυστήματα

3η εβδομάδα:
Αναγνώριση ευκαιριών και ιδεών

4η εβδομάδα:
Business Model Canvas

5η εβδομάδα:
Lean Startup και MVP

6η εβδομάδα:
Ανάλυση αγοράς και ανταγωνισμού

7η εβδομάδα:
Στρατηγική προϊόντος και ανάπτυξη

8η εβδομάδα:
Χρηματοδότηση startups (VCs, crowdfunding)

9η εβδομάδα:
Νομικά και ηθικά ζητήματα

10η εβδομάδα:
Pitching και παρουσίαση ιδεών

11η εβδομάδα:
Ανάπτυξη επιχειρηματικού σχεδίου

12η εβδομάδα:
Παρουσίαση startup projects και ανακεφαλαίωση
Social, Professional & Ethical Issues in Computing Κοινωνικά, Επαγγελματικά και Ηθικά Ζητήματα στην Πληροφορική Foundation Upper Κορμού - Ειδίκευσης 6▼ ECTS
Lectures Διαλεξεις
3 hrs/wkωρ./εβδ.
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Self-study Προτεινομενος χρονος μελετης
61 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
Upon successful completion of the course, students will be able to:

Understand ethical theories and their application in computing
Identify ethical dilemmas in technology development and use
Apply professional codes of ethics (ACM/IEEE)
Understand privacy, security, and data protection issues
Analyze social impacts of computing technologies
Understand intellectual property rights
Evaluate ethical issues in AI and algorithmic bias
Develop professional responsibility
Engage in informed ethical discussions Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

Κατανοούν βασικές ηθικές θεωρίες και την εφαρμογή τους στην πληροφορική
Αναγνωρίζουν ηθικά διλήμματα στην ανάπτυξη και χρήση τεχνολογιών
Εφαρμόζουν επαγγελματικούς κώδικες δεοντολογίας (π.χ. ACM/IEEE)
Κατανοούν ζητήματα ιδιωτικότητας, ασφάλειας και δεδομένων
Αναλύουν κοινωνικές επιπτώσεις της τεχνολογίας
Κατανοούν θέματα πνευματικής ιδιοκτησίας και δικαιωμάτων
Αξιολογούν ζητήματα τεχνητής νοημοσύνης και αλγοριθμικής προκατάληψης
Αναπτύσσουν υπεύθυνη επαγγελματική στάση
Συμμετέχουν σε τεκμηριωμένο διάλογο για ηθικά ζητήματα
Content Περιεχομενο
Week 1: Introduction to ethics in computing
Week 2: Ethical theories and frameworks
Week 3: Professional codes of ethics
Week 4: Privacy and data protection
Week 5: Security and ethics
Week 6: Intellectual property
Week 7: Digital divide and social impact
Week 8: AI ethics
Week 9: Algorithmic bias and fairness
Week 10: Professional responsibility
Week 11: Case studies
Week 12: Discussion and review 1η εβδομάδα:
Εισαγωγή στην ηθική στην πληροφορική

2η εβδομάδα:
Ηθικές θεωρίες και frameworks

3η εβδομάδα:
Επαγγελματική δεοντολογία (ACM/IEEE codes)

4η εβδομάδα:
Ιδιωτικότητα και προστασία δεδομένων

5η εβδομάδα:
Ασφάλεια και ηθικά ζητήματα

6η εβδομάδα:
Πνευματική ιδιοκτησία και δικαιώματα

7η εβδομάδα:
Ψηφιακή ανισότητα και κοινωνικές επιπτώσεις

8η εβδομάδα:
Τεχνητή νοημοσύνη και ηθική

9η εβδομάδα:
Αλγοριθμική προκατάληψη και δικαιοσύνη

10η εβδομάδα:
Επαγγελματική ευθύνη και accountability

11η εβδομάδα:
Case studies (πραγματικά περιστατικά)

12η εβδομάδα:
Συζήτηση και ανακεφαλαίωση
Diploma Thesis Πτυχιακή Εργασία Foundation Upper Κορμού - Ειδίκευσης 14▼ ECTS
Language Γλωσσα
English Αγγλικά
Delivery Διδασκαλια
In person Δια ζώσης
Prerequisites Προαπαιτουμενα
- -
Self-study Προτεινομενος χρονος μελετης
250 hrsωρες
Learning outcomes Μαθησιακα αποτελεσματα
The Diploma Thesis constitutes an independent scientific and systematic approach for analyzing a subject and composing a solution, relying on existing literature and/or research. The Diploma Thesis can have a research, analytical, developmental, or applied research character and is carried out by each student, either individually or in collaboration with another student. Under the guidance of the supervisor, students have the opportunity to gain significant experiences from the comprehensive study and in-depth exploration of a distinct specialization topic, and are called upon to develop critical and integrative thinking skills, organization, and analysis, applying a rigorous, systematic, and scientific approach.

Essentially, the Diploma Thesis forms the core of a student's educational journey in the thematic area covered by the study program, playing a crucial role in the development of their knowledge and skills. Specifically, it represents the culmination of the academic path and the determining factor for completing the student's transition to the job market and society in general.

After the successful completion of the Diploma Thesis, students acquire significant knowledge, skills, and abilities at three main levels:

At the Knowledge level:

Clearly distinguishes the boundaries of a problem and recognizes its primary and secondary aspects, focusing on the most essential points for its resolution.
Describes and substantiates the basic knowledge related to the research topic.
Summarizes the existing scientific knowledge and expertise on the subject.

At the Skills level:

Uses available literature for a specific thematic area with critical and synthetic thinking.
Designs a research plan and develops an appropriate methodology for approaching and investigating a topic under study, organizing an implementation plan.
Designs, simulates, and/or constructs original material/software for the selected solution.
Composes a complete scientific/technical essay.
Communicates their conclusions and the knowledge and reasoning on which they are based clearly and effectively, successfully conducting a comprehensive presentation through ICT tools before the three-member examination committee.

At the Abilities level:

Combines knowledge and utilizes expertise to solve complex problems in applications or new problems of a broader or interdisciplinary framework related to the science of the program.
Selects appropriate techniques/approaches and adapts them to the problem they are called upon to solve using original thinking.
Evaluates the approach/solution proposed, placing it in a comparative framework with similar ones in Greek and international literature and comments on its relative advantages and disadvantages, substantiating their opinions and choices.
Analyzes results and draws conclusions. Η Πτυχιακή Εργασία συνιστά μια αυτοτελή επιστημονική και συστηματική προσέγγιση για την ανάλυση ενός θέματος και τη σύνθεση μιας λύσης, ενώ στηρίζεται στην υπάρχουσα βιβλιογραφία ή / και έρευνα. Η Πτυχιακή Εργασία έχει ερευνητικό, μελετητικό, αναπτυξιακό ή εφαρμοσμένο ερευνητικό χαρακτήρα και εκπονείται από κάθε φοιτητή, είτε ατομικά, είτε σε συνεργασία με έναν ακόμη φοιτητή. Με την καθοδήγηση του επιβλέποντος παρέχεται η δυνατότητα στους σπουδαστές να αποκτήσουν σημαντικές εμπειρίες από την ολοκληρωμένη μελέτη και διερεύνηση σε βάθος ενός διακριτού θέματος ειδίκευσης και καλούνται να αναπτύξουν ικανότητες κριτικής και συνδυαστικής σκέψης, οργάνωσης και ανάλυσης, εφαρμόζοντας την αυστηρή, συστηματική και επιστημονική
προσέγγιση.

Η Πτυχιακή Εργασία αποτελεί ουσιαστικά τον πυρήνα της εκπαιδευτικής πορείας ενός φοιτητή στη θεματική περιοχή που πραγματεύεται το πρόγραμμα σπουδών, διαδραματίζοντας καθοριστικό ρόλο στην ανάπτυξη των γνώσεων και των ικανοτήτων του. Συγκεκριμένα, αποτελεί την κορύφωση της ακαδημαϊκής πορείας και τον καθοριστικό παράγοντα για την ολοκλήρωση της μετάβασης του φοιτητή στην αγορά εργασίας και την κοινωνία γενικότερα.

Μετά την επιτυχή ολοκλήρωση της Πτυχιακής Εργασίας, ο/η φοιτητής/τρια αποκτά σημαντικές γνώσεις, δεξιότητες και ικανότητες σε τρία κυρίαρχα επίπεδα:

Σε επίπεδο Γνώσεων:

Διακρίνει με σαφήνεια τα όρια ενός προβλήματος και αναγνωρίζει τις βασικές και δευτερεύουσες πτυχές του, εστιάζοντας στα ουσιαστικότερα σημεία για την επίλυσή του.
Περιγράφει και τεκμηριώνει τις βασικές γνώσεις που σχετίζονται με το θέμα της έρευνας.
Συνοψίζει την υπάρχουσα επιστημονική γνώση και τεχνογνωσία στο θέμα.
Σε επίπεδο Δεξιοτήτων:

Χρησιμοποιεί με κριτικό και συνθετικό πνεύμα τη διαθέσιμη βιβλιογραφία για μία συγκεκριμένη θεματική περιοχή.
Σχεδιάζει ένα ερευνητικό πλάνο και αναπτύσσει κατάλληλη μεθοδολογία προσέγγισης και διερεύνησης ενός θέματος υπό μελέτη και οργανώνει σχέδιο υλοποίησής της.
Σχεδιάζει, προσομοιώνει ή/και κατασκευάζει πρωτότυπο υλικό/λογισμικό για την επιλεγμένη λύση.
Συντάσσει ένα πλήρες επιστημονικό/τεχνικό δοκίμιο.
Κοινοποιεί με σαφήνεια και αποτελεσματικότητα τα συμπεράσματά του/της και τη γνώση και το σκεπτικό στο οποίο βασίζονται, πραγματοποιώντας επιτυχώς μία ολοκληρωμένη παρουσίαση μέσω Τ.Π.Ε. ενώπιον της τριμελούς εξεταστικής επιτροπής.
Σε επίπεδο Ικανοτήτων:

Συνδυάζει γνώσεις και αξιοποιεί τεχνογνωσία για να επιλύει πολύπλοκα προβλήματα σε εφαρμογές ή νέα προβλήματα ευρύτερου ή διεπιστημονικού πλαισίου συναφούς με την επιστήμη του προγράμματος.
Επιλέγει τις κατάλληλες τεχνικές/προσεγγίσεις και τις προσαρμόζει στο πρόβλημα που καλείται να λύσει χρησιμοποιώντας πρωτότυπη σκέψη.
Αξιολογεί την προσέγγιση/λύση που προτείνει, τοποθετώντας την σε ένα πλαίσιο σύγκρισης με αντίστοιχες στην ελληνική και διεθνή βιβλιογραφία και σχολιάζει τα σχετικά πλεονεκτήματα και μειονεκτήματα της, τεκμηριώνοντας τις απόψεις και τις επιλογές του/της.
Αναλύει αποτελέσματα και εξάγει συμπεράσματα.
Content Περιεχομενο
The diploma thesis aims to address issues through theoretical and applied approaches, with the goal of solving one or more problems falling within the cognitive subject of the relevant Department and implementing some technology or idea. Through this process, the student is provided with the opportunity to compose and apply the knowledge acquired during their studies.

Diploma theses can be classified into two main categories:

I. Research/Developmental: They focus on the development of a "new" system based on existing theory, aiming to demonstrate its application.

II. Applied: They aim at developing a large-scale application useful in a particular area of interest, using one or more software packages, tools, or appropriate equipment.

The diploma thesis must encompass a wide range of activities extending across all stages of its completion, ensuring its successful outcome. The results of these activities are summarized in the thesis text, which may include:

Description and analysis of the thesis topic, making the subject, assumptions, and dimensions of the solution space understandable.
Analysis of the current state in related scientific fields, presenting the basic concepts and requirements of the problem and the objectives of the thesis.
Description of assumptions and implementation methodology of the thesis.
Description of the solution, including the theoretical and applied approach.
Final conclusions, including an evaluation of the problem solution.
Analysis of the literature used.
Appendices containing all the tools used, as well as software/hardware usage and management instructions. Η Πτυχιακή εργασία αποσκοπεί στην αντιμετώπιση θεμάτων μέσω της θεωρητικής και εφαρμοσμένης προσέγγισης, με σκοπό την επίλυση ενός ή περισσότερων προβλημάτων που εμπίπτουν στο γνωστικό αντικείμενο του σχετικού Τμήματος και την υλοποίηση κάποιας τεχνολογίας ή ιδέας. Μέσω αυτής της διαδικασίας, παρέχεται στο φοιτητή η ευκαιρία να συνθέσει και να εφαρμόσει τις γνώσεις που απέκτησε κατά τη διάρκεια των σπουδών του.

Οι Πτυχιακές εργασίες μπορούν να κατατάσσονται σε δύο βασικές κατηγορίες:

I. Ερευνητικές / Αναπτυξιακές: Κεντρίζουν το ενδιαφέρον στην ανάπτυξη ενός "νέου" συστήματος, βασιζόμενο σε υπάρχουσα θεωρία, με σκοπό την επίδειξη της εφαρμογής του.

II. Εφαρμογής: Στοχεύουν στην ανάπτυξη μιας μεγάλης εφαρμογής χρήσιμης σε κάποια περιοχή ενδιαφέροντος, χρησιμοποιώντας ένα ή περισσότερα πακέτα λογισμικού, εργαλεία ή κατάλληλο εξοπλισμό.

Η Πτυχιακή εργασία πρέπει να περιλαμβάνει ένα ευρύ φάσμα δραστηριοτήτων που εκτείνονται σε όλα τα στάδια της εκπόνησής της, εξασφαλίζοντας την επιτυχή έκβασή της. Τα αποτελέσματα αυτών των δραστηριοτήτων ανακεφαλύονται στο κείμενο της εργασίας, το οποίο μπορεί να περιλαμβάνει:

• Περιγραφή και ανάλυση του θέματος της εργασίας, καθιστώντας κατανοητό το αντικείμενο, τις υποθέσεις και τις διαστάσεις του χώρου λύσεων.
• Ανάλυση της υπάρχουσας κατάστασης στα σχετιζόμενα επιστημονικά πεδία, παρουσιάζοντας τις βασικές έννοιες και απαιτήσεις του προβλήματος και τους στόχους της εργασίας.
• Περιγραφή των παραδοχών και της μεθοδολογίας υλοποίησης της εργασίας.
• Περιγραφή της λύσης, συμπεριλαμβανομένης της θεωρητικής και εφαρμοσμένης προσέγγισης.
• Τελικά συμπεράσματα, συμπεριλαμβανομένης αξιολόγησης της λύσης του προβλήματος.
• Ανάλυση της βιβλιογραφίας που χρησιμοποιήθηκε.
• Παραρτήματα που περιέχουν όλα τα εργαλεία που χρησιμοποιήθηκαν και οδηγίες χρήσης και διαχείρισης του λογισμικού/υλικού.ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ