Τεχνητή Νοημοσύνη και Δίκτυα Υπολογιστών (Ε-ΚΔΕ)

Το μάθημα «Τεχνητή Νοημοσύνη και Δίκτυα Υπολογιστών» εξετάζει τον ρόλο της ΤΝ στην ανάλυση, βελτιστοποίηση και διαχείριση δικτυακών υποδομών. Παρουσιάζονται βασικές τεχνικές μηχανικής μάθησης, από δέντρα απόφασης και αλγορίθμους clustering έως νευρωνικά δίκτυα και ενισχυτική μάθηση, με εφαρμογές σε QoS, ανίχνευση ανωμαλιών, πρόβλεψη φόρτου και ενεργειακή διαχείριση κόμβων. Το μάθημα συνδυάζει θεωρία με πρακτικά εργαστήρια Python/Colab, όπου οι φοιτητές εφαρμόζουν αλγορίθμους σε δεδομένα ροών και τοπολογιών δικτύων. Στόχος είναι η κατανόηση των αρχών της ΤΝ και η ανάπτυξη δεξιοτήτων για έξυπνη και αποδοτική διαχείριση δικτύων.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

• Κατανοούν πώς εφαρμόζεται η Τεχνητή Νοημοσύνη για τη βελτιστοποίηση δικτύων και υποδομών edge/fog.
• Αναλύουν και να προετοιμάζουν δικτυακά δεδομένα για την εκπαίδευση αλγορίθμων Μηχανικής Μάθησης.
• Εφαρμόζουν κλασικούς αλγορίθμους (Decision Trees, K-NN, SVM, Clustering) σε σενάρια QoS και ανάλυσης ροών.
• Χρησιμοποιούν νευρωνικά δίκτυα (CNN, RNN, GNN) για πρόβλεψη φόρτου και ανίχνευση ανωμαλιών σε δίκτυα.
• Υλοποιούν μεθόδους ενισχυτικής μάθησης (Q-Learning, Deep Q-Learning) για δρομολόγηση και ενεργειακή διαχείριση κόμβων.
• Σχεδιάζουν ευφυείς και αποδοτικές στρατηγικές διαχείρισης σύγχρονων δικτυακών υποδομών.

1. Δίκτυα και Υπολογιστική Παρυφών (Edge Computing)
•    Βασικές αρχές edge computing
•    Σενάρια χρήσης σε δικτυακές υποδομές
•    Ο ρόλος της ΤΝ στο edge
2. Εισαγωγή στην ΤΝ και τη Βελτιστοποίηση Δικτύων Υπολογιστών
•    Ορισμός ΤΝ και βασικές κατηγορίες (επιβλεπόμενη, μη επιβλεπόμενη, ενισχυτική μάθηση)
•    Σχέση ΤΝ και δικτύων υπολογιστών
•    Παραδείγματα βελτιστοποίησης με εφαρμογές σε edge/fog περιβάλλοντα
3. Μετρικές Απόδοσης και Δεδομένα Δικτύου για Μηχανική Μάθηση
•    Throughput, latency, packet loss, QoS
•    Συλλογή, προετοιμασία, κανονικοποίηση δεδομένων
•    Διαχωρισμός train/test sets και datasets από δίκτυα
4. Δέντρα Απόφασης και k-Πλησιέστεροι Γείτονες για QoS Classification
•    Decision Trees: βασικές αρχές και ερμηνευσιμότητα
•    K-NN: μετρικές απόστασης και πρόβλεψη QoS
•    Εφαρμογές σε ταξινόμηση flows
•    K-NN για ανίχνευση φάσματος σε γνωστικά ραδιοσυστήματα
5. SVM και SVR για Πρόβλεψη Απόδοσης και Καθυστέρησης Δικτύων
•    SVM για ταξινόμηση QoS classes
•    SVR για πρόβλεψη latency
•    Παραδείγματα εφαρμογής σε δικτυακά δεδομένα
•    Επιβλεπόμενη μάθηση για πρόβλεψη throughput/LOS-NLOS
6. Clustering Αλγόριθμοι για Ομαδοποίηση Κόμβων και Traffic Patterns
•    Αλγόριθμος k-Means
•    Ιεραρχική συσταδοποίηση (Hierarchical)
•    Εφαρμογές: ομαδοποίηση κόμβων, traffic patterns
•    Clustering για relay selection & multipath components
•    k-Means για ανίχνευση φάσματος σε γνωστικά ραδιοσυστήματα
7. Μέθοδοι Συνόλου για Ανάλυση και Διάγνωση Δικτυακών Ροών
•    Bagging, Boosting, Random Forests
•    Σταθερότητα σε θορυβώδη δικτυακά δεδομένα
•    Feature importance και ανάλυση SLA failures
•    Πολυκριτηριακή βελτιστοποίηση για ανάθεση ραδιοπόρων
8. Εκπαίδευση και Ρηχά Νευρωνικά Δίκτυα για Ταξινόμηση QoS σε Δεδομένα Δικτύου
•    Backpropagation, loss functions, optimization (SGD, Adam)
•    Shallow NNs (MLP) για ταξινόμηση QoS
•    Προβλήματα υπερπροσαρμογής και regularization
9. Συνελικτικά και Επαναληπτικά Νευρωνικά Δίκτυα για Traffic Prediction
•    CNNs: traffic matrices ως εικόνες, anomaly detection
•    RNNs: πρόβλεψη traffic load (χρονικές σειρές)
•    Παραδείγματα σε δικτυακά datasets
•    Deep learning για διαχείριση ισχύος και relay selection
10. Νευρωνικά Δίκτυα Γράφων για Δομή και Δρομολόγηση σε Δίκτυα Υπολογιστών
•    Αρχιτεκτονική και βασικές αρχές
•    Δίκτυα υπολογιστών ως γράφοι
•    Εφαρμογές: routing prediction, ανίχνευση ανωμαλιών
•    Ανάθεση συχνοτήτων ως πρόβλημα πολυχρωματισμού γραφημάτων
11. Αυτο-Οργανούμενοι Χάρτες για Ανίχνευση Ανωμαλιών σε Δικτυακή Κίνηση
•    Θεωρία SOM και visualization (U-matrix)
•    Εφαρμογή σε anomaly detection σε flows
•    Συνδυασμός με unsupervised methods
•    Unsupervised learning για relay selection
12. Q-Learning για Ενεργειακή Διαχείριση Κόμβων
•    Βασική θεωρία Q-Learning
•    Ορισμός states, actions, rewards για routing/recharging
•    Εφαρμογή σε dynamic routing policy
•    RL για B5G δίκτυα και ανάθεση ραδιοπόρων
13. Βαθιά Ενισχυτική Μάθηση (Deep Q-Learning) για Δυναμική Βελτιστοποίηση Δικτύων
•    Από το Q-table στα Deep Q-Networks (DQN)
•    Εφαρμογές: dynamic spectrum allocation, energy-aware routing
•    Προχωρημένα σενάρια edge/fog networks
•    Autoencoders για γνωστικά ραδιοσυστήματα
•    Προχωρημένες περιπτώσεις χρήσης

• Russell, S., & Norvig, P. (2021). Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση (4η Έκδοση). Εκδόσεις Κλειδάριθμος. ISBN: 978960645187.
• Βλαχάβας, Ι., Κεφαλάς, Π., Βασιλειάδης, Ν., Κόκκορας, Φ., & Σακελλαρίου, Η. (2020). Τεχνητή Νοημοσύνη (4η Έκδοση). Εταιρεία Αξιοποίησης και Διαχείρισης Περιουσίας Πανεπιστημίου Μακεδονίας. ISBN: 978-618-5196-44-8.
• Βενιέρης, Ι., Κακλαμάνη, Δ.-Θ., Βαρβαρίγος, Ε., & Παναγόπουλος, Α. (2025). Κινητός Υπολογισμός και Μηχανική Μάθηση (1η Έκδοση). Εκδόσεις Τζιόλα. ISBN: 978-618-221-135-9.

Τρόπος Παράδοσης: Πρόσωπο με πρόσωπο στην τάξη και στο εργαστήριο

Οργάνωση Διδασκαλίας:

- Διαφάνειες για τη διδασκαλία του θεωρητικού μέρους, οι οποίες είναι διαθέσιμες μέσω της πλατφόρμας e-class.
- Εργαστηριακοί οδηγοί, οι οποίοι είναι διαθέσιμοι μέσω της πλατφόρμας e-class.
- Ερωτήσεις και Ασκήσεις αυτοαξιολόγησης μέσω της πλατφόρμας e-class.
- Υποστήριξη μαθησιακής διαδικασίας μέσω της πλατφόρμας e-class

Γραπτή τελική εξέταση που περιλαμβάνει:
- Ερωτήσεις Σύντομης Απάντησης
- Επίλυση Προβλημάτων
- Ερωτήσεις Πολλαπλής Επιλογής

Ατομικές εργασίες που περιλαμβάνουν:
- Ανάπτυξη προγράμματος σε γλώσσα προγραμματισμού
- Αναφορά