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 της εφαρμογής πολιτικών ΤΝ 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. Βασικές έννοιες Τεχνητής Νοημοσύνης (ΑΙ). Κατηγορίες ευφυών πρακτόρων και εφαρμογές τους στα δίκτυα υπολογιστών. Ευφυείς πράκτορες για δρομολόγηση πακέτων στα δίκτυα.

• Εισαγωγή στο Edge/Fog Computing: Ορισμός του περιβάλλοντος όπου δρουν οι πράκτορες (Αρχιτεκτονική Cloud-Fog-Edge).
• Η συσκευή Edge ως ευφυής πράκτορας.

2. Αναζήτηση κατάστασης-χώρου. Τεχνικές αναζήτησης χωρίς πληροφόρηση για εύρεση διαδρομών σε δίκτυα.

• Τοπολογία Δικτύου ως Γράφος: Μοντελοποίηση των κόμβων (Edge nodes) και συνδέσμων ως χώρο καταστάσεων.
• Αναζήτηση Διαδρομής: Εύρεση μονοπατιών σε στατικά δίκτυα για μεταφορά δεδομένων από το IoT στο Cloud.

3. Ευριστικές αναζητήσεις και Α*. Ανταγωνιστική αναζήτηση και αλγόριθμοι minimax. Αλγόριθμος Α* για δρομολόγηση σε δίκτυα.

• Βελτιστοποίηση Δρομολόγησης: Εισαγωγή στην έννοια του κόστους.
• Σύγκριση στατικών ευριστικών μεθόδων με δυναμικές μεθόδους.

4. Προβλήματα ικανοποίησης περιορισμών (CSPs). Βασικές αρχές σχεδιασμού στον πραγματικό κόσμο. CSPs για κατανομή εύρους ζώνης σε δίκτυα.

• Διαχείριση Πόρων: Ικανοποίηση περιορισμών μπαταρίας και υπολογιστικής ισχύος.
• QoS Constraints: Πώς οι απαιτήσεις για Throughput και Latency μεταφράζονται σε μαθηματικούς περιορισμούς για την κατανομή bandwidth.

5. Λογική και λογικοί πράκτορες. Λογική πρώτης τάξης και μοντελοποίηση γνώσης. Διάγνωση προβλημάτων σε δίκτυα με λογικούς πράκτορες.

• Ανίχνευση Σφαλμάτων: Εισαγωγή στο πρόβλημα της διάγνωσης.
• Κανόνες Λήψης Αποφάσεων: Δημιουργία κανόνων για διαχείριση δικτύου.

6. Ενισχυτική μάθηση και Q-learning. Εφαρμογές reinforcement learning στα δίκτυα.

• Q-Routing
• Multi-Armed Bandits

7. Βασικές αρχές μηχανικής μάθησης. Βαθιά νευρωνικά δίκτυα και εφαρμογές τους στα δίκτυα.

• Δέντρα Απόφασης: Εντροπία, Information Gain για αποφάσεις Offloading.
• k-NN: Ταξινόμηση QoS και κανονικοποίηση δεδομένων (Min-Max scaling).
• SVM: Διαχωρισμός Edge/Cloud κλάσεων και SVR για πρόβλεψη latency.
• Νευρωνικά Δίκτυα

8. Εφαρμογές ΤΝ στην κατανομή πόρων.

• Unsupervised Learning: Ομαδοποίηση κόμβων και πακέτων για εξισορρόπηση φόρτου.
• Resource Allocation: Χρήση μοντέλων πρόβλεψης για δυναμική κατανομή πόρων σε Fog/Edge περιβάλλοντα.

9. Ομοσπονδιακή μάθηση (Federated Learning). AI-driven δίκτυα και εφαρμογές σε IoT και 5G.
10. Τεχνικές εκπαίδευσης μοντέλων σε έξυπνες συσκευές. Ανάπτυξη και εκτέλεση AI σε κινητές συσκευές και embedded συστήματα.
11. Ανάλυση δεδομένων κυκλοφορίας με ML. Χρήση Graph Neural Networks για μοντελοποίηση τοπολογίας δικτύου.

• Traffic Prediction: Χρήση Regression για πρόβλεψη φόρτου κίνησης.
• Ανάλυση Δεδομένων: Προετοιμασία dataset, καθαρισμός και διαχείριση μετρικών QoS.

12. AI-driven αυτόνομα δίκτυα.

• Σύνθεση: Συνδυασμός Q-Routing (για δρομολόγηση), SVM (για ανίχνευση ανωμαλιών) και FL (για μάθηση) για τη δημιουργία ενός πλήρως αυτόνομου δικτύου.
• Self-organizing Networks: Εφαρμογή αλγορίθμων χωρίς επίβλεψη για αυτο-οργάνωση τοπολογίας.

13. Επανάληψη και ανασκόπηση μαθήματος και προοπτικές έρευνας.

• • Σύνοψη των συγκριτικών πλεονεκτημάτων.
  • Μελλοντικές τάσεις (6G, Zero-touch networks).

• 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