Νανοηλεκτρονική και Εξόρυξη Δεδομένων

ECTS: 6

Νανοηλεκτρονική

Γενικές ικανότητες

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών.
• Αυτόνομη εργασία.
• Εργασία σε διεπιστημονικό περιβάλλον.
• Παραγωγή νέων ερευνητικών ιδεών.
• Σχεδιασμός και διαχείριση έργων.
• Άσκηση κριτικής και αυτοκριτικής.
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Με την ολοκλήρωση αυτής της ενότητας, οι φοιτητές αναμένεται να είναι σε θέση:

• Να γνωρίζουν τις βασικές αρχές της κβαντομηχανικής που διέπουν τη συμπεριφορά των ηλεκτρονίων σε ατομική κλίμακα, όπως δυισμός σωματιδίου - κύματος, κυματοσυναρτήσεις, εξίσωση Schrödinger.
• Nα γνωρίζουν τις ηλεκτρικές ιδιότητες των μορίων, των νανοσωλήνων άνθρακα καθώς και τον σχηματισμό των ενεργειακών ταινιών σε μέταλλα, ημιαγωγούς και μονωτές.
• Θα είναι σε θέση να κατανοήσουν τη μεταβολή των μακροσκοπικών ιδιοτήτων των υλικών όταν γίνεται μετάβαση σε επίπεδα νανοκλίμακας και να αξιολογούν τις βασικές ηλεκτρικές, οπτικές και μηχανικές ιδιότητες νανοδιατάξεων.
• Θα είναι σε θέση να γνωρίζουν τις αρχές λειτουργίες των μίκρο και νανο-διατάξεων όπως MEMS, NEMS, MOSFET κ.λπ., τους τρόπους χαρακτηρισμού νανοδομών.
• Θα γνωρίσουν εφαρμογές της νανοτεχνολογίας στην οπτικοηλεκτρονική, τις τηλεπικοινωνίες καθώς και στην ιατρική και βιολογία.

Περιεχόμενο μαθήματος

• Εισαγωγή, από την ηλεκτρονική στην νάνοηλεκτρονική.
• Δυισμός σωματιδίου - κύματος, εξίσωση Schrödinger.
• Υλικά για την κατασκευή νανοηλεκτρονικών διατάξεων.
• Ημιαγωγή.
• Νανοσωλήνες άνθρακα.
• Ηλεκτρόνια σε νανοδομές.
• Ηλεκτρόνια σε κβαντικά πηγάδια.
• Ηλεκτρόνια σε quantum dots.
• Hλεκτρόνια σε quantum wires.
• Κατασκευή νανοδομών.
• Ανάπτυξη νανοκρυστάλλων.
• Νανο-φωτολιθογραφία.
• Ανάπτυξη νανοσωλήνων.
• Χαρακτηρισμός νανοδομών.
• Μοντέλα μεταφοράς ηλεκτρονίων σε ημιαγωγούς και νανοδομές.
• Φαινόμενα μεταφοράς σε χαμηλοδιάστατα συστήματα.
• Βαλλιστικά φαινόμενα μεταφοράς.
• Φαινόμενα σήραγγος.
• Φαινόμενο παρεμποδισμού Coulomb.
• Νανοηλεκτρονικές διατάξεις.
• Τρανζίστορ Επίδρασης Πεδίου (FET).
•  Single-electron-τρανζίστορ (SET).
•  Δίοδοι συντονισμού - σήραγγας.
• Διατάξεις επαφών Jojephson.

Βιβλιογραφία

1. Vladimir V. Mitin, Viatcheslav A. Kochelap, Michael A. Stroscio, Cambridge University Press, 2008, "Introduction to Nanoelectronics: Science, Nanotechnology, Engineering, and Applications".
2. Raúl José Martín-Palma, José Martínez-Duart, Fernando Agullo-Rueda, Elsevier 2006, "Nanotechnology for Microelectronics and Optoelectronics".
3. Seng Ghee Tan, Mansoor Jalil, Elsevier 2012, "Introduction to the Physics of Nanoelectronics", 1^st Edition.
4. S. Deleonibus, Pan Standford Publishing (2009), "Electronic Device Architectures for the Nano-CMOS Era".
5. W. Ahmed, M. J. Jackson, Elsevier (2009), "Emerging Nanotechnologies for Manufacturing".
6. Bhushan Bharat, Springer 2010, "Springer Handbook of Nanotechnology".
7. Hanson George W., «Αρχές νανοηλεκτρονικής», Εκδόσεις Α. Τζιόλα & Υιοί ΑΕ, 2009.

Εξόρυξη Δεδομένων

Μαθησιακά αποτελέσματα

Το μάθημα αναφέρεται στην εξόρυξη δεδομένων από μεγάλες βάσεις δεδομένων. Στοχεύει στην κατανόηση των εννοιών της κατηγοριοποίησης, ομαδοποίησης συσχέτισης και πρόβλεψης δεδομένων. Επίσης, στοχεύει στην εκπαίδευση των φοιτητών στις τεχνικές εξόρυξης δεδομένων όπως συναρτήσεις splines, παλινδρόμηση, λογιστική παλινδρόμηση, κατηγοριοποίηση Bayes,ανάλυση με κύριες συνιστώσες, νευρωνικά δίκτυα, k - πλησιέστεροι γείτονες καθώς και σε θέματα στατιστικής και μη γραμμικής δυναμικής.

Οι φοιτητές θα εφαρμόσουν τις τεχνικές εξόρυξης δεδομένων σε πραγματικά δεδομένα με την χρήση κατάλληλου software (R project, Tiberius, XLMiner, Zaitun Time Series, IBM Dr. Watson, WEKA).

Γενικές ικανότητες

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση των Τεχνολογιών Πληροφορικής και Επικοινωνιών.
• Προσαρμογή σε νέες καταστάσεις.
• Λήψη αποφάσεων.
• Αυτόνομη εργασία.
• Ομαδική εργασία.
• Εργασία σε διεπιστημονικό περιβάλλον.
• Παραγωγή νέων ερευνητικών ιδεών.
• Σχεδιασμός και διαχείριση έργων.
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Με την ολοκλήρωση αυτής της ενότητας, ο φοιτητής:

• Θα αποκτήσει τη δεξιότητα να χρησιμοποιεί έτοιμα εργαλεία για εξόρυξη γνώσης, προκειμένου να αναπτύξει ένα ευφυές σύστημα.
• Θα συνδυάζει αποτελέσματα από κατηγοριοποίηση (classification), ομαδοποίηση (clustering) και κανόνες συσχέτισης (association rules) και θα μπορεί κατ' αυτόν τον τρόπο να καταλήγει σε παραγωγή νέας γνώσης.
• Θα αναγνωρίζει κρυμμένα πρότυπα σε βάσεις δεδομένων.
• Θα ανακτά χαμένα δεδομένα και θα προβλέπει μελλοντικές τάσεις και τιμές δεδομένων.

Περιεχόμενο μαθήματος

• Εισαγωγή στις Βάσεις (Δεδομένων) και στην Εξόρυξη δεδομένων.
• Μέθοδοι και τεχνικές εξόρυξης γνώσης από δεδομένα.
• Κατηγοριοποίηση (Μοντέλα κατηγοριοποίησης, τύποι και αξιολόγηση κατηγοριοποιητών). Ομαδοποίηση (Έννοια ομαδοποίησης, βασικές οικογένειες αλγορίθμων ομαδοποίησης).  Βασικοί Κανόνες Συσχέτισης. Πρόβλεψη.
• Αξιολόγηση δεδομένων, Χαμένες τιμές, συναρτήσεις spline, Θόρυβος.
• Κατηγοριοποίηση - Κατηγοριοποίηση και κανόνες Bayes - Αφελής Κατηγοριοποίηση Bayes.
• Παλινδρόμηση - Λογιστική Παλινδρόμηση.
• Νευρωνικά δίκτυα - Κατηγοριοποίηση και Πρόβλεψη, Επιβλεπόμενη Μάθηση, Επικύρωση, Data Overfitting.
• k-Πλησιέστεροι γείτονες, Πρόβλεψη - Ταξινόμηση.
• Ανάλυση με κύριες συνιστώσες.
• Εφαρμογές με τα λογισμικά R-project, Tiberius, XLMiner,Zaitun Time Series, IBM, Dr. Watson, WEKA.

Βιβλιογραφία

1. Hand, Mannila, and Smyth. Principles of Data Mining. Cambridge, MA: MIT Press, 2001. ISBN: 026208290X.
2. Berry and Linoff. Mastering Data Mining. New York, NY: Wiley, 2000. ISBN: 0471331236.
3. Delmater and Hancock. Data Mining Explained. New York, NY: Digital Press, 2001. ISBN: 1555582311.
4. Remco R. Bouckaert, Eibe Frank, Mark Hall , Richard Kirkby, Peter Reutemann Alex Seewald, David Scuse. WEKA Manual for Version 3-6-9.The University of Waikato, 2013. (Εγχειρίδιο χρήσης και λογισμικό ελεύθερα διαθέσιμο από το University of Waikato).

Συναφή επιστημονικά περιοδικά

1. Statistical Analysis and Data Mining, Wiley journal, editors: Arnold Goodman, Chandrika Kamath, Vipin Kumar.
2. Journal Of Big Data, a SpringerOpen Journal.
3. Journal of Data Mining and Knowledge Discovery, tri-monthly, ISSN: 2229-6662 , 2229-6670, Bioinfo publications, India.
4. Expert Systems with Applications (Elsevier)