Ώρα για Νευρωνικά:
Προαπαιτούμενα
Αν και υποκλάδος της μηχανικής μάθησης, δεν έχει κάποιο μάθημα (π.χ. αναγνώριση προτύπων και μηχανική μάθηση) ως προαπαιτούμενο.
Δυσκολία
Απαιτητικό μάθημα, κυρίως για την εκπόνηση των εργασιών. Η εξέταση είναι αρκετά πιο εύκολη.
Θετικά
1) Καλύπτει μια ευρεία γκάμα της ύλης των νευρωνικών δικτύων.
2) Ο διδάσκων κάνει αρκετά καλές διαλέξεις.
3) Οι εργασίες καλύπτουν όλη την ύλη και αποτελούν το 60% του τελικού βαθμού που σε συνδυασμό με το 50% του βαθμού που δίνει η τελική εξέταση αποκτούν και μικροπροσθετικό χαρακτήρα. (Οι βαθμολογίες τους είναι γενικά υψηλές)
4) Μας παρουσιάστηκε το πως μπορούμε να αποκτήσουμε πρόσβαση σε GPUs του Google Colab.
5) Έγινε κάποιο σεμινάριο από την Google.
Αρνητικά
1) Ελάχιστες διαλέξεις ασκήσεων ενώ οι εξετάσεις έχουν 3 ασκήσεις (καλύπτουν το 70% του βαθμού της εξέτασης αν θυμάμαι καλά).
2) Οι εργασίες έχουν μεγάλη ελευθερία και ασάφεια ως προς το τι πρέπει να κάνει κανείς για να πάρει άριστα. Από τη μια καλή η ελευθερία αλλά από την άλλη δεν ξέρει κανείς αν έχει δείξει αρκετά πράγματα στην αναφορά. (Βέβαια, αυτό το άγχος μπορείτε να το αποβάλλετε βλέποντας το πόσο υψηλοί γενικά είναι οι βαθμοί)
3) (Όχι απαραίτητα αρνητικό) Εξέταση των εργασιών (μέσω παρουσίασης zoom) εν μέσω εξεταστικής περιόδου. Με λίγα λόγια, μέσα στην εξεταστική, αν δεν το κάνετε πιο πριν, θα κληθείτε να φτιάξετε διαφάνειες από τις αναφορές σας και μια δεκάλεπτη παρουσίαση των εργασιών σας. Η παρουσίαση, που είναι υποχρεωτική γίνεται ενώπιον του διδάσκοντα ο οποίος θα κάνει και κάποιες ερωτήσεις (συνήθως δεν είναι ψαρωτικές) αλλά του τύπου αν έχει ασχοληθεί κανείς με τα νευρωνικά δίκτυα πριν το μάθημα, από που βρήκε κώδικα για να τα κατασκευάσει και αν έχει δοκιμάσει κάποια κατασκευή απλού νευρωνικού από το μηδέν (δηλαδή χωρίς framework pyTorch ή Tensorflow) Συμβουλή: Δοκιμάστε να κάνετε από μόνοι σας ένα μικρό νευρωνικό, έστω και έναν δυαδικό ταξινομητή, θα το εκτιμήσει θετικά και θα μάθετε καλύτερα και κάποια μαθηματικά πίσω από την μαγεία των νευρωικών δικτύων. (Ούτε εδώ μην αγχώνεστε, οι βαθμοί είναι υψηλοί)
4) Για την σύνταξη του κώδικα (είτε PyTorch είτε Tensorflow) κανείς θα πρέπει να ψαχτεί αρκετά από μόνος του.
Τρόπος Προετοιμασίας
Μεγαλύτερος είναι ο φόρτος των εργασιών παρά της εξέτασης, οπότε φροντίστε να βάλετε μεράκι στις εργασίες. Σε ότι αφορά την εξέταση, αν και δίνετε με ανοικτό βιβλίο καλό θα είναι να έχετε διαβάσει λίγο θεωρία (αν και πολλές ερωτήσεις θεωρίας θα τις έχετε καταλάβει-"δει" μέσα από τις εργασίες). Τέλος, σε ότι αφορά τις ασκήσεις της εξέτασης αυτές εμπίπτουν σε 3-4 κατηγορίες και ανακυκλώνονται, οπότε απαιτείται μια κάποια τριβή με παλιά θέματα και τις όποιες ασκήσεις γίνουν.
Περνιέται εύκολα;
Πολύ δύσκολο να κοπείς.
Προσφέρεται για βαθμό;
Ναι, για 9+.
Θα το ξαναέπαιρνα;
ΝΑΙ, ίσως το αγαπημένο μου μάθημα από το 7ο εξάμηνο.

Ώρα και για τα ΑΣΗΕ
Προαπαιτούμενα
Δεν έχει. Έχει μια μικρή επικάλυψη με τις τεχνικές βελτιστοποίησης χωρίς όμως να είναι απαραίτητο να πάρεις τεχνικές για να καταλάβεις τι γίνεται.
Δυσκολία
Ούτε εύκολο ούτε δύσκολο. Έχει μια εξέταση απαιτητική από πλευράς χρόνου κυρίως ενώ χρειάζεται προσοχή για να μην γίνουν αριθμητικά λάθη.
Θετικά
1) Προσιτό και φιλικό προς ηλεκτρονικάριους που ήθελαν κάτι διαφορετικό (όπως εμένα).
2) Μια πρώτη επαφή με τη γλώσσα GAMS στο εργαστήριο (γλώσσα γραμμένη για προβλήματα βελτιστοποίησης). Τα εργαστήρια γίνονται σε ομάδες των 2 στη Βεργίνα.
3) Προσθετική εργασία σε GAMS που δίνει +1. Ο κώδικας της εργασίας μπορεί να συνταχθεί βλέποντας τους κώδικες των εργαστηρίων, που δίνονται έτοιμοι.
4) Βλέπουμε στην πράξη την εφαρμογή τεχνικών βελτιστοποίησης (ελαχιστοποίηση κόστους λειτουργίας, μεγιστοποίηση κέρδους) ενώ στην ύλη υπάρχει και η έννοια της κοινοπραξίας παραγωγών, που εισάγει τον φοιτητή στην οικονομία της αγοράς ρεύματος ενώ βλέπει στην πράξη το πως η συνεργασία εταιρειών μεγιστοποιεί τα κέρδη.
5) Το σημαντικότερο ίσως, και ΜΠΡΑΒΟ στους διδάσκοντες. Πολύ οργανωμένες διαφάνειες, σημειώσεις και βίντεο με διαλέξεις τόσο θεωρίας όσο και ασκήσεων ενώ παράλληλα τόσο οι εκφωνήσεις όσο και οι λύσεις των ασκήσεων είναι αναρτημένες στο e-learning.
Αρνητικά
1) Δύσκολη, απαιτητική εξέταση (ΕΙΔΙΚΑ ΟΤΑΝ ΠΕΦΤΕΙ ΙΔΙΑ ΜΕΡΑ ΜΕ ΤΕΧΝΙΚΕΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ) . Η δυσκολία έγκειται κυρίως στο χρόνο, ο οποίος ίσα ίσα φτάνει.
2) Είναι από εκείνα τα μαθήματα που ένα αριθμητικό ή μια απροσεξία (πχ μέγιστη ισχύς μιας γεννήτριας) μπορεί να κοστίσει μονάδες.
3) Δεν είναι ακριβώς αρνητικό αλλά απαιτεί υποχρεωτικά μια εργαστηριακή αναφορά και κάποια διαγράμματα σε matlab ή σε excel ή στο χέρι. Η αναφορά,  χωρίζεται σε 3 ή 4 τμήματα (όσα είναι τα εργαστήρια, δεν θυμάμαι πόσα είναι). Η αναφορά είναι το 10% του τελικού βαθμού. (Υ.Γ. Μην φανταστείτε κάποια δύσκολη αναφορά απλά ως ηλεκτρονικάριος δεν έχω εξοικειωθεί με τις εργαστηριακές αναφορές)
Τρόπος Προετοιμασίας
Δεν παρακολούθησα κάποια διάλεξη θεωρίας (κακώς, ξέρω). Είναι χρήσιμο να πηγαίνετε σε διαλέξεις ασκήσεων (ούτε αυτό το έκανα τρομάρα μου ). Δεν υπάρχει ανακύκλωση αλλά τα θέματα παρουσιάζουν παρόμοια λογική κάθε χρόνο. Απαιτείται επομένως τριβή με παλιά θέματα και ασκήσεις (θα πω κυρίως για την ανάπτυξη ταχύτητας στην επίλυση)
Περνιέται εύκολα;
Ναι, αλλά θέλει καλό διάβασμα με τον τρόπο που είπα παραπάνω.
Προσφέρεται για βαθμό;
Υπάρχουν και πιο εύκολα μαθήματα για βαθμό.
Θα το ξαναεπέλεγα;
Ναι

Ώρα για βιοϊατρική:
Προαπαιτούμενα
Δεν έχει.
Δυσκολία
Ίσως το ευκολότερο μάθημα του 7ου εξαμήνου (και από τους τρεις τομείς)
Θετικά
1) Συνιστά το κάτι διαφορετικό, μαθαίνει κανείς πράγματα που δεν διδάσκονται σε άλλα μαθήματα καλύπτοντας ένα ευρύ φάσμα των τεχνολογικών εφαρμογών στην ιατρική (και όχι μόνο!)
2) Ανοίγει δίαυλο επικοινωνίας με έναν ολόκληρο καινούριο κλάδο, αυτόν της χρήσης της μηχανικής στην ιατρική.
3) Η εργασία είναι (κυρίως) βιβλιογραφική, έχει και το θετικό ότι μπορείτε να επιλέξετε ελεύθερα κάποιο θέμα. Δίνει +1, (απαιτεί αναφορά και powerpoint) ενώ παρέχει και την δυνατότητα (αν θέλετε) να κάνετε εξάσκηση στα presentation skill σας παρουσιάζοντας την μπροστά στους συμφοιτητές.
Αρνητικά
Τι κάνεις εδώ; Δεν έχει αρνητικά
Τρόπος Προετοιμασίας
Μια καλή ανάγνωση των διαφανειών (κυρίως για να ξέρετε που βρίσκεται καθετι) αν και πιστεύω ότι  ίσως βρείτε ενδιαφέροντες πληροφορίες εκεί, οπότε θα διαβάσετε τις διαφάνειες με περισσότερη όρεξη. Παρατηρείται μεγάλη ανακύκλωση, με τις περισσότερες απαντήσεις να κρύβονται είτε στο βιβλίο είτε στις διαφάνειες (που μπορείτε να έχετε μαζί). Έχει και μια-δυο μικροασκησούλες που καλό θα είναι να λύσετε μερικές φορές.
Περνιέται εύκολα;
Είναι πολύ δύσκολο να κοπείς.
Προσφέρεται για βαθμό;
ΝΑΙ (πάνω από ένα 70-80 % το περνάει με 10)
Θα το ξαναεπέλεγα;
ΝΑΙ

Ώρα για τεχνικές βελτιστοποίησης:
Προαπαιτούμενα
Δεν θα έλεγα πως έχει. (Δεν έχει κάποια σχέση με ΣΑΕ, αν σας αποτρέπει αυτό)
Δυσκολία
Απαιτητικό μάθημα. Απαιτεί καλή γνώση της ύλης και αρκετό διάβασμα.
Θετικά
1) Προσθετικές (προαιρετικές) εργασίες σε Matlab (οι πρώτες τρεις μέχρι +2.5 και η τελευταία +2.5). Οι εργασίες γενικά παίρνουν υψηλούς βαθμούς και η εκπόνηση τους είναι αρκετά εύκολη (εκτός ίσως από την τελευταία) αλλά και χρονοβόρα. Τέλος, οι εκφωνήσεις είναι πολύ κατατοπιστικές.
2) Πολύ σημαντικές γνώσεις βελτιστοποίησης. Μέθοδοι οι οποίες συναντώνται και σε άλλους τομείς της επιστήμης των υπολογιστών (όπως είναι τα νευρωνικά δίκτυα). Επομένως, ως μάθημα, θεμελιώνει όλους εκείνους τους αλγορίθμους που βελτιστοποιούν μαθηματικά μια τιμή.
3) Στις λίγες διαλέξεις που πήγα, το μάθημα είχε εξαιρετική ροή.
Αρνητικά
1) Υπάρχουν ορισμένα λάθη στο βιβλίο, οπότε απαιτείται προσοχή όταν συμβουλεύεστε ακόμα και για εργασίες.
2) Δεν υπάρχει σταθερή δυσκολία στα θέματα. Άλλες φορές είναι πάρα πολύ εύκολα και άλλες φορές πάρα πολύ δύσκολα.
Τρόπος Προετοιμασίας
Διάβασμα από το βιβλίο για την κατανόηση των αλγορίθμων. Χρήσιμη η παρακολούθηση. (Επανα)επίλυση των ασκήσεων που γίνονται στα αντίστοιχα μαθήματα των ασκήσεων. Τριβή με παλιά θέματα. Παρατηρείται περιορισμένη ανακύκλωση αλλά επ' ουδενί  μη βασιστείτε σε αυτό.
Περνιέται εύκολα;
Ναι, συνήθως τα εύκολα θέματα επαρκούν για ένα 5.
Περνιέται με βαθμό;
Ναι, αλλά μόνο αν τύχουν εύκολα θέματα ή έχετε εκπονήσει τις τρεις εργασίες και το project.
Θα το ξαναέπαιρνα;
Προσωπικά ναι

Ώρα για τα λειτουργικά:
Προαπαιτούμενα
Δεν έχει, ίσως κάποια σημεία της ύλης θυμίζουν οργάνωση υπολογιστών.
Δυσκολία
Αρκετά εύκολο μάθημα, εξέταση πολλαπλής επιλογής και μικρές ασκήσεις.
Θετικά
1) Απαραίτητες γνώσεις για τα λειτουργικά συστήματα
2) Μαθαίνεις για τα linux (εγκατάσταση, να γράφεις στο τερματικό)
3) Βασικές αρχές νημάτων, μνήμης κλπ.
4) Ενδιαφέρουσα εργασία με μπόνους +2
Αρνητικά
1) Ίσως να μην γίνουν κάποια εργαστήρια από αυτά που μπορεί να ειπωθούν στην αρχή.
Τρόπος Προετοιμασίας
Παρακολούθηση για την καλύτερη κατανόηση κάποιων εννοιών (δεν το έκανα). Ανάγνωση διαφανειών και τριβή με παλιά θέματα (ιδίως αυτά που αφορούν της ασκήσεις). Παρατηρείται μια μικρή ανακύκλωση θεωρίας, αλλά καλό θα είναι να διαβάσετε καλά όλη την ύλη του μαθήματος.
Περνιέται εύκολα;
ΝΑΙ
Περνιέται με βαθμό;
Ναι, αν έχεις διαβάσει καλή θεωρία και έχεις λύσει αρκετές ασκησούλες. Ειδικά αν έχεις κάνει και την προσθετική εργασία, βαθμός 8+ είναι εγγυημένος
Θα το ξαναεπέλεγα;
Ναι

Υ.Γ. Αυτό βλέπω είναι το 500ο ποστ μου

Βρίσκοντας λίγο ελεύθερο χρόνο θεωρώ πολύ σημαντικό να εκθέσω την άποψη μου για ορισμένα μαθήματα επιλογής. Ξεκινώ με την ανάλυση δεδομένων.
Προαπαιτούμενα
Δεν έχει, αλλά γνώσεις στατιστικής και πιθανοτήτων καθιστούν την κατανόηση πιο εύκολη (τα απολύτως απαραίτητα γίνονται επανάληψη από τον διδάσκοντα στην αρχή του εξαμήνου.
Δυσκολία
Αρκετά δύσκολο μάθημα, με πολύ απαιτητική τρίωρη εξέταση σε Matlab και υποχρεωτική εργασία  (30% του βαθμού).
Θετικά
1) Εβδομαδιαίες (προαιρετικές) ασκήσεις σε Matlab πάνω στην ύλη
2) Πολύ ενδιαφέρουσες- διαδραστικές διαλέξεις. Ο διδάσκων έβλεπε ποιοι υπέβαλλαν τις εβδομαδιαίες ασκήσεις και οι φοιτητές που το είχαν κάνει παρουσίαζαν τις λύσεις τους, πράγμα το οποίο έκανε την ύλη και πιο κατονοητή.
3) Η εργασία μοιάζει σε πολύ μεγάλο βαθμό με τις εβδομαδιαίες ασκήσεις
4) Η εργασία δεν έχει report (όλες οι παρατηρήσεις σχολιασμοί γίνονται στο Matlab με τη μορφή σχολίων).
5) Πολύ χρήσιμες έννοιες της επιστήμης των δεδομένων, απαραίτητες γνώσεις για την κατανόηση, διαχείριση και ανάλυση δεδομένων, πράγμα που είναι ουσιώδες σε όλους τους κλάδους της μηχανικής.
Αρνητικά
1) Η εξέταση είναι αρκετά απαιτητική (όχι απαραίτητα αρνητικό αλλά το αναφέρω εδώ για όσους ενδιαφέρονται για βαθμό) παρά το γεγονός ότι οι φοιτητές επιτρέπονται να έχουν όσους έτοιμους κώδικες θέλουν μαζί τους. Η τελευταία παρατήρηση αφορά τόσο την δυσκολία των θεμάτων όσο και την πίεση του χρόνου.
Τρόπος Προετοιμασίας
Θέλει κατά προτίμηση ενασχόληση όλο το εξάμηνο (εκπόνηση ασκήσεων, διάβασμα θεωρίας) ενώ και η εργασία απαιτεί αρκετές μέρες (στις γιορτές ή μετά τις γιορτές αφού είναι σε δυάδες). Επιπλέον, απαιτείται αρκετή τριβή με τα παλιά θέματα και εξάσκηση σε αυτά. (Δεν παρατηρήθηκε ανακύκλωση θεμάτων).
Περνιέται εύκολα;
Ναι, με μια καλή εργασία και την επίλυση κάποιων ερωτημάτων της εξέτασης.
Προσφέρεται για βαθμό;
Όχι
Θα το ξαναεπέλεγα;
Ναι

Έχουν και άλλοι αυτό το θέμα. Φαντάζομαι θα πέσει στην αντίληψη του διδάσκοντος και θα διορθωθεί σύντομα

Μηχανική Λογισμικού Ι στο e-learning (ενότητα grades)

Και αυτός συμπαθέστατος, αλλά για τα μιμς πρέπει η Αγγλία να φτάσει μεν κοντά αλλά να μείνει άτιτλη.

Ας κάνω και εγώ το bracket μου:

Προημιτελικά
Γαλλία -Μαροκο
Ισπανία -Βέλγιο
Νορβηγία - Αγγλία
Αργεντινή - Ελβετία

Ημιτελικά
Γαλλία - Ισπανία
Αργεντινή - Νορβηγία

Και στον τελικό; Ποιός ξέρει;
Υ.Γ. Θα με έκανε πολύ χαρούμενο κάποιο θαύμα από πλευράς Νορβηγίας. Φαίνονται οι συμπαθέστεροι σε αυτό το Μουντιάλ.

Επιχειρησιακή Έρευνα στο sis

Ανάλυση Συστημάτων Ηλεκτρικής Ενέργειας στο sis

Ανάλυση Δεδομένων στο webmail

Αποτελέσματα Προόδου στο e-learning

Νομίζω αρχιτεκτονική βγήκε