Διευκρίνιση για την προκήρυξη 3 θέσεων για έναρξη διδακτορικής διατριβής με δυνατότητα χρηματοδότησης
Προκηρύσσονται 3 θέσεις για έναρξη διδακτορικής διατριβής με επιβλέπων καθηγητή τον Επίκουρο Καθηγητή Νικόλαο Πλόσκα (nploskas@uowm.gr) στα πλαίσια του εργαστηρίου Ευφυών Συστημάτων και Βελτιστοποίησης. Υπάρχει δυνατότητα χρηματοδότησης των υποψήφιων διδακτόρων από σχετικό ερευνητικό έργο. Θέμα 1: Προβλήματα βελτιστοποίησης σε κέντρα δεδομένων (Optimization problems in data centers) Περιγραφή: Τα τελευταία χρόνια υπάρχει μια μεγάλη αύξηση του όγκου ψηφιακής πληροφορίας που δημιουργείται και καταναλώνεται παγκοσμίως. Το πρόβλημα διαχείρισης μεγάλων όγκων δεδομένων έχει αναδείξει την έλλειψη αποδοτικότητας των κεντρικοποιημένων αρχιτεκτονικών, οι οποίες πλέον θεωρούνται παρωχημένες. Από την άλλη, κατανεμημένα συστήματα διαχείρισης δεδομένων, με την μορφή κέντρων δεδομένων μπορούν να προσφέρουν τους απαραίτητους υπολογιστικούς πόρους για την διαχείριση Μεγάλων Δεδομένων. Συνεπώς, τα κέντρα δεδομένων είναι απαραίτητα για το μοντέλο υπολογιστικής νέφους, που στις μέρες μας έχει αρχίσει να κυριαρχεί στην διαχείριση δεδομένων. Σημαντικά ερευνητικά ζητήματα στην διαχείριση κέντρων δεδομένων αποτελούν η βελτιστοποίηση του φόρτου εργασίας των υπολογιστικών μονάδων και της κατανάλωσης ενέργειας των κέντρων δεδομένων. Σκοπός της έρευνάς αυτής είναι η ανάπτυξη νέων αλγορίθμων για την επίλυση προβλημάτων βελτιστοποίησης σε κέντρα δεδομένων. Ενδεικτική βιβλιογραφία: Hao, F., Kodialam, M., Lakshman, T. V., & Mukherjee, S. (2017). Online allocation of virtual machines in a distributed cloud. IEEE/ACM Transactions on Networking (TON), 25(1), 238 – 249. Mann, Z. Á. (2015). Allocation of virtual machines in cloud data centers—a survey of problem models and optimization algorithms. ACM Computing Surveys (CSUR), 48(1), 11. Beloglazov, A., Abawajy, J., & Buyya, R. (2012). Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing. Future Generation Computer Systems, 28(5), 755 – 768. Απαιτούμενες γνώσεις: Καλή γνώση αλγορίθμων και προγραμματισμού σε C/C++. Επιθυμητές γνώσεις: Τεχνητή Νοημοσύνη, Βελτιστοποίηση, Παράλληλα και Κατανεμημένα Συστήματα. Θέμα 2: Αλγόριθμοι βελτιστοποίησης για μηχανική μάθηση (Optimization algorithms for machine learning) Περιγραφή: Η μηχανική μάθηση και τα ευφυή συστήματα που βασίζονται σε αυτήν (π.χ. μηχανές αναζήτησης, συστήματα συστάσεων κ.τ.λ.) έχουν γίνει έναν αναπόσπαστο κομμάτι της σύγχρονης κοινωνίας. Έχοντας τις ρίζες τους στην στατιστική και βασιζόμενες σε μεγάλο βαθμό στην αποτελεσματικότητα των αριθμητικών αλγορίθμων, οι τεχνικές μηχανικής μάθησης αξιοποιούν τα σύγχρονα υπολογιστικά κέντρα και τη διαθεσιμότητα μεγάλων δεδομένων. Η βελτιστοποίηση είναι ένας από τους πυλώνες της στατιστικής και σημαντικό κομμάτι των μεθόδων μηχανικής μάθησης. Σκοπός της έρευνάς αυτής είναι η ανάπτυξη νέων αλγορίθμων βελτιστοποίησης για την χρησιμοποίησή τους σε μεθόδους μηχανικής μάθησης. Ενδεικτική βιβλιογραφία: Bottou, L., Curtis, F. E., & Nocedal, J. (2018). Optimization methods for large-scale machine learning. SIAM Review, 60(2), 223-311. Sra, S., Nowozin, S., & Wright, S. J. (Eds.). (2012). Optimization for machine learning. MIT Press. Le, Q. V., Ngiam, J., Coates, A., Lahiri, A., Prochnow, B., & Ng, A. Y. (2011, June). On optimization methods for deep learning. In Proceedings of the 28th International Conference on International Conference on Machine Learning, 265-272. Απαιτούμενες γνώσεις: Καλή γνώση αλγορίθμων, αριθμητικής ανάλυσης και προγραμματισμού σε Python. Επιθυμητές γνώσεις: Μηχανική Μάθηση, Βελτιστοποίηση, Παράλληλα και Κατανεμημένα Συστήματα. Θέμα 3: Αλγόριθμοι βελτιστοποίησης για προβλήματα μαύρου κουτιού (Optimization algorithms for black–box problems) Περιγραφή: Μία κύρια πρόκληση στην βελτιστοποίηση είναι η βελτιστοποίηση προβλημάτων μαύρου κουτιού. Στα προβλήματα αυτά, τα αλγεβρικά μοντέλα μπορούν να απουσιάζουν εντελώς ή να μην είναι συμβατά με συμβατικά λογισμικά βελτιστοποίησης. Τα συστήματα μαύρου κουτιού παρέχονται συνήθως υπό τη μορφή ενός λογισμικού προσομοίωσης. Η βελτιστοποίηση προβλημάτων μαύρου κουτιού είναι πολύ σημαντικός τομέας έρευνας μιας και τα προβλήματα αυτά εμφανίζονται σε πολλές εφαρμογές. Σκοπός της έρευνάς αυτής είναι η ανάπτυξη νέων αλγορίθμων βελτιστοποίησης για την επίλυση προβλημάτων μαύρου κουτιού. Ενδεικτική βιβλιογραφία: Rios, L. M., & Sahinidis, N. V. (2013). Derivative-free optimization: a review of algorithms and comparison of software implementations. Journal of Global Optimization, 56(3), 1247-1293. Conn, A. R., Scheinberg, K., & Vicente, L. N. (2009). Introduction to derivative-free optimization (Vol. 8). SIAM. Jones, D. R., Schonlau, M., & Welch, W. J. (1998). Efficient global optimization of expensive black-box functions. Journal of Global Optimization, 13(4), 455-492. Απαιτούμενες γνώσεις: Καλή γνώση αλγορίθμων, αριθμητικής ανάλυσης και προγραμματισμού σε C/C++. Επιθυμητές γνώσεις: Βελτιστοποίηση, Παράλληλα και Κατανεμημένα Συστήματα. Προθεσμία υποβολής: 22-3-2019 έως 22-4-2019 Οι ενδιαφερόμενοι παρακαλούνται να επικοινωνήσουν ηλεκτρονικά στην διεύθυνση email nploskas@uowm.gr (υπόψη κ. Πλόσκα) για περισσότερες λεπτομέρειες.