Κοινότητες στην ΠΥΞΙΔΑ
Επιλέξτε μια κοινότητα για να περιηγηθείτε στις συλλογές της.
Πρόσφατες Υποβολές
Επιχειρηματική αναλυτική στην πράξη: η περίπτωση ενός online καταστήματος
(2025-07-24) Χαλάτση, Σοφία; Κορφιάτης, Νικόλαος; Φραΐδάκη, Αικατερίνη; Λεκάκος, Γεώργιος; Ζάρας, Ανδρέας
Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάλυση πραγματικών δεδομένων από ηλεκτρονικό κατάστημα λιανικής πώλησης επαγγελματικού εξοπλισμού εργασίας και μέσων ατομικής προστασίας. Στόχος της μελέτης είναι η διερεύνηση της αγοραστικής συμπεριφοράς των πελατών, η αναγνώριση προτύπων υψηλής κερδοφορίας και η διατύπωση τεκμηριωμένων επιχειρησιακών προτάσεων, με σκοπό τη βελτίωση της αποτελεσματικότητας στο ηλεκτρονικό εμπόριο. Η ανάλυση βασίστηκε σε δεδομένα παραγγελιών και πελατών που εξήχθησαν από την πλατφόρμα του e-shop και αφορούν πραγματικές συναλλαγές διάρκειας τεσσάρων (4) ετών. Στο πλαίσιο της εργασίας εφαρμόστηκαν διαδικασίες καθαρισμού και προετοιμασίας δεδομένων, περιγραφική στατιστική ανάλυση, καθώς και προηγμένες μέθοδοι επεξεργασίας και οπτικοποίησης. Ειδικότερα, πραγματοποιήθηκε τμηματοποίηση πελατών με χρήση του μοντέλου RFM (Recency, Frequency, Monetary) και εφαρμογή κανόνων συσχέτισης προϊόντων μέσω της μεθόδου Market Basket Analysis. Η ανάλυση υλοποιήθηκε με εργαλεία όπως το Microsoft Excel, SAS Enterprise Guide και το περιβάλλον του SAS Viya. Τα αποτελέσματα ανέδειξαν βασικά αγοραστικά μοτίβα, κατηγορίες πελατών υψηλής αξίας, καθώς και ισχυρές συσχετίσεις μεταξύ προϊόντων που μπορούν να αξιοποιηθούν σε στρατηγικές cross-selling και βελτιωμένη στόχευση marketing. Επιπλέον, εντοπίστηκαν κρίσιμες εποχικές τάσεις στη ζήτηση, χρήσιμες για τη διαχείριση αποθεμάτων και τον προγραμματισμό προωθητικών ενεργειών. Η εργασία καταλήγει σε συγκεκριμένες προτάσεις για την ενίσχυση της πιστότητας των πελατών, την αύξηση των εσόδων και τη στρατηγική αξιοποίηση των δεδομένων για την υποστήριξη της λήψης αποφάσεων.
Λέξεις Κλειδιά: Ηλεκτρονικό Εμπόριο, Ανάλυση Δεδομένων, RFM, Market Basket Analysis, SAS Viya, Στρατηγικές Marketing
Real-time pattern recognition in data streams in the IoT
(2025-07-31) Polytarchos, Elias; Πολύταρχος, Ηλίας; Doukidis, Georgios; Bardaki, Cleopatra; Lekakos, Georgios; Papakyriakopoulos, Dimitrios; Pnevmatikatos, Dionisios; Chatziantoniou, Damianos; Pramatari, Aikaterini
Η ταχεία ανάπτυξη του Διαδικτύου των Πραγμάτων (IoT), σε συνδυασμό με τις χρηματοοικονομικές συναλλαγές που βασίζονται σε τεχνολογία blockchain και τα παραδοσιακά οικονομικά δίκτυα, καθώς και τα κοινωνικά δίκτυα, έχει οδηγήσει στη δημιουργία τεράστιων ροών δεδομένων. Αυτές περιέχουν μια πρωτοφανή ποσότητα πληροφοριών που κινδυνεύουν να χαθούν, εκτός αν αναλυθούν και επεξεργαστούν, χωρίς την αυστηρή απαίτηση αποθήκευσής τους. Η παρούσα διατριβή εξετάζει τις προκλήσεις και τις ευκαιρίες που συνδέονται με την ανάλυση τέτοιων ροών δεδομένων, τονίζοντας την ανάγκη για μεθοδολογίες που μπορούν να διαχειριστούν τη συνεχόμενη εισροή δεδομένων χωρίς να βασίζονται σε μεγάλους όγκους αποθηκευμένων ιστορικών δεδομένων. Οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης αποτυγχάνουν σε αυτό το πλαίσιο λόγω της ανάγκης τους για πολλαπλές διαβάσεις των δεδομένων, της αδυναμίας προσαρμογής σε μεταβολές των στατιστικών ιδιοτήτων των ροών δεδομένων και των υψηλών υπολογιστικών απαιτήσεων. Η εργασία αυτή ερευνά την προσαρμογή διάφορων αλγορίθμων ομαδοποίησης και ταξινόμησης για την ανάλυση ροών δεδομένων σε πραγματικό χρόνο, μέσω της μεθοδολογίας BEReTiC, που έχει κατοχύρωθεί με δίπλωμα ευρεσιτεχνίας. Το BEReTiC αποτελεί έναν πολυπλέκτη και προσαρμογέα αλγορίθμων ομαδοποίησης και ταξινόμησης σε πραγματικό χρόνο, σχεδιασμένο να αντιμετωπίζει τις μοναδικές ιδιότητες των ροών δεδομένων, όπως το concept drift και evolution. Παρουσιάζεται ο αλγόριθμος CluNN, ένας καινοτόμος κατοχυρωμένος αλγόριθμος ομαδοποίησης, σχεδιασμένος για ομαδοποίηση ροών δεδομένων. Η απόδοση και η ακρίβεια της μεθοδολογίας και του αλγορίθμου αξιολογούνται μέσω ποιοτικών και εμπειρικών αξιολογήσεων σε πολλαπλούς πραγματικούς τομείς εφαρμογής, συμπεριλαμβανομένων εφαρμογών με ροές δεδομένων άγνωστης ή ασταθούς κατανομής, καθώς και εφαρμογών των οποίων οι ροές δεδομένων υπακούουν σε πιο προβλέψιμες κατανομές. Τα αποτελέσματα δείχνουν ότι το BEReTiC και ο CluNN επιτρέπουν την έγκαιρη, προσαρμοστική και ακριβή αναγνώριση προτύπων τόσο σε ασταθείς όσο και σε ντετερμινιστικά περιβάλλοντα, αντιμετωπίζοντας κρίσιμες προκλήσεις στην ανάλυση ροών δεδομένων σε πραγματικό χρόνο. Οι συνεισφορές αυτές ανοίγουν τον δρόμο για μια αποτελεσματική και πρακτική ενσωμάτωση δυνατοτήτων αναγνώρισης προτύπων σε πραγματικά συστήματα IoT.
Synthetic speech source tracing using metric learning
(2025-09-16) Zacharopoulos, Stavros; Ζαχαρόπουλος, Σταύρος; Stafylakis, Themos
Στην εργασία αυτή εξετάζουµε την πρόϰληση της ιχνηλάτησης της πηγής συνϑετιϰής οµιλίας, δηλαδή την αναγνώριση του µοντέλου που παρήγαγε ένα ηχητιϰό δείγµα, µέσω µεϑόδων εµπνευσµένων από την αναγνώριση οµιλητών. Σε αντίϑεση µε τη σχετιϰά ώριµη περιοχή της ανίχνευσης παραποιηµένης οµιλίας (spoofing detection), η ιϰανότητα αναγνώρισης του συστήµατος παραγωγής της παραποιηµένης φωνής παραµένει περιορισµένη, παρά την ιδιαίτερη σηµασία της για εφαρµογές ψηφιαϰής εγϰληµατολογίας ϰαι αντιµετώπισης παραπληροφόρησης. Προσεγγίζουµε το πρόβληµα συγϰρίνοντας δύο διαφορετιϰές στρατηγιϰές: την παρα δοσιαϰή ταξινόµηση ϰαι τη µάϑηση µε µετριϰές (metric learning). Για την υλοποίηση των προσεγγίσεών µας χρησιµοποιούµε δύο µοντέλα: ένα ResNet-34 µιϰρής υπολογισ τιϰής πολυπλοϰότητας ϰαι ένα αυτο-επιβλεπόµενο µοντέλο AASIST εµπλουτισµένο µε embeddings από Wav2Vec2. Πειραµατιζόµαστε µε διαφορετιϰές λειτουργίες απώλειας, µεϑόδους δειγµατοληψίας, ϰαϑώς ϰαι µεγέϑη εξόδου embeddings. Τα πειραµατιϰά µας αποτελέσµατα, που βασίζονται στο benchmark MLAADv5, δείχ νουν ότι η προσέγγιση µε ResNet σε συνδυασµό µε metric learning (ειδιϰά µε GE2E loss) πετυχαίνει εξαιρετιϰά χαµηλά ποσοστά σφάλµατος (EER), συγϰρίσιµα ή ϰαι ϰαλύτερα από αυτά του AASIST. Επιπλέον, δείχνουµε ότι αϰόµα ϰαι embeddings µιϰρής διαστατιϰότητας (10–50) επαρϰούν για αποδοτιϰή ταξινόµηση. Η µελέτη µας αναδειϰνύει τη δυνατότητα αξιοποίησης ελαφριών µοντέλων για την ιχνηλάτηση πηγής σε συνϑετιϰή οµιλία, παρέχοντας ένα πρώτο βήµα προς πιο αποδοτιϰά ϰαι εφαρµόσιµα εργαλεία για την ανίχνευση ϰαι ϰαταπολέµηση συνϑετιϰών µέσων.
Μεθοδολογική εξέλιξη και σύγκριση στο capacitated team orienteering problem: από την κλασική προσέγγιση σε επέκταση του προβλήματος με δυναμικά δρομολόγια
(2025-07-24) Κοσμάς, Δημήτριος; Ανδρουτσόπουλος, Κωνσταντίνος; Μούρτος, Ιωάννης; Ζαχαριάδης, Εμμανούηλ
Η ταχεία εξέλιξη των συστημάτων μεταφοράς και διανομής, σε συνδυασμό με τις αυξανόμενες απαιτήσεις για εξατομικευμένες υπηρεσίες, γρήγορη παράδοση και περιορισμένους διαθέσιμους πόρους, καθιστούν αναγκαία την ανάπτυξη προηγμένων αλγοριθμικών λύσεων για προβλήματα δρομολόγησης. Ένα από τα πλέον σύνθετα και ρεαλιστικά προβλήματα αυτής της κατηγορίας είναι το Πρόβλημα Ομαδικής Δρομολόγησης με Χωρητικότητα (Capacitated Team Orienteering Problem – CTOP), το οποίο συνδυάζει στοιχεία από το Κλασικό Orienteering Problem και το Vehicle Routing Problem. Το CTOP αφορά την επιλογή ενός υποσυνόλου πελατών και τον καταμερισμό τους σε πολλαπλές διαδρομές από ομάδα οχημάτων περιορισμένης χωρητικότητας, με σκοπό τη μέγιστη συλλογή κέρδους εντός συγκεκριμένων χρονικών ή/και χωρητικών περιορισμών.
Η εργασία αυτή εξετάζει σε βάθος το πρόβλημα CTOP, εστιάζοντας τόσο στην ακριβή διατύπωση του μαθηματικού του υποδείγματος όσο και στη διεύρυνση του μοντέλου μέσω μιας καινοτόμου επέκτασης που επιτρέπει στα οχήματα να εκτελούν πολλαπλές διαδρομές (multi-trip). Αυτή η επέκταση αντανακλά συνθήκες της πραγματικής ζωής όπου ένα όχημα μπορεί να ολοκληρώσει μία διαδρομή, να επιστρέψει στη βάση για ανατροφοδότηση, και να ξεκινήσει νέα αποστολή εντός του ίδιου χρονικού ορίζοντα. Η δυνατότητα αυτή επιτρέπει την πιο αποτελεσματική χρήση των διαθέσιμων πόρων και αυξάνει την ευκαμψία του επιχειρησιακού σχεδιασμού.
Η μεθοδολογία που υιοθετείται περιλαμβάνει τρία βασικά στάδια:
1. Clustering πελατών με τον αλγόριθμο K-means, ώστε να περιοριστεί ο συνδυαστικός χώρος και να δημιουργηθούν ομάδες πελατών με γεωγραφική συνοχή.
2. Ευρετικός αλγόριθμος δρομολόγησης, ο οποίος λαμβάνει υπόψη τη χωρητικότητα, τα χρονικά όρια και τις αποδόσεις, ώστε να κατασκευάσει αρχικές, αποδοτικές διαδρομές για κάθε ομάδα.
3. Μετευρετική βελτιστοποίηση, που βασίζεται σε τεχνικές όπως η Τοπική Αναζήτηση (Local Search), και η Tabu Search. Οι τεχνικές αυτές εφαρμόζονται για τη βελτίωση των αρχικών λύσεων και την εύρεση ισχυρότερων τοπικά ή παγκόσμια βέλτιστων λύσεων.
Για την αξιολόγηση της προσέγγισης, εφαρμόστηκε σειρά πειραματικών σεναρίων βασισμένων σε συνθετικά datasets που αντικατοπτρίζουν πραγματικές συνθήκες, όπως μεταφορές σε αστικά περιβάλλοντα ή επιχειρήσεις με δίκτυα πολλαπλών σημείων. Η ανάλυση των αποτελεσμάτων δείχνει ότι η προτεινόμενη μεθοδολογία παρέχει λύσεις σημαντικά ανώτερης ποιότητας σε σχέση με απλές ευρετικές προσεγγίσεις, με μικρό υπολογιστικό χρόνο και υψηλή σταθερότητα. Επίσης, αποδεικνύεται ικανή να αντιμετωπίσει δυναμικές παραλλαγές του CTOP, όπως αλλαγές στη διαθεσιμότητα πελατών ή την προσδοκώμενη ζήτηση.
Η συμβολή της εργασίας είναι διπλή: (α) σε θεωρητικό επίπεδο, επεκτείνει τη μελέτη του CTOP με την εισαγωγή μιας πρακτικής και υποστηριζόμενης επέκτασης (multi-trip) και (β) σε εφαρμοσμένο επίπεδο, παρέχει ένα ευέλικτο και αποτελεσματικό εργαλείο επίλυσης, κατάλληλο για πληθώρα εφαρμογών — από διανομές τροφίμων και φαρμάκων, μέχρι επιχειρήσεις ταχυμεταφορών και αυτόνομα συστήματα.
Legal issues of artificial intelligence systems in cybersecurity
(2025-07-10) Nepyyvoda, Anna; Νεπιϊβοντα, Άννα; Vagena, Evangelia
Η παρούσα πτυχιακή εργασία αφορά τις νομικές προεκτάσεις της τεχνητής νοημοσύνης (ΤΝ) στον χώρο της κυβερνοασφάλειας, εξετάζοντας τη διττή της χρήση, τόσο ως μέσο επίθεσης όσο και μέσο προστασίας. Στα πλαίσια της εργασίας αναλύεται η αξιοποίηση τεχνολογιών ΤΝ από κακόβουλους φορείς για επιθέσεις phishing, δημιουργία deepfakes, διαρροή πληροφοριών και ανάπτυξη πολυμορφικού κακόβουλου λογισμικού. Παράλληλα, εξετάζονται οι αμυντικές εφαρμογές, όπως το Cyber Threat Intelligence, η ανίχνευση απειλών, η ανάλυση συμπεριφοράς, τα Συστήματα Ανίχνευσης/Πρόληψης Εισβολών (IDS/IPS) και η ανίχνευση phishing. Σκοπός της μελέτης είναι η συγκριτική νομική ανάλυση των ρυθμιστικών πλαισίων της Ευρωπαϊκής Ένωσης, των Ηνωμένων Πολιτειών και της Κίνας, ερευνώντας τα πλεονεκτήματα και τους περιορισμούς της προσέγγισης κάθε δικαιοδοσίας. Τα βασικά κείμενα στα οποία επικεντρώνεται η μελέτη είναι το AI Act, ο GDPR, η Οδηγία NIS2 και το Cyber Resilience Act στην Ε.Ε., το AI Bill of Rights, Executive Orders και Cyber Information Sharing Act στις Η.Π.Α., καθώς και οι Deep Synthesis και Generative AI Provisions και ο Νόμος της Κυβερνοασφάλειας στην Κίνα. Επιπλέον, η μελέτη εξετάζει τις νομικές επιπτώσεις μέσα από υποθετικά σενάρια, διερευνώντας την διαφοροποίηση της εφαρμογής του δικαίου ανάλογα με το εκάστοτε νομικό σύστημα. Η ανάλυση αυτή πλαισιώνεται από προτάσεις που στοχεύουν στην ενίσχυση της νομικής σαφήνειας και στην προώθηση της υπεύθυνης χρήσης της τεχνητής νοημοσύνης στον κυβερνοχώρο. Με αυτόν τον τρόπο, η εργασία επιδιώκει να συμβάλει ουσιαστικά στον σύγχρονο διάλογο γύρω από την τεχνητή νοημοσύνη και το δίκαιο του κυβερνοχώρου, αναδεικνύοντας την ανάγκη για ισχυρά και ευέλικτα νομικά πλαίσια που συμβαδίζουν με τις ταχείς τεχνολογικές εξελίξεις.