Πτυχιακές εργασίες

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/11719

Περιήγηση

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 7 από 7

Automatic speech recognition for Greek medical dictation
(2025-09-05) Georgilas, Vardis; Γεωργίλας, Βαρδής; Stafylakis, Themos; Stafylakis, Themos
Η ιατριϰή υπαγόρευση αποτελεί µια πραϰτιϰή λύση που βοηθά τους επαγγελµατίες υγείας να µειώσουν τον χρόνο ϰαι την προσπάθεια που απαιτεί η γραπτή τεϰµηρίωση. Η παρούσα πτυχιαϰή εργασία έχει ως αντιϰείµενο την ϰατασϰευή ενός συστήµατος για την αυτοµατη µετατροπή ελληνιϰής ιατριϰής οµιλίας σε ϰείµενο. Υλοποιήθηϰε ένα σύστηµα που συνδυάζει τεχνιϰές αυτόµατης αναγνώρισης οµιλίας µε µοντέλα γλωσσιϰής αξιολόγησης για βελτίωση της αϰρίβειας. Με αυτόν τον τρόπο, το σύστηµα διαχειρίζεται αποτελεσµατιϰότερα την εξειδιϰευµένη ιατριϰή ορολογία ϰαι τις γλωσσιϰές ιδιαιτερότητες της ελληνιϰής γλώσσας, αντιµετωπίζοντας προβλήµατα που προϰύπτουν από την πολυπλοϰότητα της ορολογίας ϰαι τη µεταβλητότητα της προφοριϰής οµιλίας. Για την αυτόµατη αναγνώριση οµιλίας χρησιµοποιήθηϰε το µοντέλο Whisper, το οποίο εϰπαιδεύτηϰε περαιτέρω σε ελληνιϰά δεδοµένα ώστε να προσαρµοστεί ϰαλύτερα στις ανάγϰες του συγϰεϰριµένου τοµέα. Επιπλέον, αξιοποιήθηϰε ένα ειδιϰά προσαρµοσµένο ελληνιϰό GPT-2 µοντέλο, το οποίο λειτουργεί ως εργαλείο γλωσσιϰής αξιολόγησης, επιλέγοντας την ϰαταλληλότερη πρόταση ανάµεσα σε πολλαπλές πιθανές µεταγραφές που παράγονται από το Whisper. Η ενσωµάτωση της αϰουστιϰής ϰαι γλωσσιϰής πληροφορίας συµβάλλει σηµαντιϰά στην αύξηση της αϰρίβειας ϰαι της φυσιϰότητας των τελιϰών ϰειµένων. Με αυτή την προσέγγιση, το σύστηµα στοχεύει στη δηµιουργία αξιόπιστων ϰαι ϰατανοητών µεταγραφών, προσφέροντας ένα χρήσιµο εργαλείο για την υποστήριξη της ϰαθηµερινής εργασίας στον τοµέα της υγείας.
Enhanced biomedical image tagging
(2024-09-15) Chatzipapadopoulou, Anna; Χατζηπαπαδοπούλου, Άννα; Androutsopoulos, Ion; Pavlopoulos, John
Medical image classification is a complex and fascinating task that has significantly benefited from advancements in deep learning techniques. This thesis focuses on the specific challenge of multi-class multi-label medical image classification, also known as medical image tagging. The objective is to accurately assign relevant medical terms (concepts/tags) to images, which describe potential findings and ultimately assist clinicians in the diagnostic process. Medical image tagging may involve analyzing images from various modalities, such as X-rays, MRIs, CT scans, and ultra sonographies, to identify and categorize different pathological conditions. To address the task of medical image tagging, we develop and evaluate various deep learning models that encode the images and combine them with both classification-based and retrieval-based approaches. Ultimately, our goal is to develop a robust and reliable system for medical image tagging that not only provides clinicians with supportive information but also assists them in diagnosing diseases more accurately and efficiently.
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.
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.
Tuples-DMM: a retrieval-enhanced concept-driven guided decoding algorithm
(2024-10-25) Plavos, Dimosthenis; Πλαβός, Δημοσθένης; Pavlopoulos, Ioannis
Η αυτόµατη περιγραφή ιατριϰών ειϰόνων αποτελεί µια εξελισσόµενη διαδιϰασία στον τοµέα της Τεχνητής Νοηµοσύνης που περιλαµβάνει την αυτόµατη παραγωγή περιγραφιϰών λεζαντών για τέτοιες ειϰόνες. Ενισχύεται από τις προόδους στις τεχνολογίες απειϰόνισης ϰαι τον αυξανόµενο αριϑµό ασϑενών, τα οποία έχουν οδηγήσει στη δηµιουργία ενός µεγάλου αριϑµού αϰτινολογιϰών ειϰόνων στις µονάδες υγειονοµιϰής περίϑαλψης παγϰοσµίως. Η ανάλυση αυτών των ειϰόνων απαιτεί σηµαντιϰή ποσότητα χρόνου από τους ϰλινιϰούς ιατρούς, γεγονός που ϰαϑιστά την αυτοµατοποίηση αυτής της διαδιϰασίας ένα µέσο εξοιϰονόµησης χρόνου. Οι αυτόµατα δηµιουργούµενες λεζάντες µπορούν επίσης να χρησιµεύσουν ως εργαλεία για την ϰαϑοδήγηση της διαγνωστιϰής διαδιϰασίας ή την επιβεβαίωση των ευρηµάτων των ϰλινιϰών ιατρών. Η πτυχιαϰή αυτή εργασία επιϰεντρώνεται στην Παραγωγή ∆ιαγνωστιϰής Περιγραφής (Diagnostic Captioning), η οποία αναφέρεται στη δηµιουργία ϰειµενιϰών περιγραφών µε στόχο την αναγνώριση ϰαι µετάδοση διαγνωστιϰών πληροφοριών από ιατριϰές ειϰόνες. Για την υλοποίησή της, χρησιµοποιεί το σύνολο δεδοµένων ImageCLEFmedical 2023. Η προτεινόµενη µέϑοδος TuplesDMM βασίζεται στη µέϑοδο DMM (Distance from Median Maximum), που αποτελεί µια µεϑοδολογία Καϑοδηγούµενης Αποϰωδιϰοποίησης βασισµένη σε"ϰεντριϰές έννοιες" ϰαι παρουσιάστηϰε από τον Kaliosis ϰαι άλλους [Kal+24]. Η µέϑοδος DMM δηµιουργεί περιγραφές ενσωµατώνοντας ρητά ή άρρητα τις έννοιες που σχετίζονται µε µια ιατριϰή ειϰόνα, σύµφωνα µε τον τρόπο που αυτές οι έννοιες εϰπροσωπούνται στα παραδέιγµατα εϰπαίδευσης. Η µέϑοδος Tuples-DMM ϰαι οι τροποποιήσεις της στοχεύουν στην ανάϰτηση των πιο σχετιϰών δεδοµένων εϰπαίδευσης ϰαι την τροποποίηση του αλγορίϑµου DMM. Ο στόχος είναι η βελτίωση της ϰαϑοδηγούµενης δηµιουργίας µέσω της αποφυγής της επιρροής από δεδοµένα εϰπαίδευσης που αντιπροσωπεύουν άσχετα νοηµατιϰά ϑέµατα ϰαι της εστίασης σε σχετιϰά νοηµατιϰά δεδοµένα εϰπαίδευσης, προϰειµένου να επιτευχϑούν πιο αϰριβείς ϰαι νοηµατιϰά ουσιαστιϰές περιγραφές.
Ανάπτυξη Android εφαρμογών με χρήση Jetpack Compose
(2025-07-18) Φασόης, Παύλος; Διαμαντίδης, Νικόλαος
Η παρούσα πτυχιακή εργασία επικεντρώθηκε στη μετάβαση μιας υπάρχουσας Android εφαρμογής βιβλιοθήκης από την παραδοσιακή δομή UI, που βασίζεται σε XML layouts και Activities, στο σύγχρονο πλαίσιο του Jetpack Compose. Ο κύριος στόχος ήταν η βελτίωση της διαχειρισιμότητας, της επαναχρησιμοποίησης και της επεκτασιμότητας του κώδικα, διατηρώντας παράλληλα την πλήρη λειτουργικότητα της εφαρμογής. Η εργασία εξέτασε τα θεωρητικά υπόβαθρα των αρχιτεκτονικών προτύπων Model-View-Controller (MVC), Model-View-Presenter (MVP) και Model-View-ViewModel (MVVM), αναλύοντας τα πλεονεκτήματα και τα μειονεκτήματά τους, με ιδιαίτερη έμφαση στο πώς το MVVM συνδυάζεται άρτια με το Jetpack Compose για τη δημιουργία μιας αποδοτικής και εύκολα συντηρήσιμης διεπαφής.
Εφαρμογή μεθόδων και τεχνικών τεχνητής νοημοσύνης για την ασφάλεια συστημάτων λογισμικού
(2025-03-20) Τριανταφυλλοπούλου, Παναγιώτα; Διαμαντίδης, Νικόλαος
Η παρούσα πτυχιακή εργασία έχει ως θέμα την Εφαρμογή Μεθόδων και Τεχνικών Τεχνητής Νοημοσύνης (AI) στο Πλαίσιο του NIST Cybersecurity Framework (CSF). Σκοπός της ανάλυσης αυτής είναι να διερευνήσει τις σύγχρονες μεθόδους και τεχνικές που χρησιμοποιούνται στον τομέα της κυβερνοασφάλειας για την πρόληψη, την ανίχνευση, την αντίδραση και την αποκατάσταση από κυβερνοεπιθέσεις, με βάση τις αρχές και τις οδηγίες του CSF. Το NIST Cybersecurity Framework, που έχει αναπτυχθεί από το Εθνικό Ινστιτούτο Πρότυπων και Τεχνολογίας (NIST), αποτελεί ένα σύνολο κατευθυντήριων γραμμών και βέλτιστων πρακτικών που στοχεύουν στην ενίσχυση της κυβερνοασφάλειας οργανισμών κάθε μεγέθους και τομέα. Η συγκεκριμένη εργασία επικεντρώνεται στην ενσωμάτωση τεχνικών τεχνητής νοημοσύνης για την αντιμετώπιση των απειλών και κινδύνων στον κυβερνοχώρο, λαμβάνοντας υπόψη την πρόσφατη ερευνητική δραστηριότητα στον τομέα αυτό. Η εργασία βασίζεται στη βιβλιογραφική ανασκόπηση που περιγράφεται στο άρθρο των Kaur, Gabrijelčič, και Klobučar, με τίτλο «Artificial Intelligence for Cybersecurity: Literature Review and Future Research Directions». Στην παρούσα πτυχιακή εργασία, η ανάλυση είναι δομημένη σύμφωνα με τις τέσσερις βασικές λειτουργίες του πλαισίου NIST: 1. Προσδιορισμός – Ταυτοποίηση των περιουσιακών στοιχείων και των απειλών. 2. Προστασία – Μέσω εφαρμογής μέτρων άμυνας και πρόληψης. 3. Εντοπισμός – Ανίχνευση κυβερνοεπιθέσεων και απειλών σε πραγματικό χρόνο. 4. Ανταπόκριση – Άμεση αντίδραση και αποκατάσταση μετά από επιθέσεις.

Περιήγηση

Πλοήγηση Πτυχιακές εργασίες ανά Τίτλο