Πτυχιακές εργασίες
Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/11719
Περιήγηση
Πρόσφατες Υποβολές
Τεκμήριο Εφαρμογή μεθόδων και τεχνικών τεχνητής νοημοσύνης για την ασφάλεια συστημάτων λογισμικού(2025-03-20) Τριανταφυλλοπούλου, Παναγιώτα; Διαμαντίδης, ΝικόλαοςΗ 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.Τεκμήριο Enhanced biomedical image tagging(2024-09-15) Chatzipapadopoulou, Anna; Χατζηπαπαδοπούλου, Άννα; Androutsopoulos, Ion; Pavlopoulos, JohnMedical 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.Τεκμήριο Tuples-DMM: a retrieval-enhanced concept-driven guided decoding algorithm(2024-10-25) Plavos, Dimosthenis; Πλαβός, Δημοσθένης; Pavlopoulos, IoannisΗ 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.