Διπλωματικές Εργασίες Ακαδημαϊκού Έτους 2019-2020

Σύντομη Περιγραφή:

Η πρόβλεψη της συμπεριφοράς των μετοχών είναι ένα ζήτημα το οποίο έχει μελετηθεί από πολλούς επιστήμονες και μηχανικούς και αποτελεί έρευνα αιχμής. Τεράστιο ενδιαφέρον προκαλεί ο συνδυασμός του οικονομικού τομέα και του τομέα της πληροφορικής, καθώς έχει μεγάλη οικονομική σημασία η σωστή πρόβλεψη των μετοχών για τον ευνόητο λόγο που μπορεί να προβεί μία εφαρμογή κερδοφόρα για τον δημιουργό ή για τον πελάτη. Χρησιμοποιώντας την υπολογιστική δύναμη στις μέρες μας, η οποία έχει φτάσει σε πρωτόγνωρα επίπεδα δύναμης, μπορούμε να φτιάξουμε εφαρμογές πιο περίπλοκες και υπολογιστικά πιο δυνατές από ποτέ. Χαρακτηριστικό παράδειγμα τα τελευταία περίπου 10 χρόνια είναι η εκθετική αύξηση στην εξέλιξη και χρήση εφαρμογών «Τεχνητής Νοημοσύνης». Όλο και περισσότερος κόσμος βλέπει την προοπτική και τις αμέτρητες εφαρμογές που σου δίνουν τέτοιου είδους μοντέλα στον πραγματικό κόσμο, καθώς ακολουθούν και αμέτρητες εταιρείες όπως οι εταιρείες κολλοσοί Google και Amazon. Χρησιμοποιώντας λοιπόν τη γλώσσα προγραμματισμού Python και τις βιβλιοθήκες της όπως η SciKit Learn και η Keras μπορούμε να δημιουργήσουμε μοντέλα πρόβλεψης συμπεριφοράς των μετοχών. Πιο συγκεκριμένα θα δούμε γραμμικά μοντέλα της βιβλιοθήκης SciKit Learn όπως το Linear Regression και το Tree Decision καθώς και μοντέλα Deep Learning της βιβλιοθήκης Keras όπως το Long Short-Term Memory, το οποίο είναι ακριβέστερο από τα υπόλοιπα μοντέλα όσον αφορά την πρόβλεψη μετοχών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάλυση αυτών των τεχνικών πρόβλεψης και το πώς εφαρμόζονται πάνω στον οικονομικό τομέα, αλλά και η εξοικείωση με τη γλώσσα προγραμματισμού Python και τις δυνατότητές της πάνω στην ανάλυση και επεξεργασία δεδομένων.

Απαραίτητες γνώσεις: Python, SciKit Learn, Keras, Linear Regression, Tree Decision, Machine Learning, Deep Learning

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Επίκουρος Καθηγητής

Φοιτητής: Εμμανουήλ-Ανδρέας Λουκαΐδης

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία σχετίζεται με την υλοποίηση συστήματος Ηλεκτρονικής Ψηφοφορίας με δυνατότητα επιβεβαίωσης, βασισμένο στην τεχνολογία Blockchain και σε αλγόριθμους κρυπτογράφισης.

Απαραίτητες γνώσεις: Blockchain

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Επίκουρος Καθηγητής

Φοιτητής: Γεώργιος Καλλιμάνης

Σύντομη Περιγραφή:

Στην σημερινή εποχή, το πρόβλημα του πλανόδιου πωλητή (TSP) προσελκύει μεγάλη προσοχή λόγω του τεράστιου ενδιαφέροντος που δείχνουν οι λογιστικές εταιρείες στο να μειώσουν το κόστος και να μεγιστοποιήσουν την αποδοτικότητα του χρόνου για να είναι πιο αποτελεσματικοί και ανταγωνιστικοί. Από τα τέλη της δεκαετίας του ’50, ερευνητές προσπαθούν να ορίσουν το πρόβλημα και να δημιουργήσουν αλγόριθμους για την επίλυση αυτού του NP-Hard προβλήματος. Εξ ορισμού, το TSP είναι η πρόκληση της εύρεσης της συντομότερης διαδρομής όπου ένα όχημα καλείται να διασχίσει, προκειμένου να παραδοθούν αγαθά σε ένα συγκεκριμένο σύνολο πελατών. Ο στόχος του TSP είναι η μείωση του συνολικού κόστους διαδρομής. Αυτή η πτυχιακή εργασία θα προσπαθήσει να λύσει το TSP χρησιμοποιώντας διαφορετικούς αλγόριθμους με αποτέλεσμα να αποφανθεί τον βέλτιστο αλγόριθμο για αυτό το σκοπό. Εν συνεχεία, το πρόβλημα θα μεταφερθεί στην περίπτωση του πραγματικού κόσμου χρησιμοποιώντας API της Google για πρόσβαση σε δεδομένα, οπως πολικές συντεταγμένες και αποστάσεις από σημείο σε σημείο ενδιαφέροντος. Τέλος, η εφαρμογή θα εξάγει έναν χάρτη που υποστηρίζεται από την Google με το βέλτιστο σχέδιο διαδρομής σχεδιασμένο σε αυτόν, ώστε να γίνει πιο φιλικό προς τον χρήστη.

Απαραίτητες γνώσεις: Travelling Salesman Problem (TSP), Python, Co-Lab 

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Επίκουρος Καθηγητής

Φοιτητής: Ελευθέριος Γρυπάρης