Διπλωματικές Εργασίες Ακαδημαϊκού Έτους 2024-2025

Σύντομη Περιγραφή:

Αυτή η Διπλωματική Εργασία (ΔΕ) εστιάζει στη χρήση τεχνικών υπολογιστικής νοημοσύνης για τον εντοπισμό και την αντιμετώπιση των ανεπιθύμητων μηνυμάτων ηλεκτρονικού ταχυδρομείου (spam). Η ανεξέλεγκτη αποστολή spam μηνυμάτων αποτελεί σημαντικό πρόβλημα τόσο για τους χρήστες όσο και για τις υποδομές των παρόχων υπηρεσιών email. Σκοπός της εργασίας είναι να εξετάσει και να συγκρίνει σύγχρονες μεθόδους τεχνητής νοημοσύνης, όπως μηχανική μάθηση, νευρωνικά δίκτυα και εξελικτικούς αλγόριθμους, για την αποτελεσματική ανίχνευση και φιλτράρισμα των spam. Αρχικά, θα παρουσιαστούν οι βασικές αρχές των ανεπιθύμητων μηνυμάτων και τα χαρακτηριστικά που τα διακρίνουν από τα κανονικά μηνύματα. Στη συνέχεια, θα αναλυθούν οι κλασσικές τεχνικές φιλτραρίσματος, όπως τα φίλτρα βασισμένα σε κανόνες και τα στατιστικά μοντέλα. Η εργασία θα εστιάσει κυρίως στη χρήση πιο προχωρημένων τεχνικών, όπως τα νευρωνικά δίκτυα (MLP, CNN, LSTM), οι αλγόριθμοι ταξινόμησης (SVM, Naive Bayes) και οι εξελικτικοί αλγόριθμοι (PSO, SCA), και θα εξετάσει τον τρόπο με τον οποίο μπορούν να βελτιώσουν την ακρίβεια και την ταχύτητα της διαδικασίας φιλτραρίσματος. Επιπλέον, θα γίνει ανάλυση των πλεονεκτημάτων και των μειονεκτημάτων της κάθε προσέγγισης και θα συζητηθούν οι προκλήσεις που αφορούν στη διαρκή εξέλιξη των spam μηνυμάτων και την ανάγκη προσαρμογής των φίλτρων στις νέες μεθόδους παραπλάνησης των spammer. Η ΔΕ θα περιλαμβάνει επίσης πειραματικά αποτελέσματα από την εφαρμογή των εν λόγω τεχνικών, τα οποία θα δείχνουν την αποτελεσματικότητά τους στην πράξη. Τέλος, θα παρουσιαστεί το ενδεχόμενο βελτίωσης των εκάστοτε αλγορίθμων, όπως και η πιθανότητα δημιουργίας καινούργιων αλγορίθμων, πιο εξελιγμένων και προσαρμοστικών στις απειλές των spammers. Ως επιπρόσθετη γνώση, θα χρησιμοποιηθεί λογαριασμός Gmail που θα εφαρμοστεί στους κώδικες των προαναφερθέντων μεθόδων, για την αξιολόγηση της λειτουργία τους σε πραγματικά δεδομένα.

Απαραίτητες γνώσεις: Linux, Docker, Python, AI, Machine Learning, Neural Networks

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτήτρια: Κωνσταντίνα Πάνο

Σύντομη Περιγραφή:

Οι Μετασχηματιστές (Tranformers) έχουν εμφανιστεί πρόσφατα ως μια πολλά υποσχόμενη και ευέλικτη βαθιά νευρωνική αρχιτεκτονική. Από την εισαγωγή των Vision Transformers (ViT) το 2020, η κοινότητα της Υπολογιστικής Όρασης και της αναγνώρισης προτύπων (Computer Vision & Pattern Recognition) έχει γίνει μάρτυρας μιας έκρηξης των μοντέλων υπολογιστικής όρασης που βασίζονται σε μετασχηματιστές. Αυτή η διπλωματική αποτελεί μια ευκαιρία και ταυτόχρονα πρόκληση για την διερεύνηση των διαφόρων σχετικών τοπολογιών και των ανοιχτών προκλήσεων στο σχεδιασμό μοντέλων μετασχηματιστών για την υπολογιστική όραση.

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Επεξεργασία Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η αυτόματη αναγνώριση των τύπων νεφών από επίγειες εικόνες υπέρυθρων αποτελεί μια πρόκληση. Στην συγκεκριμένη διπλωματική, θα μελετηθεί μια νέα μέθοδος ταξινόμησης νεφών με τεχνικές ομαδοποίησης εικόνων σε πέντε τύπους σύννεφων με βάση τα χαρακτηριστικά πολλαπλότητας και υφής. Σε σύγκριση με τα στατιστικά χαρακτηριστικά στον Ευκλείδειο χώρο, τα πολλαπλά χαρακτηριστικά που εξάγονται σε χώρο συμμετρικού θετικού ορισμένου πίνακα (SPD) μπορούν να περιγράψουν πιο αποτελεσματικά τα μη Ευκλείδεια γεωμετρικά χαρακτηριστικά της υπέρυθρης εικόνας. Η προτεινόμενη μέθοδος περιλαμβάνει τρία στάδια: προεπεξεργασία, εξαγωγή χαρακτηριστικών και ταξινόμηση. Θα χρησιμοποιηθεί η βάση the Whole-Sky Infrared Cloud-Measuring System (WSIRCMS).

Απαραίτητες γνώσεις: Στοιχεία Γραμμικής Άλγεβρας & Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, C/C++, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία σχετίζεται με την περιγραφή και λειτουργία διαφόρων τοπολογιών βαθιάς μηχανικής μάθησης βασισμένων στα συνελικτικά νευρωνικά δίκτυα. Πρόκειται ένα ολοκληρωμένο σχέδιο εφαρμογής τεχνικών αιχμής στην μηχανική εκμάθηση και την υπολογιστική όραση.

Απαραίτητες γνώσεις: Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία θα επικεντρωθεί στο θεωρητικό πλαίσιο και τα πειραματικά αποτελέσματα της εφαρμογής τεχνικών βαθιάς μάθησης σε μη ευκλείδειους χώρους, με ιδιαίτερη έμφαση στην πολλαπλότητα SPD, με στόχο την ανάπτυξη λύσεων σε εφαρμογές υπολογιστικής όρασης. Ειδικότερα, η προτεινόμενη μελέτη θα επικεντρωθεί σε ένα πλαίσιο βαθιάς μάθησης σχεδιασμένο για την επεξεργασία πολύπλοκων αναπαραστάσεων δεδομένων που δεν μπορούν να αντιμετωπιστούν αποτελεσματικά από τις παραδοσιακές γραμμικές μεθόδους. Κατανοώντας τα γεωμετρικά χαρακτηριστικά της πολλαπλότητας SPD και τον τρόπο με τον οποίο αυτά διατηρούνται κατά την εξαγωγή χαρακτηριστικών, ο/ή υποψήφιος θα διερευνήσει πώς η μεθοδολογία αυτή ενισχύει την αποτελεσματικότητα της ταξινόμησης αντιμετωπίζοντας τις προκλήσεις τόσο της εντός της κλάσης μεταβλητότητας όσο και της διαφορετικότητας μεταξύ αυτών. Συνεπώς ό στόχος θα είναι η ενασχόληση με τα θεωρητικά θεμέλια της μάθησης πολλαπλοτήτων και η πρακτική εφαρμογή της σε βαθιά δίκτυα, ενισχύοντας έτσι την κατανόηση αυτών των εξελιγμένων εννοιών της σύγχρονης μηχανικής μάθησης.

Απαραίτητες γνώσεις: Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Γραμμική Άλγεβρα

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

H αναπαράσταση εικόνων με την χρήση των συμμετρικών και θετικά οριζόμενων πινάκων συνδιακύμανσης (SPD) δηλαδή λαμβάνοντας υπόψη τη γεωμετρία Riemann του χώρου, φαίνεται να αποδίδει σε διάφορα αντικείμενα υπολογιστικής όρασης. Από την άλλη, η χρήση μεγάλων διαστάσεων στις πολλαπλότητες SPD εισάγει υψηλό υπολογιστικό κόστος το οποίο περιορίζει τη δυνατότητα εφαρμογής των υπαρχουσών SPD τεχνικών. Στην παρούσα διπλωματική, θα μελετηθούν αλγόριθμοι ικανοί να χειρίζονται πίνακες SPD υψηλών διαστάσεων διαμέσου μια αναπαράστασης σε πίνακες SPD χαμηλότερων διαστάσεων. Για το σκοπό αυτό θα γίνει χρήση ορθοκανονικών προβολών ώστε να μετατραπούν χώροι SPD υψηλής διάστασης σε αντίστοιχους SPD χαμηλής διάστασης. Έτσι, η μείωση των διαστάσεων διατυπώνεται ως το πρόβλημα της εύρεσης μιας προβολής η οποία δημιουργεί ένα SPD χώρο χαμηλής διάστασης είτε με βέλτιστη απόδοση στον διαχωρισμό (εποπτευόμενο σενάριο) είτε με μέγιστη διακύμανση των δεδομένων (μη εποπτευόμενο σενάριο). Η διαδικασία της μάθησης εκφράζεται ως πρόβλημα βελτιστοποίησης σε μια πολλαπλότητα Grassmann. Η αξιολόγησή της σε εργασίες υπολογιστικής όρασης παρέχει ισχυρές ενδείξεις ότι αποδεικνύει η συγκεκριμένη προσέγγιση οδηγεί σε σημαντικό κέρδος ακρίβειας έναντι άλλων μεθόδων αιχμής.

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Στοιχεία Γραμμικής Άλγεβρας και Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η παρούσα Διπλωματική Εργασία (ΔΕ) εξετάζει τον σχεδιασμό και την υλοποίηση ενός συστήματος υψηλής διαθεσιμότητας (High-Availability) που βασίζεται σε τεχνολογίες container. Η ανάπτυξη τέτοιων συστημάτων είναι κρίσιμη για τη διασφάλιση της απρόσκοπτης λειτουργίας σύγχρονων cloud εφαρμογών, μειώνοντας τον χρόνο εκτός λειτουργίας (downtime) και βελτιστοποιώντας τη διαχείριση των υπολογιστικών πόρων. Η υλοποίηση θα βασιστεί στην πλατφόρμα ενορχήστρωσης Kubernetes, καθώς παρέχει ισχυρούς μηχανισμούς για την αυτοματοποίηση της διαχείρισης, της κλιμάκωσης και της αποκατάστασης σφαλμάτων των εφαρμογών. Επιπλέον θα χρησιμοποιηθεί το Podman, ένα εργαλείο ανοιχτού κώδικα, ως εναλλακτική λύση του Docker, που προσφέρει αυξημένη ασφάλεια και ευελιξία στη διαχείριση container χωρίς την ανάγκη για daemon. Στο πλαίσιο της ΔΕ, θα αναπτυχθεί και αξιολογηθεί ένα σύστημα υψηλής διαθεσιμότητας στο υπολογιστικό νέφος, το οποίο θα αξιοποιεί μηχανισμούς αυτόματης αποκατάστασης αποτυχιών (self-healing), οριζόντιας κλιμάκωσης (horizontal scaling) και κάθετης κλιμάκωσης (vertical scaling), καθώς και εξισορρόπησης φορτίου (load balancing). Επιπλέον, θα αναλυθούν οι επιδόσεις του συστήματος και θα συγκριθούν με εναλλακτικές προσεγγίσεις. Τέλος, θα παρουσιαστούν τα αποτελέσματα που θα δείχνουν αν η προτεινόμενη αρχιτεκτονική βελτιώνει τη σταθερότητα και την αποδοτικότητα των εφαρμογών νέφους, καθιστώντας την κατάλληλη για σύγχρονες επιχειρησιακές και παραγωγικές ανάγκες.

Απαραίτητες γνώσεις: Linux, Bash, Docker, Podman, Kubernetes, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτητής: Νικόλαος Φράγκος

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία επικεντρώνεται στη σχεδίαση και υλοποίηση ενός συστήματος Διαδικτύου των Πραγμάτων (IoT) για τη συλλογή, αποθήκευση και οπτικοποίηση βιομετρικών δεδομένων από έξυπνα ρολόγια (smartwatches). Το σύστημα αξιοποιεί τη συνδεσιμότητα Bluetooth Low Energy (BLE) για τη λήψη δεδομένων, όπως καρδιακός ρυθμός, επίπεδα οξυγόνου στο αίμα (SpO2) και φυσική δραστηριότητα, από φορετές συσκευές. Τα συλλεγόμενα δεδομένα θα αποθηκεύονται σε μια βάση δεδομένων για χρονοσειρές (π.χ. InfluxDB), η οποία θα επιτρέπει την αποδοτική διαχείριση και ανάκτηση δεδομένων σε πραγματικό χρόνο. Στη συνέχεια, θα χρησιμοποιηθεί το εργαλείο Grafana για τη δημιουργία διαδραστικών dashboards που θα επιτρέπουν την οπτικοποίηση και την ανάλυση των βιομετρικών μετρήσεων. Η υλοποίηση του συστήματος περιλαμβάνει τη χρήση τεχνολογιών αιχμής, όπως η γλώσσα προγραμματισμού Python, πρωτόκολλα επικοινωνίας όπως το BLE, καθώς και REST APIs όπου αυτό είναι εφικτό. Το σύστημα θα μπορεί να χρησιμοποιηθεί σε εφαρμογές υγείας, αθλητισμού και απομακρυσμένης παρακολούθησης βιομετρικών δεδομένων, παρέχοντας χρήσιμες πληροφορίες για τη φυσική κατάσταση των χρηστών.

Απαραίτητες γνώσεις: Linux, Bash, Docker, ESP32, BLE, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτητής: Νικόλαος Τουρνατζής

Σύντομη Περιγραφή:

Όλοι μας γνωρίζουμε την σημασία που δίνεται στον έλεγχο και την απόφαση για την ύπαρξη ή μη του οφσάιντ στο ποδόσφαιρο. Εσφαλμένες ανιχνεύσεις επηρεάζουν τις συνθήκες σαφώς ως προς το αποτέλεσμα του παιχνιδιού υπέρ της μίας ή της άλλης ομάδας. Σε πολλές περιπτώσεις δε, αλλάζουν δραστικά το αποτέλεσμα του αγώνα ώστε να προάγεται η βία στα γήπεδα. Το VAR – Video Assistant Referee έχει ενσωματώσει τεχνολογίες που σε αρκετές περιπτώσεις βοηθάνε στην αποφυγή τέτοιων σφαλμάτων. Στην παρούσα διπλωματική θα μελετηθούν οι τεχνολογίες που εφαρμόζονται στον έλεγχο του offside και θα επιχειρηθεί να δοκιμαστούν κώδικες με την βοήθεια βιβλιοθηκών μηχανικής μάθησης και υπολογιστικής όρασης όπως Matlab Keras, Theano, TensorFlow/OpenCV, PyTorch κλπ.

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Στοιχεία Γραμμικής Άλγεβρας και Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

H οπτική αναγνώριση, όπως η ταξινόμηση εικόνων και βίντεο αποτελεί μια δημοφιλή εφαρμογή της υπολογιστικής όρασης. Σε τέτοιες εφαρμογές, η ύπαρξη μιας συμπαγούς αλλά πλούσιας και κατατοπιστικής αναπαράστασης παίζει καθοριστικό ρόλο. Μια βασική υπόθεση στα παραδοσιακά συστήματα κωδικοποίησης [π.χ. αραιή κωδικοποίηση (SC)] είναι ότι τα δεδομένα συμμορφώνονται γεωμετρικά με τον ευκλείδειο χώρο. Με άλλα λόγια, ο αλγόριθμος εκμεταλλεύεται τα δεδομένα σε διανυσματική μορφή ενώ ταυτόχρονα πληρούνται τα αξιώματα του Ευκλείδη. Αυτό βέβαια είναι περιοριστικό στη μηχανική μάθηση, την όραση υπολογιστών και την επεξεργασία σήματος, όπως φαίνεται από μεγάλο αριθμό πρόσφατων μελετών. Η παρούσα διπλωματική εργασία κάνει ένα περαιτέρω βήμα μέσω ενός ολοκληρωμένου μαθηματικού πλαισίου για την εκτέλεση κωδικοποίησης σε καμπύλους και μη ευκλείδειους χώρους, δηλαδή σε Riemannian πολλαπλότητες. Για το σκοπό αυτό, θα εμπνευστούμε από την απλούστερη μορφή κωδικοποίησης, δηλαδή την Bag of words και θα παρουσιάσουμε τις Riemannian προεκτάσεις του όπως η αραιή αναπαράσταση (SC), και η γραμμική κωδικοποίηση περιορισμένης τοπικότητας (LLC).

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Στοιχεία Γραμμικής Άλγεβρας και Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –