Διπλωματικές Εργασίες Ακαδημαϊκού Έτους 2022-2023

Σύντομη Περιγραφή:

Η συγκεκριμένη Διπλωματική Εργασία σκοπό έχει να προσαρμόσει τις τεχνικές μάθησης multi-metric σε μαθηματικούς χώρους πολλαπλότητας μέσω των πινάκων συνδιακύμανσης. Πρόκειται για υλοποίηση τεχνικών αιχμής στην Μηχανική Μάθηση και την υπολογιστική όραση. Για την συγκεκριμένη εργασία ο/η ενδιαφερόμενος/η μπορεί να αντλήσει περισσότερες πληροφορίες στην ακόλουθη αναφορά του ερευνητή Zhi Gao [1].

Ενδεικτικές Δημοσιεύσεις:

[1] Gao, Z., Wu, Y., Harandi, M., & Jia, Y. (2019). A robust distance measure for similarity-based classification on the SPD manifold. IEEE transactions on neural networks and learning systems, 31(9), 3230-3244.

Απαραίτητες γνώσεις: Γραμμική Άλγεβρα, Γεωμετρία στην υπολογιστική όραση, Ψηφιακή επεξεργασία σήματος – Εικόνας, MATLAB, C/C++, Python  

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: Αλέξιος Γιαζιτζής

Σύντομη Περιγραφή:

Η συγκεκριμένη διπλωματική εργασία σκοπό έχει να κάνει χρήση τεχνικών μηχανικής μάθησης και υπολογιστικής όρασης για την αναγνώριση της βιομετρικής ταυτότητας ενός ανθρώπου με βάση την χειρόγραφη υπογραφή ή άλλα δείγματα. Για την συγκεκριμένη εργασία ο/η ενδιαφερόμενος/η μπορεί να αντλήσει περισσότερες πληροφορίες στην ακόλουθη αναφορά του ερευνητή Moises Diaz [1].

Ενδεικτικές Δημοσιεύσεις:

[1] Diaz, M., Ferrer, M. A., Impedovo, D., Malik, M. I., Pirlo, G., & Plamondon, R. (2019). A perspective analysis of handwritten signature technology. Acm Computing Surveys (Csur), 51(6), 1-39.

Απαραίτητες γνώσεις: Γραμμική Άλγεβρα, Γεωμετρία στην υπολογιστική όραση, Ψηφιακή επεξεργασία σήματος – Εικόνας, MATLAB 

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: Μαρία Δημητροπούλου

Σύντομη Περιγραφή:

Πολλές σύγχρονες εργασίες στην όραση υπολογιστών και τη μηχανική μάθηση, μοντελοποιούνται ως προβλήματα βελτιστοποίησης με περιορισμούς να εκφράζονται με τη μορφή πινάκων Symmetric Positive Definite (SPD). Η επίλυση τέτοιων προβλημάτων βελτιστοποίησης είναι δύσκολη λόγω του ότι ο χώρος SPD δεν είναι διανυσματικός χώρος, συνεπώς η βελτιστοποίηση με περιορισμούς SPD παρουσιάζει ιδιαίτερα προβλήματα. Σε αυτή την διπλωματική, υλοποιείται μια μετα-ευρετική μέθοδος αυτόματης εκμάθησης ενός επαναληπτικού βελτιστοποιητή σε χώρους SPD. Ειδικότερα, θα μελετηθεί και υλοποιηθεί ένα επαναλαμβανόμενο μοντέλο με την μορφή ενός LSTM δικτύου, οι παράμετροι του οποίου είναι στοιχεια του SPD χώρου. Για την συγκεκριμένη εργασία ο/η ενδιαφερόμενος/η μπορεί να αντλήσει περισσότερες πληροφορίες στην ακόλουθη αναφορά του ερευνητή Zhi Gao [1].

Ενδεικτικές Δημοσιεύσεις:

[1] Gao, Z., Wu, Y., Jia, Y., & Harandi, M. (2020). Learning to optimize on spd manifolds. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7700-7709).

Απαραίτητες γνώσεις: Γραμμική Άλγεβρα, Γεωμετρία στην υπολογιστική όραση, Ψηφιακή επεξεργασία σήματος – Εικόνας, MATLAB, C/C++, Python  

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: Αντώνιος Καλαϊτζάκης

Σύντομη Περιγραφή:

Όπως είναι γνωστό, τα τελευταία χρόνια, γίνονται συντονισμένες προσπάθειες από τα ανεπτυγμένα κράτη, ώστε ο τομέας της κινητικότητας να προσανατολιστεί στην βιώσιμη ανάπτυξη. Αυτό έχει σαν αποτέλεσμα, η ηλεκτροκίνηση να αναπτύσσεται με γοργούς ρυθμούς τόσο στην Ελλάδα όσο και σε ολόκληρο τον κόσμο. Η αυτονομία των ηλεκτρικών οχημάτων είναι πολύ σημαντική, ειδικά όταν χρησιμοποιούνται για ταξίδια. Η χαρτογράφηση των δημόσιων υποδομών φόρτισης, είναι εξίσου σημαντική, έτσι ώστε να είναι εφικτός ο προγραμματισμός των ταξιδιών με ηλεκτρικό όχημα. Για το σκοπό αυτό έχουν υλοποιηθεί πλατφόρμες όπως το Open Charge Map, που είναι ένα από τα μεγαλύτερα μητρώα ανοιχτών δεδομένων (Open Data Registry) για φορτιστές ηλεκτρικών οχημάτων. Οι οδηγοί ηλεκτρικών οχημάτων μπορούν να συνεισφέρουν στην βελτίωση της αποτύπωσης των πληροφοριών αυτών, καθώς εκτός από την διαδικτυακή εκδοχή της εφαρμογής, υπάρχει και αντίστοιχη εφαρμογή για κινητά τηλέφωνα (Android και iOS).
Σκοπός της Διπλωματικής Εργασίας, είναι να σχεδιαστεί και να υλοποιηθεί διαδικτυακή εφαρμογή (web application) με φιλική διεπαφή για τους οδηγούς ηλεκτρικών οχημάτων), που θα χρησιμοποιεί αυτά ή αντίστοιχα ανοιχτά δεδομένα, έτσι ώστε να είναι σε θέση εύκολα και με ασφάλεια να προγραμματίζουν τα επικείμενα ταξίδια τους. Έχει αποδειχθεί ότι οι συχνές και προγραμματισμένες στάσεις είναι σημαντικές, τόσο για ξεκούραση του οδηγού και των συνεπιβατών, όσο και για την απαραίτητη φόρτιση του ηλεκτρικού οχήματος, κυρίως σε Σταθμούς Εξυπηρέτησης Αυτοκινητιστών στις εθνικές οδούς. Θα δοθεί έμφαση στο τρόπο που μπορεί να υλοποιηθεί ένα επικείμενο ταξίδι με ηλεκτρικό αυτοκίνητο και θα προτείνει πιθανά σενάρια υπολογίζοντας, τόσο τον χρόνο, όσο και το κόστος του ταξιδιού, με βάση τη μάρκα και το μοντέλο του κάθε οχήματος (άρα γνωρίζει μέση κατανάλωση και αυτονομία κατά WLTP – World Harmonized Light-Duty Vehicles Test Procedure), το τρέχων ποσοστό φόρτισης (SoC – State of Charge) καθώς και τις διαθέσιμες υποδομές φόρτισης.
Για την υλοποίηση της διαδικτυακής εφαρμογής, προτείνεται η χρήση του open-source JavaScript framework “ReactJS”, που αναπτύχθηκε από το Facebook.

Απαραίτητες γνώσεις: Linux, Docker, NodeJS, ReactJS, html, css, Databases

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέποντες:
Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής
Δρ. Σωτηρία Γαλατά, Επίκουρη Καθηγήτρια

Φοιτητής: Μάριους Μπότσι

Σύντομη Περιγραφή:

Χωρίς αμφιβολία η καθημερινότητά μας, καθώς και οι συνθήκες που βιώνουμε τους τελευταίους μήνες είναι πρωτόγνωρες για τον καθέναν από εμάς. Κανένας δεν μπορεί να προβλέψει με βεβαιότητα τις επιπτώσεις που θα έχει στην υγεία μας η εξάπλωση της πανδημίας. Μεγάλος αριθμός καταστημάτων στην χώρα μας έχουν αναστείλει την λειτουργία τους, ενώ πολλά καταστήματα λειτουργούν με την μορφή click away. Παρόλα αυτά, τα περισσότερα άτομα προτιμούν να κάνουν τις αγορές τους από κοντά. Για τον λόγο αυτό, έπρεπε να ληφθεί κάποιο μέτρο σχετικά με το μέγιστο επιτρεπόμενο όριο ατόμων σε κάθε κλειστό χώρο ενός καταστήματος βάσει πρωτοκόλλου λόγω πανδημίας. Για να επιτευχθεί ο έλεγχος του αριθμού των πελατών που κάνουν τις αγορές τους ταυτόχρονα, ήταν αναγκαία η δημιουργία ενός έξυπνου συστήματος ελέγχου πρόσβασης για καταστήματα. Στα πλαίσια της Διπλωματικής Εργασίας, θα δημιουργηθεί ένα τέτοιο σύστημα με χρήση τεχνολογιών Διαδικτύου των Πραγμάτων Στενής Ζώνης (NarrowBand-Internet of Things – NB-IoT). Το NB-IoT είναι ένα πρότυπο ασύρματης επικοινωνίας για το Διαδίκτυο των πραγμάτων (ΙoΤ). Ανήκει στην κατηγορία δικτύων ευρείας περιοχής χαμηλής ισχύος (LPWAN), επιτρέποντας τη σύνδεση συσκευών που απαιτούν διακίνηση μικρού όγκου δεδομένων. Πρόκειται ουσιαστικά για μία τεχνολογία στην οποία επιτυγχάνεται ασύρματη μετάδοση σε μακρινές αποστάσεις, με σχετικά χαμηλό κόστος και χρησιμοποιώντας μικρή ισχύ. Η τεχνολογία NB-IoT προσφέρει χαμηλότερη κατανάλωση ενέργειας, σε σχέση με συμβατικές τεχνολογίες GSM. Αυτό επιτρέπει μεγάλη ενεργειακή αυτονομία των συνδεδεμένων αισθητήρων και συσκευών η οποία μπορεί να διαρκέσει έως και 10 χρόνια με μία μόνο φόρτιση. Μπορεί να προσφέρει αξιόπιστη και ισχυρή κάλυψη ακόμα και όταν οι συσκευές βρίσκονται σε υπόγεια ή κάτω από το έδαφος. Αυτή η τεχνολογία μπορεί να βελτιώσει άμεσα την ζωή της σύγχρονης κοινωνίας, καθώς οι υπηρεσίες που προσφέρει, μπορούν να διευκολύνουν την ζωή του καθενός τόσο σε ατομικό, όσο και σε συλλογικό επίπεδο. Στόχος αυτής της Διπλωματικής Εργασίας, είναι η καλύτερη διαχείριση του πλήθους των ατόμων που εισέρχονται σε ένα κατάστημα, με σκοπό την συμμόρφωση όλων στους κανονισμούς λόγω πανδημίας.

Απαραίτητες γνώσεις: ΙοΤ, NB-IoT, Docker, Embedded Systems, LPWAN, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέποντες: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτητής: Γεώργιος Πολύζος

Σύντομη Περιγραφή:

Τα τελευταία χρόνια, η υπολογιστική νοημοσύνη και η μηχανική μάθηση πρωταγωνιστούν ολοένα και περισσότερο στην καθημερινότητα μας. Ωστόσο, οι κλασικές μέθοδοι μηχανικής μάθησης, υλοποιούνται σε κεντρικοποιημένα υπερ-υπολογιστικά συστήματα. Ο τεράστιος όγκος δεδομένων που απαιτείται για να γίνει η εκπαίδευση αυτών των μοντέλων δημιουργεί προβλήματα όπως: α) θέματα διαχείρισης προσωπικών δεδομένων μέσω νομικών πλαισίων (GDPR, CCPA, PIPEDA κ.ά.), β) υψηλές ανάγκες δικτυακών πόρων ώστε να εξυπηρετείται η μεταφορά των δεδομένων στα κεντρικοποιημένα συστήματα, γ) πολύ μεγάλες αποθηκευτικές ανάγκες στα κεντρικοποιημένα συστήματα, δ) πολύ μεγάλες ενεργειακές ανάγκες που δημιουργούνται τόσο από την μεταφορά όσο και από την αποθήκευση των δεδομένων. Λύση στα προβλήματα αυτά μπορεί να δοθεί μέσω ενός σχετικά νέου ανερχόμενου είδους υπολογιστικής μάθησης, της ομοσπονδιακής μάθησης, όπου είχε αρχικά προταθεί από ερευνητές της Google το 2016 [1]. Η ομοσπονδιακή μάθηση έχει εφαρμογή τόσο σε cross-device περιπτώσεις, όπου η εκπαίδευση γίνεται με την συνδρομή πολλών ετερογενών συσκευών, όσο και σε cross-silo όπου η εκπαίδευση κατανέμεται σε συστήματα οργανισμών με δεδομένες δυνατότητες, δημιουργώντας πιο ομοιογενή δεδομένα. Σκοπός της Διπλωματικής Εργασίας είναι η ερευνητική βελτιστοποίηση τεχνικών ομοσπονδιακής μάθησης που χρησιμοποιούνται σε cross-silo σενάρια. Αυτό θα γίνει μέσω ανάλυσης και σύγκρισης των επικρατέστερων συγκεντρωτικών αλγορίθμων (aggregation algorithms) που χρησιμοποιούνται στα κεντρικά συστήματα, για την δημιουργία νέων κεντρικών μοντέλων μάθησης και μέσω των υπό-μοντέλων που εκπαιδευονται στα επιμέρους τοπικά συστήματα. Για τον σκοπό αυτό, θα χρησιμοποιηθούν προτεινόμενα από την βιβλιογραφία datasets και το συνολικό σύστημα θα προσομοιωθεί μέσω κατάλληλων frameworks για ομοσπονδιακή μάθηση.

Ενδεικτικές Δημοσιεύσεις:

[1] H. B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. y Arcas, “Communication-efficient learning of Deep Networks from Decentralized Data,” arXiv.org, 26-Jan-2023. [Online]. Available: https://arxiv.org/abs/1602.05629. [Accessed: 24-Mar-2023].

Απαραίτητες γνώσεις: Cloud Computing, Docker, Python, NodeJS, Machine Learning

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτητής: Λεωνίδας Μαζαράκης