Μεταπτυχιακές εργασίες / Master Theses
Μόνιμο URI για αυτήν τη συλλογή
Περιηγούμαι
Πλοήγηση Μεταπτυχιακές εργασίες / Master Theses ανά Θέμα "Artificial intelligence"
Τώρα δείχνει 1 - 3 of 3
Αποτελέσματα ανά σελίδα
Επιλογές ταξινόμησης
Τεκμήριο Α probabilistic knowledge system for breast cancer prediction based on Bayesian networks and machine learning technology.(ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής, 2025-02-07) Metaxioti, Maria; Μεταξιώτη, Μαρία; Marakakis, Emmanouil; Μαρακάκης, ΕμμανουήλBreast cancer is a serious health issue, particularly among women. Early diagnosis is crucial as it significantly increases the chances of successful treatment. Recent advances in machine learning have demonstrated high accuracy in predicting breast cancer through numerous algorithms. Although these algorithms achieve high accuracy, most of them lack interpretability and explainability which are essential for understanding the decision-making process. Additionally, these algorithms often lack web-based accessible interfaces for users, making them challenging to interact with. This study presents the development of a high accuracy breast cancer diagnostic system using Bayesian networks. The system includes a web application designed for both ordinary users, i.e. potential patients, and the knowledge engineer. For ordinary users, the system allows them to input the necessary information and receive a diagnostic result based on the provided data. The knowledge engineer, through a specialized interface, can trigger the three modules of machine learning process, that is data preprocessing, creation of the model and model evaluation. The proposed solution promotes accessibility in breast cancer diagnosis. It improves accessibility of health services through web-based applications. This is of great help in the field of medicine due to efficient support to potential patients. Moreover, this study highlights on the importance of interpretability of the derived model and on the explainability of the diagnostic system. These characteristics have high impact in the use of machine learning technology particularly in medicine because they build trust.Τεκμήριο Διερεύνηση των στάσεων των ανέργων για την τεχνητή νοημοσύνη (ΤΝ) και συσχέτιση με τον ψηφιακό γραμματισμό.(ΕΛΜΕΠΑ, Σχολή Επιστημών Υγείας (ΣΕΥ), ΔΠΜΣ Κοινοτική Εργασία και Κοινωνική Οικονομία, 2025-02-18) Ψιμάρνη, Μαρία; Psimarni, Maria; Κριτσωτάκης, Γεώργιος; Kritsotakis, GeorgiosΕΙσαγωγή: Η Τεχνητή Νοημοσύνη (ΤΝ) αποτελεί μια ταχέως αναπτυσσόμενη τεχνολογία με σημαντική επίδραση στην καθημερινή ζωή και την αγορά εργασίας, όμως η έρευνα σχετικά με τις αντιλήψεις και τις στάσεις των ανέργων για τις πιθανές επιδράσεις της παραμένει περιορισμένη. Σκοπός: Η παρούσα μελέτη έχει ως στόχο να διερευνήσει τις ψηφιακές δεξιότητες των ανέργων, τις αντιλήψεις τους για την Τεχνητή Νοημοσύνη και τη μεταξύ τους συσχέτιση. Μέσα από αυτή την ανάλυση, επιδιώκεται να κατανοηθούν βαθύτερα οι στάσεις και οι απόψεις των ανέργων, ώστε να σχεδιαστούν εκπαιδευτικές στρατηγικές που θα συμβάλουν στην κατάρτισή τους. Μεθοδολογία: Η έρευνα διεξήχθη με τη χρήση ερωτηματολογίων σε δείγμα 140 ανέργων. Οι συμμετέχοντες συμπλήρωσαν δύο κλίμακες: την Κλίμακα Γενικής Στάσης για την Τεχνητή Νοημοσύνη (GAAIS - General Attitudes towards Artificial Intelligence Scale) που διερευνά τις θετικές και αρνητικές στάσεις για την ΤΝ και τη συντομευμένη έκδοση 15 ερωτήσεων του ερωτηματολογίου DigComp v2.1. από το ευρωπαϊκό πλαίσιο ψηφιακών ικανοτήτων. Τα δεδομένα αναλύθηκαν με τη χρήση του στατιστικού προγράμματος SPSS. Χρησιμοποιήθηκαν μη παραμετρικές μέθοδοι λόγω της μη κανονικής κατανομής των δεδομένων, όπως ο συντελεστής συσχέτισης Spearman και ο έλεγχος Mann-Whitney για τη σύγκριση ανεξάρτητων δειγμάτων. Αποτελέσματα: Η πλειοψηφία των ανέργων διαθέτει περιορισμένη κατανόηση σχετικά με την ΤΝ. Οι θετικές στάσεις προς την ΤΝ ενισχύονται από την κατανόηση της τεχνολογίας, ενώ οι αρνητικές στάσεις σχετίζονται με χαμηλότερη οικονομική κατάσταση, αλλά γίνονται θετικότερες με την αύξηση της τεχνολογικής κατανόησης. Η μεγάλη εργασιακή εμπειρία συνδέεται με λιγότερο θετικές στάσεις. Όσον αφορά τις ψηφιακές δεξιότητες, παρατηρείται ποικιλία στα επίπεδα ικανοτήτων. Η πλειοψηφία των ατόμων μπορεί να αντλεί πληροφορίες από μηχανές αναζήτησης χωρίς βοήθεια, να μοιράζεται αρχεία μέσω κοινωνικών δικτύων, και να βρίσκει πληροφορίες χρησιμοποιώντας λέξεις-κλειδιά χωρίς βοήθεια. Παράλληλα, ένα ποσοστό περίπου στο 50% κατέχει βασικές δεξιότητες, όπως η λήψη αρχείων, η συμπλήρωση αιτήσεων ή η πραγματοποίηση βιντεοκλήσεων χωρίς υποστήριξη. Ωστόσο, οι περισσότεροι δυσκολεύονται σε δεξιότητες όπως η αναγνώριση πνευματικών δικαιωμάτων, η δημιουργία ισχυρών κωδικών και η διαχείριση προβλημάτων Η/Υ. Δεν διαπιστώθηκε συσχέτιση ανάμεσα στις στάσεις των ανέργων, είτε θετικές είτε αρνητικές, και στις ψηφιακές τους δεξιότητες, είτε μεμονωμένα είτε συγκεντρωτικά. Συμπεράσματα: Η έρευνα κατέδειξε ότι οι άνεργοι παρουσιάζουν περιορισμένη κατανόηση της ΤΝ, ενώ οι αντιλήψεις τους για αυτήν διαμορφώνονται ανεξάρτητα από τις ψηφιακές τους δεξιότητες και επηρεάζονται από παράγοντες όπως η κατανόηση της τεχνολογίας, η οικονομική κατάσταση και η εργασιακή εμπειρία. Τα ευρήματα αυτά τονίζουν την ανάγκη σχεδιασμού εκπαιδευτικών παρεμβάσεων που θα ενισχύσουν την τεχνολογική κατανόηση για την ΤΝ, συμβάλλοντας στην αποτελεσματικότερη προσαρμογή των ανέργων στις σύγχρονες τεχνολογικές απαιτήσεις.Τεκμήριο Ιχνηλασιμότητα μοντέλων τεχνητής νοημοσύνης - Αναγνωρίζοντας βασικές παραμέτρους μοντέλου για αυτόνομα οχήματα.(ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής, 2025-01-20) Μεταξάκης, Ιωάννης; Metaxakis, Ioannis; Παπαδάκης, Νικόλαος; Papadakis, NikolaosΗ ιχνηλασιμότητα μοντέλων AI(AI Traceability), είναι η ικανότητα παρακολούθησης της διαδικασίας λήψης αποφάσεων ενός μοντέλου τεχνητής νοημοσύνης, συμπεριλαμβανομένων των εισροών δεδομένων, των αλγορίθμων και άλλων σχετικών παραγόντων. Τα μοντέλα τεχνητής νοημοσύνης χρησιμοποιούν αλγόριθμους για να μάθουν από δεδομένα και να λαμβάνουν αποφάσεις με βάση αυτά τα δεδομένα. Η ιχνηλασιμότητα των μοντέλων τεχνητής νοημοσύνης επιτρέπει στους ενδιαφερόμενους να παρακολουθούν τη διαδικασία λήψης αποφάσεων ενός μοντέλου τεχνητής νοημοσύνης για να διασφαλίσουν ότι είναι αξιόπιστο και παράγει ακριβή αποτελέσματα. Σε αυτή τη διατριβή στοχεύουμε να παρέχουμε έναν ολοκληρωμένο οδηγό για το θέμα της ιχνηλασιμότητας μοντέλων τεχνητής νοημοσύνης, που είναι η πρακτική της διατήρησης αρχείου των βημάτων που εμπλέκονται στην ανάπτυξη και την εφαρμογή μοντέλων τεχνητής νοημοσύνης (AI). Η διατριβή χωρίζεται σε έξι κεφάλαια, με κάθε κεφάλαιο να καλύπτει μια διαφορετική πτυχή πάνω στην ιχνηλασιμότητα μοντέλων τεχνητής νοημοσύνης. Στο τελευταίο κεφάλαιο εξετάζουμε την περίπτωση των Αυτόνομων Οχημάτων παρουσιάζοντας βασικές παραμέτρους του μοντέλου και βασικά σημεία εστίασης στην εφαρμογή της ιχνηλασιμότητας AI.