Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών

Μόνιμο URI για αυτήν την κοινότηταhttps://repository.ihu.gr/handle/11544/48375

Περιηγούμαι

Πλοήγηση Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών ανά Συγγραφέα "Βολογιαννίδης, Σταύρος"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 4 από 4
  • Μικρογραφία εικόνας
    Τεκμήριο
    Ανάπτυξη Web Εφαρμογής για την Αυτοματοποιημένη Ανάλυση Βενθικών Δεδομένων
    (ΔΙΠΑΕ, 2026-06-24) Πολυμεράκης, Δημήτριος; Βολογιαννίδης, Σταύρος; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
    Η παρούσα εργασία παρουσιάζει την ανάπτυξη μιας πλήρους web εφαρμογής για την αυτοματοποιημένη ανάλυση βενθικών δεδομένων, η οποία αντικαθιστά και επεκτείνει ένα υφιστάμενο εργαλείο GloBenth Tool. Η πλατφόρμα υλοποιήθηκε με το Django web framework (Python 3.12) και παρέχει δύο βασικές υπολογιστικές ροές: τον υπολογισμό του Βενθικού Δείκτη Ποιότητας για οικογένειες (BQI_Family) ανά σταθμό δειγματοληψίας, και τον υπολογισμό τιμών ευαισθησίας οικογενειών (Sensitivity Values) με τη μέθοδο της 5% αθροιστικής αφθονίας (Leonardsson et al., 2009, 2015). Η εφαρμογή υποστηρίζει ρόλους χρηστών (διαχειριστής / ερευνητής) με διαχείριση προφίλ, επαναφορά κωδικού μέσω OTP email, αποθήκευση ιστορικού αναλύσεων, εξαγωγή αποτελεσμάτων σε Excel και CSV, και εφαρμογή φίλτρων μεταδεδομένων πριν την ανάλυση. Αποθηκευμένες αναλύσεις μπορούν να ανοιχτούν εκ νέου ως πλήρεις σελίδες αποτελεσμάτων από το ιστορικό. Η σελίδα αποτελεσμάτων BQI_Family παρέχει πλήρες dashboard οπτικοποίησης με οκτώ διαδραστικά γραφήματα. Η πλατφόρμα περιλαμβάνει επίσης παγκόσμιο διαδραστικό χάρτη (Leaflet.js) με 85.286 σταθμούς δειγματοληψίας χρωματισμένους κατά τεταρτημόριο ευαισθησίας. Η διεπαφή είναι πλήρως responsive με hamburger menu για κινητές συσκευές. Οι υπολογισμοί επαληθεύτηκαν με πραγματικά δεδομένα Μεσογειακών θαλάσσιων περιοχών, με αποτελέσματα ταυτόσημα με αυτά του desktop εργαλείου όπου είχαν ελεγχθεί λεπτομερώς.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Ανάπτυξη εκπαιδευτικής διαδικτυακής πλατφόρμας για Δευτεροβάθμια Εκπαίδευση με Django
    (ΔΙΠΑΕ, 2026-05-28) Γιάννα, Αθηνά; Βολογιαννίδης, Σταύρος; Πολυτεχνική Σχολή, Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
    Η παρούσα διατριβή παρουσιάζει το σχεδιασμό και την υλοποίηση μιας εκπαιδευτικής πλατφόρμας βασισμένης στο διαδίκτυο για καθηγητές και μαθητές της δευτεροβάθμιας εκπαίδευσης. Οι καθηγητές μπορούν να δημιουργήσουν τάξεις, να ανεβάσουν εκπαιδευτικό υλικό, να συντάξουν κουίζ πολλαπλής επιλογής και να στείλουν συνδέσμους μάθησης στους μαθητές. Οι μαθητές μπορούν να έχουν πρόσβαση στο υλικό, να συμμετέχουν σε διαδικτυακά κουίζ, να λαμβάνουν άμεση ανατροφοδότηση και να επικοινωνούν με τον καθηγητή τους μέσω ενός ενσωματωμένου συστήματος ανταλλαγής μηνυμάτων. Το σύστημα παρέχει επίσης στατιστικά στοιχεία σχετικά με τη χρήση ανά μαθητή, διευκολύνοντας την ανάλυση της μάθησης, καθώς και την εξατομικευμένη παιδαγωγική υποστήριξη. Η υλοποίηση γίνεται με χρήση Python και του πλαισίου Django και αξιοποιεί τις ενσωματωμένες δυνατότητες ελέγχου ταυτότητας, προστασίας CSRF και διαχείρισης φορμών/αρχείων.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Διδάσκοντας μηχανική μάθηση μέσω ρομποτικής σε δευτεροβάθμια
    (ΔΙΠΑΕ, 2026-06-10) Χατζηχαριστός, Ευάγγελος; Βολογιαννίδης, Σταύρος; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
    Η παρούσα διπλωματική εργασία διερευνά τον τρόπο με τον οποίο βασικές έννοιες της Μηχανικής Μάθησης μπορούν να διδαχθούν σε μαθητές δευτεροβάθμιας εκπαίδευσης μέσω εκπαιδευτικής ρομποτικής και STEM δραστηριοτήτων. Για τον σκοπό αυτό σχεδιάστηκε, εφαρμόστηκε και αξιολογήθηκε το εκπαιδευτικό σενάριο «Έξυπνος Λαμπτήρας ML», το οποίο αξιοποιεί Arduino, αισθητήρα φωτός LDR, LED, συλλογή πραγματικών δεδομένων, στατιστική οπτικοποίηση και μοντελοποίηση, καθώς και εκπαίδευση μοντέλου γραμμικής παλινδρόμησης σε περιβάλλον Python/Google Colab. Η παρέμβαση εφαρμόστηκε σε τρία τμήματα της Α΄ Λυκείου, με συνολική συμμετοχή 65 μαθητών, και οργανώθηκε σε τρία διδακτικά δίωρα. Οι μαθητές οδηγήθηκαν σταδιακά από την κατασκευή κυκλώματος και τη συλλογή δεδομένων LDR–LED, στην οπτικοποίηση και τη γραμμική παλινδρόμηση μέσω Excel ή CODAP, και στη συνέχεια στην εκπαίδευση και αξιολόγηση μοντέλου Μηχανικής Μάθησης στο Google Colab. Η αξιολόγηση της παρέμβασης βασίστηκε σε ερωτηματολόγιο pretest–posttest, φύλλα εργασίας και παρατηρήσεις από την εφαρμογή. Τα ευρήματα δείχνουν ότι η σύνδεση φυσικού υπολογισμού, πραγματικών δεδομένων και μοντελοποίησης μπορεί να υποστηρίξει την κατανόηση εννοιών όπως δεδομένα, μοντέλο, πρόβλεψη, εκπαίδευση, αξιολόγηση και γενίκευση. Παράλληλα, αναδείχθηκαν δυσκολίες στην ερμηνεία εννοιών όπως το train/test split, το R², το MSE, η υπερπροσαρμογή και η μεροληψία των δεδομένων. Η εργασία καταλήγει ότι η εκπαιδευτική ρομποτική μπορεί να λειτουργήσει ως αποτελεσματική γέφυρα ανάμεσα στη Φυσική, τα Μαθηματικά, την Πληροφορική και τη Μηχανική Μάθηση, καθιστώντας την Τεχνητή Νοημοσύνη πιο ορατή, κατανοητή και παιδαγωγικά αξιοποιήσιμη στο σχολικό εργαστήριο.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Μελέτη του OpenVLA: τεκμηρίωση και εφαρμογές του Ανοικτού Μοντέλου Όρασης - Γλώσσας - Δράσης
    (ΔΙΠΑΕ, 2026-06-23) Μπέλλος, Αστέριος; Βολογιαννίδης, Σταύρος; Πολυτεχνική Σχολή, Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
    Την τελευταία δεκαετία ο Επιστημονικός Κλάδος της Ρομποτικής πραγματοποιεί εντυπωσιακά άλματα προόδου και διανύει μία περίοδο θεμελιωδών μετασχηματισμών. Ο παραδοσιακός στόχος της αυτοματοποίησης των εργασιών φαίνεται, κατά την άποψή μας, να υποχωρεί, παραχωρώντας τη θέση του σε μία νέα και σαφώς πιο φιλόδοξη πρόκληση, την Ενσώματη Τεχνητή Νοημοσύνη (Embodied Artificial Intelligence). Το ερευνητικό ενδιαφέρον μετατοπίζεται πλέον στη δημιουργία συστημάτων ικανών να αναγνωρίζουν και να ερμηνεύουν ενεργά τον φυσικό κόσμο, να κατανοούν εντολές σε φυσική γλώσσα, να μεταφράζουν άμεσα αυτή την γνώση σε κατάλληλες δράσεις και να εμφανίζουν σαφώς βελτιωμένη ικανότητα γενίκευσης. Σε αυτά τα υψηλής πολυπλοκότητας υπολογιστικά συστήματα, τα Μοντέλα Όρασης - Γλώσσας - Δράσης (Vision - Language - Action Models [VLA]) αναδύονται ως ένα κρίσιμο δομικό στοιχείο της συνολικής αρχιτεκτονικής. Η παρούσα διπλωματική εργασία επικεντρώνεται στην μελέτη του OpenVLA. Ως κύριοι στόχοι τέθηκαν, αφενός, η τεχνική εμβάθυνση στην αρχιτεκτονική του μοντέλου και, αφετέρου, η λειτουργική του ενσωμάτωση, η τεχνική του προσαρμογή και η πειραματική του αξιολόγηση σε πραγματικές συνθήκες αυξημένης υστέρησης και περιορισμένων πόρων. Η προσέγγιση που ακολουθήθηκε διαφοροποιήθηκε συνειδητά από τη χρήση του OpenVLA ως ένα «Μαύρο Κουτί» και στόχευσε στην ουσιαστική κατανόηση και αξιοποίηση των εσωτερικών μηχανισμών λειτουργίας του. Αρχικά, πραγματοποιήθηκε η αναγκαία τεχνική προσαρμογή του μοντέλου στη νέα αρχιτεκτονική των Μονάδων Επεξεργασίας Γραφικών (Graphics Processing Units [GPU]) Blackwell της NVIDIA. Λόγω της απουσίας επίσημης τεκμηρίωσης για την προσαρμογή του OpenVLA στην συγκεκριμένη αρχιτεκτονική, απαιτήθηκε ενδελεχής και διεξοδική ενασχόληση για την επίλυση πολυπληθών, σύνθετων και επίπονων διενέξεων (NumPy, CUDA Toolkit, PyTorch, Flash Attention κ.α.). Επιπρόσθετα, η ανάγκη για την αποδοτική εκτέλεση της διαδικασίας Εξαγωγής Συμπερασμάτων (Inference) σε GPU καταναλωτικής κατηγορίας αντιμετωπίστηκε σε δύο στάδια. Αρχικά, πραγματοποιήθηκε μία στοχευμένη βελτιστοποίηση του πηγαίου κώδικα, με κύριο σκοπό τη αύξηση της συχνότητας Εξαγωγής Συμπερασμάτων. Στη συνέχεια, στη βελτιωμένη αυτή έκδοση του πηγαίου κώδικα ενσωματώθηκε η διαδικασία του Κβαντισμού (Quantization) των βαρών του OpenVLA σε χαμηλότερη αριθμητική ακρίβεια, με αποτέλεσμα τη σημαντική μείωση των απαιτήσεων σε VRAM. Επιπλέον, πραγματοποιήθηκε η ενσωμάτωση μίας ζωντανής ροής βίντεο στο OpenVLA, ενέργεια η οποία συνοδεύτηκε από τον σχεδιασμό ενός πειραματικού πρωτοκόλλου δύο φάσεων. Σκοπός αυτής της προσέγγισης ήταν η αξιολόγηση της συμπεριφοράς του μοντέλου σε πραγματικές, δυναμικές συνθήκες και η διερεύνηση της αξιοπιστίας των παραγόμενων προβλέψεων. Ταυτόχρονα, σχεδιάστηκε και αναπτύχθηκε ένας προσαρμοσμένος μηχανισμός διασύνδεσης του OpenVLA με το Robot Operating System 2 (ROS2). Περαιτέρω, αναπτύχθηκε πηγαίος κώδικας για την άμεση εξαγωγή πρωτογενών οπτικών δεδομένων από τον Μετασχηματιστή Όρασης (Vision Transformer [ViT]) DINOv2 (χωρική και γεωμετρική κατανόηση μίας σκηνής) και τον ViT του SigLIP (σημασιολογική κατανόηση και αναγνώριση των στοιχείων μίας σκηνής) του OpenVLA. Παράλληλα, η αξιολόγηση τόσο του OpenVLA όσο και της νεότερης έκδοσής του, OpenVLA - OFT (Optimized Fine - Tuning), πραγματοποιήθηκε με τη χρήση του προτύπου αξιολόγησης LIBERO (Lifelong Benchmarking for Robotics) και την αξιοποίηση κατανεμημένων πόρων της πλατφόρμας υπολογιστικού νέφους RunPod. Τέλος, επιπρόσθετα του αμιγώς τεχνικού και εφαρμοσμένου σκέλους, διατυπώθηκε μία πρωτότυπη ιεραρχική σύνθεση του συνόλου των επιμέρους μαθηματικών μηχανισμών, η οποία αποδόθηκε με τον όρο "Καθολική Ιεραρχία Μηχανισμών". Μέσω αυτής της ιεραρχικής σύνθεσης, επιχειρήθηκε η ουσιαστική γεφύρωση του εννοιολογικού χάσματος μεταξύ της κλασικής θεωρίας λήψης αποφάσεων και των σύγχρονων αρχιτεκτονικών των νευρωνικών δικτύων.