MSc Thesis presentation of Mr. Spyridon Alvanakis-Apostolou, Wednesday, August 27, 2025
On Wednesday, August 27, 2025, at 17:15 (EET), Mr. Spyridon Alvanakis-Apostolou of the graduate program “Data Science and Information Technologies”, track on “Bioinformatics – Biomedical Data Science”, will present his MSc thesis titled:
ML4META – A comprehensive tool for Metabolomics Data Analysis
ABSTRACT
Metabolomics is an emerging field of biomedical research that focuses on the analysis of small-molecule metabolites to decipher disease mechanisms and characterize phenotypic diversity. With growing diverse applications in biomarker discovery, drug development, personalized medicine, environmental monitoring, etc., there is an increasing need for machine learning tools to build explainable predictive models exploiting metabolomics datasets. However, these datasets are typically characterized by small sample sizes, very high dimensionality, class imbalance, and a lack of standardized bioinformatic workflows for their analysis.
We present ML4META, a comprehensive Python package for analyzing metabolomics datasets in tabular format. The package includes preprocessing capabilities, stable feature selection, hyperparameter tuning across multiple estimator algorithms, model selection and evaluation methods, inference, and integrated Shapley Additive Explanation-based feature importance ranking to facilitate biomarker discovery.
We validated the diverse capabilities of ML4META using two publicly available metabolomics datasets with very different characteristics: the Parkinson’s Disease [2] Epic Composite dataset (72 subjects, 1430 features) and the ICC single-cell dataset (1544 cells, 511 features). The first dataset exemplifies clinical investigations with typically small patient sample sizes and large feature sets, while the second phenotypic characterization and high-complexity feature relationships apparent in large-scale single-cell data.
We propose a hybrid approach for biomarker discovery that combines model-agnostic feature selection using Minimum Redundancy Maximum Relevance (MRMR) with SHAP-based feature importance ranking to identify high-confidence biomarker candidates that exhibit both robust selectivity and strong predictive importance. Unlike approaches that rely solely on SHAP importance values using the entire feature set and one predictive model, our hybrid approach favors selecting stable features exhibiting an optimal trade-off between relevance and redundancy using model-agnostic repeated MRMR, and high feature importance across multiple high-performance models using SHAP values. Our more strict hybrid methodology aims to address model-specific bias, improve the robustness of feature selection across algorithms, and reduce model exposure to noisy features.
For the Parkinson’s Disease EPIC dataset, we identified simple interpretable ElasticNet models that achieve AUC values exceeding 0.98. Our analysis validated the five key biomarkers previously identified in the reference study using a neural network, confirmed the importance of six additional features highlighted in that work, and revealed one novel potential biomarker not previously reported. For the ICC single-cell classification problem, tree-based estimators achieved AUC scores of 0.83-0.84, while identifying 14 potential biomarkers, 9 of which were not included in the original study.
Our hybrid approach, combining model-agnostic feature selectivity based on stability with model-specific feature importance ranking across many estimators, provides an improved robustness framework for biomarker discovery that minimizes false positive features while ensuring biological interpretability.
Examination Committee:
Dr. Theodoros Dalamagas, Research Director, Information Management Systems Institute, Athena Research Center
Prof. Ioannis Emiris, Dept. of Infomatics and Telecommunications, University of Athens
Prof. Emeritus Elias S. Manolakos (research advisor) Dept. of Infomatics and Telecommunications, University of Athens
Join Zoom Meeting
https://us02web.zoom.us/j/84359745074?pwd=RLiiCtTLVWLvwlvCZgp7Ha8IHcH2sP.1
Meeting ID: 843 5974 5074
Passcode: 546307
—
One tap mobile
+302111984488,,84359745074#,,,,*546307# Greece
+302311180599,,84359745074#,,,,*546307# Greece
Join instructions
https://us02web.zoom.us/meetings/84359745074/invitations?signature=pBzPaNpnRw6yDMyG8bHsfijaJRHChg2Fj3vDnGGLKsk
ML4META – Πλήρες εργαλείο λογισμικού για Ανάλυση Μεταβολικών Δεδομένων
ΠΕΡΙΛΗΨΗ
Η μεταβολομική είναι ένας αναδυόμενος τομέας της βιοϊατρικής έρευνας που επικεντρώνεται στην ανάλυση μικρομοριακών μεταβολιτών για την αποκρυπτογράφηση των μηχανισμών των ασθενειών και τον χαρακτηρισμό της φαινοτυπικής ποικιλομορφίας. Καθώς αυξάνονται οι εφαρμογές της μεταβολομικής στην ανακάλυψη βιοδεικτών, την ανάπτυξη φαρμάκων, την εξατομικευμένη ιατρική, την περιβαλλοντική παρακολούθηση κ.λπ., υπάρχει ανάγκη για εργαλεία μηχανικής μάθησης για την κατασκευή ερμηνεύσιμων μοντέλων πρόβλεψης που να αξιοποιούν σύνολα δεδομένων μεταβολομική. Ωστόσο, αυτά τα δεδομένα χαρακτηρίζονται τυπικά από μικρά μεγέθη δειγμάτων, πολύ υψηλή διαστατικότητα, ανισορροπία κλάσεων και έλλειψη τυποποιημένων βιοπληροφορικών ροών εργασίας για την ανάλυσή τους.
Παρουσιάζουμε το ML4META, ένα ολοκληρωμένο πακέτο Python για την ανάλυση συνόλων δεδομένων μεταβολομικής που παρέχονται σε μορφή πίνακα. Το πακέτο περιλαμβάνει δυνατότητες για προεπεξεργασία δεδομένων, επιλογή σταθερών χαρακτηριστικών, ρύθμιση υπερπαραμέτρων για πολλαπλούς αλγορίθμους εκτίμησης, μεθόδους επιλογής και αξιολόγησης μοντέλων, συμπερασμό και ενσωματωμένη κατάταξη σπουδαιότητας χαρακτηριστικών βασισμένη σε Shapley Additive Explanation για τη διευκόλυνση της ανακάλυψης δυνητικών βιοδεικτών.
Επικυρώσαμε τις ποικίλες δυνατότητες του ML4META χρησιμοποιώντας δύο δημόσια διαθέσιμα σύνολα δεδομένων μεταβολομικής με πολύ διαφορετικά χαρακτηριστικά: το σύνολο δεδομένων Parkinson’s Disease EPIC Composite (72 υποκείμενα, 1430 χαρακτηριστικά) και το σύνολο δεδομένων ICC μονοκυττάρων (1544 κύτταρα, 511 χαρακτηριστικά). Το πρώτο σύνολο δεδομένων αντιπροσωπεύει κλινικές έρευνες με τυπικά μικρά μεγέθη δειγμάτων ασθενών και μεγάλα σύνολα χαρακτηριστικών, ενώ το δεύτερο φαινοτυπικό χαρακτηρισμό και σχέσεις χαρακτηριστικών υψηλής πολυπλοκότητας που είναι εμφανείς σε δεδομένα μονοκυττάρων.
Προτείνουμε μια υβριδική προσέγγιση για την ανακάλυψη δυνητικών βιοδεικτών που συνδυάζει μοντέλο-ανεξάρτητη επιλογή σταθερών χαρακτηριστικών χρησιμοποιώντας Minimum Redundancy Maximum Relevance (MRMR) με κατάταξη σπουδαιότητας χαρακτηριστικών βασισμένη σε SHAP για την ταυτοποίηση υποψήφιων βιοδεικτών υψηλής εμπιστοσύνης που επιδεικνύουν τόσο ισχυρή επιλεκτικότητα όσο και υψηλή προγνωστική σπουδαιότητα. Σε αντίθεση με προσεγγίσεις που βασίζονται αποκλειστικά σε τιμές σπουδαιότητας SHAP που έχουν προκύψει χρησιμοποιώντας ολόκληρο το σύνολο χαρακτηριστικών και ένα μόνο μοντέλο πρόβλεψης, η υβριδική μας προσέγγιση ευνοεί την επιλογή σταθερών χαρακτηριστικών, που επιδεικνύουν βέλτιστο trade-off μεταξύ συνάφειας και πλεονασμού χρησιμοποιώντας μοντέλο-ανεξάρτητο επαναλαμβανόμενο MRMR, και υψηλή σπουδαιότητα σε πολλαπλά υψηλής απόδοσης μοντέλα χρησιμοποιώντας τιμές SHAP. Η πιο αυστηρή υβριδική μας μεθοδολογία στοχεύει στην αντιμετώπιση της μοντέλο-ειδικής μεροληψίας, τη βελτίωση της ευρωστίας της επιλογής χαρακτηριστικών και τη μείωση της έκθεσης των μοντέλων σε θορυβώδη χαρακτηριστικά.
Για το σύνολο δεδομένων Parkinson’s Disease EPIC, ανακαλύψαμε απλά ερμηνεύσιμα μοντέλα ElasticNet που επιτυγχάνουν τιμές AUC που υπερβαίνουν το 0.98. Η ανάλυσή μας επικύρωσε τους πέντε βασικούς βιοδείκτες που προηγουμένως ταυτοποιήθηκαν στη μελέτη αναφοράς χρησιμοποιώντας νευρωνικό δίκτυο, επιβεβαίωσε τη σπουδαιότητα έξι επιπλέον χαρακτηριστικών που τονίστηκαν σε εκείνη την εργασία και αποκάλυψε έναν νέο δυνητικό βιοδείκτη που δεν είχε προηγουμένως αναφερθεί. Για το πρόβλημα ταξινόμησης ICC μονοκυττάρων, οι εκτιμητές βασισμένοι σε δέντρα πέτυχαν επιδόσεις AUC 0.83-0.84, ενώ ταυτοποίησαν 14 δυνητικούς βιοδείκτες, 9 από τους οποίους δεν περιλαμβάνονταν στην αρχική μελέτη.
Η υβριδική μας προσέγγιση, που συνδυάζει τη σταθερότητα των χαρακτηριστικών ανεξάρτητα από το μοντέλο με την κατάταξη της ερμηνευτικής σπουδαιότητας των χαρακτηριστικών αλλα για πολλαπλά μοντέλα, παρέχει ένα πλέον εύρωστο πλαίσιο για την ανακάλυψη βιοδεικτών που ελαχιστοποιεί τα ψευδώς θετικά χαρακτηριστικά, εξασφαλίζοντας παράλληλα τη βιολογική ερμηνευσιμότητα.
Τριμελής Επιτροπή:
Δρ. Θεόδωρος Δαλαμάγκας, Διευθυντής Ερευνών και Αναπληρωτής Διευθυντής του Ινστιτούτου Πληροφοριακών Συστημάτων του Ερευνητικού Κέντρου «ΑΘΗΝΑ»
Δρ. Ιωάννης Εμίρης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο της Αθηνών
Δρ. Ηλίας Μανωλάκος (Επιβλέπων), Ομότιμος Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
MSc Thesis presentation of Mrs. Despina Konstantinidou, Tuesday 26/ 08/2025
On Tuesday, August 26, 2025, at 18:00, Mrs. Despina Konstantinidou of the
graduate
program “Data Science and Information Technologies”, track on “Big Data
and Artificial
Intelligence”, will present her MSc thesis titled:
Text Line Detection in Greek Polytonic Documents: A Comparative Analysis
of CRAFT, EAST, PaddleOCR and YOLO.
Abstract
Text line detection is a critical preprocessing step in historical
document analysis and Optical Character Recognition (OCR), especially in
complex scripts such as Greek polytonic texts. These documents, rich in
diacritical marks and varying layouts, pose unique challenges for line
segmentation. In this thesis, we propose a comparative approach using
three deep learning-based methods: the Character-Region Awareness For Text
detection (CRAFT) detector, the Efficient and Accurate Scene Text (EAST)
detector, the PaddleOCR model and two recent state-of-the-art versions of
the YOLO family of object detection models: YOLOv11-seg and YOLOv11-obb. A
curated dataset of scanned Greek polytonic manuscripts and printed
materials was used with line-level ground truth annotations. Our pipeline
includes preprocessing, model training, and evaluation using precision,
recall, f1 score and speed. Results indicate that YOLOv11-obb outperforms
the rest of the models in dense text regions. This work contributes to
improved text line segmentation in digitization efforts and downstream
polytonic OCR tasks.
EXAMINATION COMMITTEE:
Dr. Stavros Perantonis, Research Director, National Center for Scientific
Research “Demokritos”
Dr Vasileios Gatos, Researcher, National Center for Scientific Research
“Demokritos”
Dr. Panagiotis Stamatopoulos, Assistant Professor, National and
Kapodistrian University of Athens
26 August 2025
18:00 – 19:00 (GTB)
Meeting link: Defense of Master’s Thesis | Zoom | Meetup-Join
Την Τρίτη 26 Αυγούστου 2025, στις 18:00, η κ. Δέσποινα Κωνσταντινίδου
μεταπτυχιακή
φοιτήτρια του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες
Πληροφορίας», με
ειδίκευση «Μεγάλα δεδομένα και τεχνητή νοημοσύνη», θα παρουσιάσει
διαδικτυακά την
διπλωματική εργασίας της με τίτλο:
Ανίχνευση Γραμμών Κειμένου σε Πολυτονικά Ελληνικά Έγγραφα: Συγκριτική
Ανάλυση των CRAFT, EAST, PaddleOCR και YOLO.
Περίληψη
Η ανίχνευση γραμμών κειμένου αποτελεί κρίσιμο προπαρασκευαστικό βήμα στην
ανάλυση ιστορικών εγγράφων και στην Οπτική Αναγνώριση Χαρακτήρων (OCR),
ιδιαίτερα σε σύνθετα συστήματα γραφής όπως τα ελληνικά πολυτονικά κείμενα.
Τα έγγραφα αυτά, πλούσια σε διακριτικά σημεία και ποικίλες διατάξεις,
παρουσιάζουν μοναδικές προκλήσεις για τον διαχωρισμό γραμμών. Στην παρούσα
διπλωματική εργασία προτείνουμε μία συγκριτική προσέγγιση με χρήση τριών
μεθόδων βασισμένων σε νευρωνικά δίκτυα βάθους: τον ανιχνευτή
Character-Region Awareness For Text (CRAFT), τον ανιχνευτή Efficient and
Accurate Scene Text (EAST), το μοντέλο PaddleOCR, καθώς και δύο πρόσφατες
υπερσύγχρονες εκδόσεις της οικογένειας μοντέλων ανίχνευσης αντικειμένων
YOLO: YOLOv11-seg και YOLOv11-obb. Χρησιμοποιήθηκε ένα επιμελημένο σύνολο
δεδομένων από σαρωμένα πολυτονικά ελληνικά χειρόγραφα και έντυπα, με
ετικέτες σε επίπεδο γραμμής. Η διαδικασία περιλαμβάνει προεπεξεργασία,
εκπαίδευση των μοντέλων και αξιολόγηση μετρικών όπως η ακρίβεια
(precision), η ανάκληση (recall), f1 score και η ταχύτητα. Τα αποτελέσματα
δείχνουν ότι το YOLOv11-obb υπερέχει των υπόλοιπων μοντέλων σε περιοχές με
πυκνό κείμενο. Η εργασία αυτή συμβάλλει στην καλύτερη κατάτμηση γραμμών
κειμένου για έργα ψηφιοποίησης και στην περαιτέρω βελτίωση της OCR για
πολυτονικά ελληνικά.
ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ:
Δρ. Σταύρος Περαντώνης, Διευθυντής Ερευνών, Εθνικό Κέντρο Έρευνας Φυσικών
Επιστημών “Δημόκριτος”
Δρ. Βασίλειος Γάτος, Ερευνητής, Εθνικό Κέντρο Έρευνας Φυσικών Επιστημών
“Δημόκριτος”
Δρ. Παναγιώτης Σταματόπουλος, Επίκουρος Καθηγητής, Εθνικό και
Καποδιστριακό Πανεπιστήμιο Αθηνών
26 Αυγούστου 2025
18:00 – 19:00 (GTB)
Meeting link: Defense of Master’s Thesis | Zoom | Meetup-Join
MSc Thesis presentation of Mr. Georgios Messinios, Tuesday 17/ 06/2025
On Tuesday, June 17, 2025, at 12:00, Mr. Georgios Messinios of the graduate
program “Data Science and Information Technologies”, track on “Big Data and Artificial
Intelligence”, will present his MSc thesis titled:
A novel clustering-based methodology for the identification and mapping of lunar surface materials using Moon Mineralogy Mapper (M3) hyperspectral data
Abstract
We introduce a novel clustering-based methodology for the identification and mapping of lunar surface materials using hyperspectral data from Moon Mineralogy Mapper (M³). The area of interest in this study is located at the southeastern border of Mare Serenitatis and the northwestern border of Mare Tranquillitatis. The novelty of the proposed methodology lies in the use of appropriate feature representations, derived from the local minima of the pixels’ spectral signatures—an approach that enhanced the performance of the K-Means clustering algorithm. The main results show that the K-Means algorithm revealed notable spatial and compositional differences among the five clusters identified using the proposed methodology, in an area that, to the best of our knowledge, has not been previously explored in such detail.
EXAMINATION COMMITTEE:
Dr. Koutroumbas Konstantinos, Research Director, National Observatory of Athens
Dr. Sykioti Olga, Research Director, National Observatory of Athens
Associate Professor Aggelos Pikrakis, Department of Informatics, University of Piraeus
17 June 2025
12:00 PM – 13:00 PM (GTB)
Meeting link: Defense of Master’s Thesis | Zoom | Meetup-Join
Την Τρίτη 17 Ιουνίου 2025, στις 12:00, ο κ. Γεώργιος Μεσσήνιος μεταπτυχιακός
φοιτητής του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες Πληροφορίας», με
ειδίκευση «Μεγάλα δεδομένα και τεχνητή νοημοσύνη», θα παρουσιάσει διαδικτυακά την
διπλωματική εργασίας του με τίτλο:
Μια νέα μεθοδολογία βασισμένη σε ομαδοποίηση (clustering) για την αναγνώριση και χαρτογράφηση των υλικών της σεληνιακής επιφάνειας χρησιμοποιώντας υπερφασματικά δεδομένα από το όργανο Moon Mineralogy Mapper (M3)
Περίληψη
Παρουσιάζουμε μια νέα μεθοδολογία βασισμένη σε τεχνικές ομαδοποίησης (clustering) για την αναγνώριση και χαρτογράφηση των υλικών της σεληνιακής επιφάνειας, χρησιμοποιώντας υπερφασματικά δεδομένα από το όργανο Moon Mineralogy Mapper (M³). Η περιοχή μελέτης βρίσκεται μεταξύ των νοτιοανατολικών συνόρων της Mare Serenitatis και των βορειοδυτικών συνόρων της Mare Tranquillitatis. Η καινοτομία της προτεινόμενης μεθοδολογίας έγκειται στη χρήση κατάλληλων χαρακτηριστικών (features), τα οποία προκύπτουν από τα τοπικά ελάχιστα των φασματικών υπογραφών των εικονοστοιχείων (pixels) — μια προσέγγιση που βελτίωσε την απόδοση του αλγορίθμου ομαδοποίησης K-Means. Τα κύρια αποτελέσματα δείχνουν ότι ο αλγόριθμος K-Means αποκάλυψε αξιοσημείωτες χωρικές και συστατικές διαφορές μεταξύ των πέντε ομάδων (clusters) που εντοπίστηκαν μέσω της προτεινόμενης μεθοδολογίας, σε μια περιοχή η οποία, σύμφωνα με τα διαθέσιμα δεδομένα, δεν έχει μελετηθεί στο παρελθόν με τέτοια λεπτομέρεια.
ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ:
Δρ. Κωνσταντίνος Κουτρούμπας, Διευθυντής Ερευνών, Εθνικό Αστεροσκοπείο Αθηνών
Δρ. Συκιώτη Όλγα, Διευθύντρια Ερευνών, Εθνικό Αστεροσκοπείο Αθηνών
Αναπληρωτής Καθηγητής Άγγελος Πικράκης, Τμήμα Πληροφορικής, Πανεπιστήμιο Πειραιώς
17 Ιουνίου 2025
12:00 PM – 13:00 PM (GTB)
Meeting link: Defense of Master’s Thesis | Zoom | Meetup-Join
MSc Thesis presentation of Mr. Dimitrios Kyriakopoulos, Friday 23/5/2025
On Friday, May 23, 2025, at 15:30, Mr. Dimitrios Kyriakopoulos of the graduate
program “Data Science and Information Technologies”, track on “Big Data and Artificial
Intelligence”, will present his MSc thesis titled:
PROMIS: A Post-Processing Framework for Mitigating Spatial Bias
Abstract
The rapid integration of machine learning (ML) into critical decision-making systems has heightened concerns over fairness, particularly regarding spatial biases often tied to sensitive socioeconomic factors. In response, this thesis introduces a model-agnostic post-processing method for spatial bias mitigation that operates without access to the original training data. Our approach formulates an optimization problem that minimizes a fairness definition robust to gerrymandering, subject to a constraint specifying the allowable deviation from the original model’s performance ensuring spatial fairness while preserving accuracy. Comprehensive evaluations on real-world datasets show that our framework effectively reduces spatial bias and achieves fairer outcomes with minimal performance loss, outperforming other state-of-the-art post-processing methods. This work advances spatial fairness methodologies, offering practitioners an efficient, interpretable, and adaptable post-processing solution to mitigate location-based discrimination in ML applications.
EXAMINATION COMMITTEE:
Prof. Dimitris Gunopulos, Department of Informatics and Telecommunications, University of
Athens (thesis supervisor)
Prof. Manolis Koubarakis, Department of Informatics and Telecommunications, University of
Athens
Research Associate Giorgos Giannopoulos, Athena RC
23 May 2025
3:30 PM – 4:30 PM (GTB)
Meeting link: Defense of Master’s Thesis | Microsoft Teams | Meetup-Join
Την Παρασκευή 23 Μαΐου 2025, στις 15:30, ο κ. Δημήτριος Κυριακόπουλος μεταπτυχιακός
φοιτητής του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες Πληροφορίας», με
ειδίκευση «Μεγάλα δεδομένα και τεχνητή νοημοσύνη», θα παρουσιάσει διαδικτυακά την
διπλωματική εργασίας του με τίτλο:
PROMIS: Ένα Πλαίσιο Μετα-Επεξεργασίας για τον Μετριασμό της Χωρικής Μεροληψίας
Περίληψη
Η ταχεία ενσωμάτωση της μηχανικής μάθησης σε κρίσιμα συστήματα λήψης αποφάσεων έχει αυξήσει τις ανησυχίες σχετικά με τη δικαιοσύνη, ιδίως όσον αφορά τις χωρικές προκαταλήψεις που συχνά συνδέονται με ευαίσθητους κοινωνικοοικονομικούς παράγοντες. Σε απάντηση, η παρούσα διατριβή περιγράφει μια ανεξάρτητη από το μοντέλο μέθοδο μετα-επεξεργασίας για τον μετριασμό των χωρικών προκαταλήψεων, η οποία λειτουργεί χωρίς πρόσβαση στα αρχικά δεδομένα εκπαίδευσης. Η προσέγγισή μας διατυπώνει ένα πρόβλημα βελτιστοποίησης το οποίο ελαχιστοποιεί έναν ορισμό δικαιοσύνης ανθεκτικό στον χειρισμό περιοχών, περιορίζοντας την επιτρεπόμενη απόκλιση από την απόδοση του αρχικού μοντέλου, που διασφαλίζει τη χωρική δικαιοσύνη με παράλληλη διατήρηση της ακρίβειας. Εκτενείς αξιολογήσεις σε πραγματικά σύνολα δεδομένων δείχνουν ότι το προτεινόμενο πλαίσιο μειώνει αποτελεσματικά τη χωρική μεροληψία και επιτυγχάνει πιο δίκαια αποτελέσματα με ελάχιστη απώλεια απόδοσης, υπερέχοντας σε σύγκριση με άλλες σύγχρονες μεθόδους μετα-επεξεργασίας. Η εργασία αυτή ενισχύει τις μεθοδολογίες για τη χωρική δικαιοσύνη, προσφέροντας στους επαγγελματίες μια αποδοτική, ερμηνεύσιμη και ευέλικτη λύση μετα-επεξεργασίας για την αντιμετώπιση διακρίσεων με βάση την τοποθεσία σε εφαρμογές μηχανικής μάθησης.
ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ:
Δρ. Δημήτρης Γουνόπουλος, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό
και Καποδιστριακό Πανεπιστήμιο Αθηνών (Επιβλέπων)
Δρ. Μανόλης Κουμπαράκης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό
και Καποδιστριακό Πανεπιστήμιο Αθηνών
Δρ. Γιώργος Γιαννόπουλος, Επιστημονικός Συνεργάτης, ΕΚ Αθηνά
23 May 2025
3:30 PM – 4:30 PM (GTB)
Meeting link: Defense of Master’s Thesis | Microsoft Teams | Meetup-Join