Εργαστήριο Αναγνώρισης Προτύπων
Πανεπιστήμιο Πατρών
Τμήμα Μηχανικών Η/Υ και Πληροφορικής
Τομέας Θεμελιώσεων και Εφαρμογών της Επιστήμης των Υπολογιστών

Θέματα Διπλωματικών Εργασιών Καθηγητή Σ. Λυκοθανάση για το ακ. έτος 2013-2014

Η εκδήλωση ενδιαφέροντος για κάποια διπλωματική θα πρέπει να γίνεται με υποβολή στο Εργαστήριο Αναγνώρισης Προτύπων (2ος όροφος κτιρίου Β, ώρες λειτουργίας: καθημερινά 10:00-15:00) έντυπης αίτηση στην οποία θα αναγράφονται τα προσωπικά σας στοιχεία (Ονοματεπώνυμο, Αριθμό Μητρώου, Έτος Φοίτησης) και μέγιστο 3 θέματα που σας ενδιαφέρουν με σειρά προτίμησης. Η αίτηση θα πρέπει επίσης να συνοδεύεται και από ένα αντίγραφο της καρτέλας βαθμολογιών σας.

Για απορίες και διευκρινήσεις πάνω στα θέματα διπλωματικών θα πρέπει να επικοινωνείτε μέσω email με τα άτομα της ομάδας συνεπίβλεψης της κάθε διπλωματικής.

Θέμα 1: Τροποποίηση και Επέκταση Βάσης Γνώσης Πρωτεϊνικών Αλληλεπιδράσεων HINT-KB

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr), Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή: Η μελέτη των πρωτεϊνών και των μεταξύ τους αλληλεπιδράσεων, γνωστές ως Protein-Protein Interactions (PPI), είναι εξαιρετικά σημαντική για την εξήγηση όλων των βιολογικών κυτταρικών λειτουργιών. Για τον σκοπό αυτό έχουν δημιουργηθεί ένα πλήθος από Βάσεις Δεδομένων που περιέχουν πληροφορίες για τις πρωτεϊνικές αλληλεπιδράσεις. Όμως, αυτές οι βάσεις δεδομένων περιέχουν μερική πληροφορία, έχουν μεγάλο ποσοστό μη υπαρκτών πρωτεϊνικών αλληλεπιδράσεων και ανανεώνονται με μη αυτοματοποιημένο τρόπο.

Η βάση γνώσης HINT-KB (http://hintkb.ceid.upatras.gr ) ενσωματώνει πληροφορία πρωτεϊνικών αλληλεπιδράσεων για ανθρώπινο οργανισμό από τις υπάρχουσες πρωτεϊνικές αλληλεπιδράσεις, υπολογίζει 22 χαρακτηριστικά και ένα σκορ εμπιστοσύνης (Χρησιμοποιώντας μέθοδο Υπολογιστικής Νοημοσύνης) για κάθε ζεύγος πρωτεϊνών.

Βασικός στόχος της διπλωματικής αυτής εργασίας είναι η επέκταση της οντολογίας της UniProt, η οποία είναι οντολογία για την περιγραφή πρωτεϊνών, έτσι ώστε να παραχθεί μια ενιαία οντολογία που θα μπορεί να περιγράφει πρωτεΐνες, τις αλληλεπιδράσεις τους, τα πρωτεϊνικά σύμπλοκα που σχηματίζουν και τον λειτουργικό χαρακτηρισμό τους.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. K. Theofilatos, C.Dimitrakopoulos, A. Tsakalidis, S. Likothanassis, S. Papadimitriou,   S. Mavroudi, «Computational Approaches for the Prediction of Protein-Protein Interactions: A Survey», Current Bioinformatics, Volume 6, No. 4, 2011.
  2. K. Theofilatos, C. Dimitrakopoulos, D. Kleftogiannis, C. Moschopoulos, S. Papadimitriou, S. Likothanassis and S. Mavroudi, HINT-KB: The Human Interactome Knowledge Base, IFIP International Federation for Information Processing, AIAI 2012, Chalkidiki, Greece, 27-30 September 2012.

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική,

Επιθυμητές Γνώσεις: PHP, OWL, RDF, Άριστη γνώση Αγγλικών

Θέμα 2: Σχεδιασμός και Υλοποίηση Διαδικτυακού Εργαλείου Ανάλυσης Δικτύων Πρωτεϊνικών Αλληλεπιδράσεων και Πρόβλεψης Πρωτεϊνικών Συμπλόκων.

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Η μελέτη των πρωτεϊνικών αλληλεπιδράσεων παίζει σημαντικό ρόλο στην κατανόηση της λειτουργίας των πρωτεϊνών στα κύτταρα. Πολλές πρωτεΐνες μαζί σχηματίζουν πρωτεϊνικά σύμπλοκα τα οποία διαδραματίζουν συγκεκριμένο ρόλο στις κυτταρικές λειτουργίες. Η εύρεση αυτών των συμπλόκων και ο εντοπισμός της δομής τους είναι ένα ανοικτό ερευνητικά θέμα.

Το εργαστήριο αναγνώρισης προτύπων έχει υλοποιήσει μεθοδολογία πρόβλεψης πρωτεϊνικών συμπλόκων που συνδυάζει τους εξελικτικούς αλγόριθμους με την μέθοδο Enhanced Markov Clustering Method (EMC). Η υβριδική μέθοδος που έχει παραχθεί ονομάζεται EEMC (Evolutionary EMC).

Σκοπός της διπλωματικής Αυτής Εργασίας είναι:

-να δημιουργηθεί διαδικτυακό εργαλείο για την οπτικοποίηση δικτύων πρωτεϊνικών αλληλεπιδράσεων

-να δημιουργηθεί διαδικτυακό εργαλείο για την πρόβλεψη πρωτεϊνικών συμπλόκων το οποίο θα βασίζεται στον EEMC αλγόριθμο.

-Τα εργαλεία αυτά να ενσωματωθούν στο εργαλείο Superclusteroid 2.0: http://superclusteroid.ceid.upatras.gr

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. K. Theofilatos, C.Dimitrakopoulos, A. Tsakalidis, S. Likothanassis, S. Papadimitriou,   S. Mavroudi, «Computational Approaches for the Prediction of Protein-Protein Interactions: A Survey», Current Bioinformatics, Volume 6, No. 4, 2011.

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι , Υπολογιστική Νοημοσύνη ΙΙ, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Perl, Matlab, Άριστη γνώση Αγγλικών

Θέμα 3: Σχεδιασμός και Ανάπτυξη Αυτοπροσαρμοζόμενης Πλατφόρμας Ηλεκτρονικής Μάθησης για την Διδασκαλία Βιοπληροφορικής.

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Η δημιουργία πλατφόρμων ηλεκτρονικής μάθησης για τον τομέα της βιοπληροφορικής, όπως και για κάθε διεπιστημονικό τομέα, είναι μια εξαιρετικά δύσκολη διαδικασία. Συγκεκριμένα, οι εκπαιδευόμενοι στον τομέα της Βιοπληροφορικής παρουσιάζουν διαφορετικό μαθησιακό υπόβαθρο αφού μπορεί να προέρχονται από την Πληροφορική, την Βιολογία, την Φαρμακευτική, την Ιατρική, τα Μαθηματικά κλπ.

Στα πλαίσια της ομάδας Βιοπληροφορικής του τμήματος Μηχανικών Η/Υ και Πληροφορικής (http://prlab.ceid.upatras.gr/bioinfo/), έχει υλοποιηθεί πλατφόρμα ηλεκτρονικής μάθησης για την διδασκαλία πάνω από 20 διδακτικών ενοτήτων από τον τομέα της βιοπληροφορικής. Η μάθηση επιτυγχάνεται με την παροχή διδακτικού υλικού, εργαλείων, ερευνητικών δημοσιεύσεων και την offline καθοδήγηση κάποιου εκπαιδευτή και η αξιολόγηση κάθε διδακτικής ενότητας μέσω της επίδοσης σε ειδικά σχεδιασμένα ηλεκτρονικά ερωτηματολόγια. Το μαθησιακό μονοπάτι καθορίζεται από το υπόβαθρο του εκπαιδευόμενου.

Σκοπός της διπλωματικής αυτής εργασίας είναι να επεκταθεί η παρούσα πλατφόρμα ηλεκτρονικής μάθησης με τους ακόλουθους τρόπους:

  • Υλοποίηση Μεθόδων αναζήτησης και ανάκτησης διδακτικού υλικού
  • Εμπλουτισμός διδακτικού υλικού με ασκήσεις
  • Υλοποίηση μεθόδου Υπολογιστικής Νοημοσύνης (συνδυασμός Γενετικών Αλγορίθμων και Μηχανών Διανυσματικής Υποστήριξης) για την αξιολόγηση των εκπαιδευόμενων σε μία διδακτική ενότητα με χρήση της επίδοσής τους σε ερωτηματολόγια καθώς και της συμπεριφοράς τους σαν χρήστες στο σύστημα (χρόνος περάτωσης ερωτηματολογίου, χρόνος μελέτης διδακτικής ενότητας κλπ.)

Επιθυμητά Μαθήματα: Τεχνολογίες Διαδικτύου, Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη ΙΙ

Επιθυμητές Γνώσεις: HTML, PHP, MySQL, MATLAB, Άριστη γνώση Αγγλικών

 Θέμα 4: Σχεδιασμός και Υλοποίηση Μεθόδου Υπολογιστικής Νοημοσύνης για την Υπολογιστική Πρόβλεψη των Προωθητών (promoters) microRNA Γονιδίων και της Θέσης Πρόσδεσής τους.

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Κορφιάτη Αίγλη (korfiati@ceid.upatras.gr), Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Κλεφτογιάννης Δημήτρης (kleftogi@ceid.upatras.gr),  Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Τα microRNA είναι μικρά μη κωδικά μόρια RNA με σημαντική συμμετοχή σε διάφορες κυτταρικές διεργασίες όπως ο έλεγχος του κυτταρικού κύκλου, η ανάπτυξη και η απόπτωση. Εκτός από τους μηχανισμούς που εμπλέκουν τα microRNAs στη ρύθμιση των γονιδίων-στόχων τους, υπάρχουν επίσης μηχανισμοί που εμπλέκουν τα microRNAs και άλλα γονίδια στη ρύθμιση των ίδιων των microRNAs. Πειραματικές έρευνες έχουν δείξει ότι τα περισσότερα microRNA γονίδια μεταγράφονται από την RNA-polymerase II. Οι προωθητές κάθε microRNA γονιδίου και οι θέσεις πρόσδεσής τους πρέπει να προβλεφθούν για να αποκτήσουμε γνώση και να καταλάβουμε τους μηχανισμούς ρύθμισης.

Αντικείμενο της παρούσας εργασίας είναι να υλοποιηθεί ένα μοντέλο ταξινόμησης με χρήση τεχνικών Υπολογιστικής Νοημοσύνης που να προβλέπει τους προωθητές κάθε microRNA γονιδίου και τις θέσεις πρόσδεσής τους.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. X. Zhou, J. Ruan et al., Characterization and Identification of micro RNA Core Promoters in Four Model Species. PLOS Computational Biology 3, 3, 412-423(2007).

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη ΙΙ

Επιθυμητές Γνώσεις: Matlab, C, Άριστη γνώση Αγγλικών

Θέμα 5: Σχεδιασμός και Υλοποίηση Μεθόδου Υπολογιστικής Νοημοσύνης για την Υπολογιστική Πρόβλεψη mRNA γονιδίων-στόχων και εξαγωγή ασαφών κανόνων

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Κορφιάτη Αίγλη (korfiati@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή:

Τα micro RNA γονίδια είναι μικρά μη κωδικά μόρια που προσδένονται πάνω και με αυτό τον τρόπο ρυθμίζουν τα mRNAs, που είναι γονίδια-στόχοι τους. Αντικείμενο της παρούσας διπλωματικής εργασίας είναι:

  1. Η υλοποίηση μεθοδολογίας πρόβλεψης αυτών των mRNA γονιδίων στόχων για όλα τα micro RNAs που έχουν βρεθεί στον ανθρώπινο οργανισμό.
  2. Η εφαρμογή της στα αποτελέσματα του εργαλείου MiRanda.
  3. Η εξαγωγή βιολογικής γνώσης μετά από επιλογή χαρακτηριστικών.
  4. Η εφαρμογή μεθοδολογίας εξαγωγής ασαφών κανόνων για τις παραμέτρους της μεθοδολογίας πρόβλεψης και τα χαρακτηριστικά.

Ενδεικτικές βιβλιογραφικές αναφορές

  1. Aigli, K., Dimitris, K., Konstantinos, T., Spiros, L., Athanasios, T., Seferina, M.: Predicting Human miRNA Target Genes Using a Novel Evolutionary Methodology. In: Maglogiannis, I., Plagianakos, V., Vlahavas, I. (eds.) SETN 2012. LNCS, vol. 7297, pp. 291–298. Springer.
  2. Enright AJ, John B, Gaul U, Tuschl T, Sander C and Marks DS.: MicroRNA targets in Drosophila. Genome Biology (2003)5;R1.

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη ΙΙ, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Matlab, C, Άριστη γνώση Αγγλικών

Θέμα 6: Πρόβλεψη Αλληλεπιδράσεων μεταξύ Βιολογικών Διεργασιών για τον Ανθρώπινο Οργανισμό

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (dimitrakop@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Οι κλασσικές προσεγγίσεις στην μελέτη των πολύπλοκων βιολογικών δικτύων των οργανισμών επικεντρώνονται κυρίως στην ανίχνευση αλληλεπιδράσεων μεταξύ στοιχειωδών σωματιδίων (όπως οι πρωτεϊνικές αλληλεπιδράσεις) ή μεταξύ εσωτερικών συστατικών των μεταβολικών ή άλλων βιολογικών μονοπατιών. Η επιστημονική κοινότητα γνωρίζει πολύ λίγα σχετικά με αλληλεπιδράσεις μεταξύ των βιολογικών συστημάτων ανωτέρω επιπέδου, όπως οι βιολογικές διεργασίες. Στα πλαίσια της παρούσας διπλωματικής θα μελετήσουμε τρόπους ανίχνευσης των αλληλεπιδράσεων μεταξύ βιολογικών διεργασιών χρησιμοποιώντας γνωστές πρωτεϊνικές αλληλεπιδράσεις ή πρωτεϊνικές αλληλεπιδράσεις υψηλής εμπιστοσύνης. οι τελευταίες έχουν προκύψει μέσω υπολογιστικών μεθόδων οι οποίες χρησιμοποιούν διαφόρων ειδών πληροφορίες όπως η δομική, λειτουργική και η πληροφορία έκφρασης των ζευγών πρωτεϊνών. Μέσω των αλληλεπιδράσεων που θα προκύψουν θα κατασκευαστεί ένα δίκτυο αλληλεπιδράσεων μεταξύ βιολογικών διεργασιών. τέλος, θα χρησιμοποιηθεί η πληροφορία του δικτύου αυτού προκειμένου να γίνει πρόβλεψη των λειτουργίας συγκεκριμένων γονιδίων και πρωτεινών.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. Dotan-Cohen D, Letovsky S, Melkman AA, Kasif S (2009) Biological Process Linkage Networks. PLoS ONE 4(4): e5313. doi:10.1371/journal.pone.0005313

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι , Υπολογιστική Νοημοσύνη ΙΙ, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Matlab

 Θέμα 7: Σχεδιασμός και Υλοποίησης Παράλληλων Εξελικτικών Αλγορίθμων για Κατηγοριοποίηση και Επιλογή Χαρακτηριστικών.

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Κλεφτογιάννης Δημήτρης (kleftogi@ceid.upatras.gr),  Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Οι Γενετικοί Αλγόριθμοι έχουν επιτυχώς χρησιμοποιηθεί στην ανάπτυξη υβριδικών μεθόδων ταξινόμησης και επιλογής χαρακτηριστικών με διακριτική ικανότητα. Χαρακτηριστικά παραδείγματα αποτελούν οι εφαρμογές τους σε μεθόδους πρόβλεψης πρωτεϊνικών αλληλεπιδράσεων όπως και η δημιουργία μοντέλων πρόβλεψης microRNA γονιδίων και στόχων τους..  Όλες οι παραπάνω υλοποιήσεις χαρακτηρίζονται από υψηλή αποδοτικότητα αλλά σε αρκετές περιπτώσεις ο μεγάλος χώρος αναζήτησης οδηγεί σε απαγορευτικούς χρόνους εκτέλεσης.

Στόχος της παρούσας διπλωματικής εργασίας είναι να μελετηθούν αλγόριθμοι που έχουν υλοποιηθεί από το  εργαστήριο και να βελτιστοποιηθεί η αποδοτικότητα τους με χρήση παραδειγμάτων παράλληλου προγραμματισμού. Η εργασία περιλαμβάνει τη μελέτη των Εξελικτικών μεθόδων σε θεωρητικό επίπεδο, τις εφαρμογές τους σε προβλήματα υπολογιστικής βιολογίας, τη μελέτη των παράλληλων αρχιτεκτονικών και το πώς μπορούν να εκμεταλλευτούν οι δυνατότητες τους για να μειωθεί ο χρόνος εκτέλεσης και να αυξηθεί η σύγκλιση των Γενετικών αλγορίθμων.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. K. Theofilatos, D. Kleftogiannis, M. Rapsomaniki, V. Haidinis, S. Likothanassis, A. Tsakalidis, S. Mavroudi “A novel embedded pre-miRNA classification approach for the prediction of microRNA genes”, 10th IEEE International Conference on Information Technology and Applications in Biomedicine (ITAB 2010), Corfu, Greece.

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι , Υπολογιστική Νοημοσύνη ΙΙ, Παράλληλη Επεξεργασία

Επιθυμητές Γνώσεις: Γνώσεις προγραμματισμού σε Matlab και C, Άριστη γνώση Αγγλικών, Μελέτη και  εκμάθηση του Parallel Computing Toolbox της πλατφόρμας Matlab

 Θέμα 8: Επέκταση και Βελτίωση Εργαλείου για Προεπεξεργασία και Αναγνώριση Προτύπων σε Δεδομένα Πρωτεωμικής   

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Ραψομανίκη Μαριάννα (rapsoman@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Τα τελευταία χρόνια στη βιβλιογραφία η μελέτη πρωτεϊνικών δεδομένων έχει κερδίσει έδαφος, καθώς έχει καταστήσει δυνατή την ταυτόχρονη μελέτη των επιπέδων της πρωτεϊνικής έκφρασης σε σύνθετα μείγματα πρωτεϊνών από διάφορα βιολογικά δείγματα, δίνοντας μας έτσι μια ολιστική εικόνα της συγκέντρωσης των πρωτεϊνών στο κύτταρο. Τα δεδομένα που προκύπτουν από αυτές τις πειραματικές τεχνικές μπορούν να χρησιμοποιηθούν για την αναγνώριση πρωτεϊνικών προτύπων, τα οποία θα μπορούν επιτυχώς να διαχωρίζουν καταστάσεις (π.χ. υγιής – ασθενής) και προφανώς έχουν υψηλή διαγνωστική σημασία.

Παρόλα αυτά, η σύνθετη φύση των πρωτεϊνικών δεδομένων κάνει την ανάλυση τους αρκετά απαιτητική (μεγάλες διαστάσεις, λίγα δείγματα, έντονη παρουσία θορύβου) και έτσι απαιτείται να εκτελέσουμε πριν διάφορα βήματα προεπεξεργασίας (preprocessing). Η προεπεξεργασία περιλαμβάνει ένα σύνολο βημάτων τα οποία συσχετίζονται μεταξύ τους και έχει δειχθεί ότι αν δεν εφαρμοστεί προσεκτικά θα είναι πολύ δύσκολο να εξαχθούν συμπεράσματα για την υποκείμενη ασθένεια. Η επιλογή του καλύτερου συνδυασμού είναι ιδιαίτερα δύσκολη, καθώς για κάθε βήμα έχουν προταθεί αρκετές εναλλακτικές μέθοδοι. Για το σκοπό αυτό, έχει δημιουργηθεί ένα ολοκληρωμένο σύστημα ανάλυσης πρωτεϊνικών δεδομένων, το οποίο ενσωματώνει μια καινούρια μέθοδο προεπεξεργασίας που αντιμετωπίζει τα προβληματικά χαρακτηριστικά αυτού του τύπου δεδομένων και εκμεταλλεύεται τα πλεονεκτήματα διάφορων γνωστών μεθόδων. Επιπλέον, έχει αναπτυχθεί ένα εργαλείο (MSPreProc), το οποίο υλοποιεί τη συγκεκριμένη μέθοδο.

Σκοπός της διπλωματικής αυτής εργασίας είναι να επεκταθεί το υπάρχον εργαλείο με τους παρακάτω τρόπους:

  • προσθήκη μιας νέας λειτουργίας στο εργαλείο που κάνοντας χρήση μεθόδων μηχανικής μάθησης, θα παρέχει τη δυνατότητα ταξινόμησης δεδομένων.
  • προσθήκη επιπρόσθετης λειτουργίας που ανάλογα με τα δεδομένα του χρήστη θα προτείνει αυτόματα βέλτιστες τιμές για τις εκάστοτε παραμέτρους.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. Μ. Rapsomaniki, P. Zerefos, K. Theofilatos, A. Tsakalidis, S.Likothanassis, , S. Mavroudi “A Novel Pipeline Method For The Preprocessing Of Mass Spectrometry Proteomics Data”, 10th IEEE International Conference on Information Technology and Applications in Biomedicine (ITAB 2010), Corfu, Greece.
  2. V. Spyropoulou, M. Rapsomaniki, K. Theofilatos, S. Papadimitriou, S. Likothanassis, A. Tsakalidis and S. Mavroudi, “Computational Methods and Algorithms for Mass Spectrometry Based Differential Proteomics: Recent Advances, Perspectives and Open Problems”, Current Proteomics, 2012 (in print).

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Matlab, Άριστη γνώση Αγγλικών

 Θέμα 9: Σχεδιασμός, υλοποίηση και εφαρμογή μεθόδων υπολογιστικής νοημοσύνης για την πρόβλεψη της ενδογενούς αποδιάταξης (intrinsic disorder) σε πρωτεΐνες.

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Πολλές πρωτεΐνες αποτελούνται πλήρως ή εν μέρει, από τμήματα τα οποία στερούνται σταθερής τρισδιάστατης (3D) δομής. Αυτές οι ενδογενώς αποδιατεταγμένες πρωτεΐνες (intrinsically disordered proteins, IDPs) δεν αναδιπλώνονται σε ένα συγκεκριμένο πρότυπο ακόμα και υπό φυσιολογικές συνθήκες, αλλά εναλλάσσονται μεταξύ ενός συνόλου δομών. Οι IDPs συναντώνται με μεγάλη συχνότητα στο πρωτέομα των οργανισμών και συμμετέχουν σε σημαντικές ρυθμιστικές λειτουργίες μέσα στο κύτταρο, όπως στη μεταγραφή, τη μετάφραση και την κυτταρική σηματοδότηση. Πολλές IDPs φαίνεται επίσης να σχετίζονται με διάφορες ασθένειες, όπως ο καρκίνος και οι νευροεκφυλιστικές παθήσεις. Δεδομένης λοιπόν της σημαντικής συμβολής των πρωτεϊνών αυτών στην κυτταρική λειτουργία, συστηματικές προσπάθειες γίνονται από την κοινότητα της βιοπληροφορικής με στόχο την πρόβλεψη και το δομικό χαρακτηρισμό των IDPs.

Σκοπός της παρούσας εργασίας είναι να υλοποιηθεί μία μέθοδος υπολογιστικής νοημοσύνης για την πρόβλεψη των ενδογενώς αποδιατεταγμένων περιοχών στις πρωτεΐνες. Πιο συγκεκριμένα η εν λόγω μέθοδος θα χρησιμοποιεί έναν ταξινομητή, ο οποίος θα δέχεται σαν είσοδο ένα σύνολο χαρακτηριστικών (αμινοξική σύσταση της πρωτεϊνικής περιοχής, φυσικοχημικές ιδιότητες των αμινοξέων, κλπ.) και θα επιχειρεί να προβλέψει αν μια πρωτεϊνική ακολουθία είναι disordered ή όχι.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. He B, Wang K, Liu YL, Xue B, Uversky VN, Dunker AK: Predicting intrinsic disorder in proteins: An overview. Cell Research 2009, 19(8):929-949.
  2. Xin Deng, Jesse Eickholt and Jianlin Cheng, A comprehensive overview of computational protein disorder prediction methods, Mol. BioSyst., 2012, 8, 114-121.

Επιθυμητά μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη ΙΙ, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Matlab ή C/C++ ή Java, Άριστη γνώση Αγγλικών

Θέμα 10: Μελέτη μη κωδικών (non coding) RNA μορίων, εξαγωγή χαρακτηριστικών και υλοποίηση ταξινομητή για τις διάφορες κατηγορίες με χρήση σύγχρονων τεχνικών Υπολογιστικής Νοημοσύνης

Επιβλέπων: Λυκοθανάσης Σπυρίδων (likothan@ceid.upatras.gr)

Συνεπιβλέπων Καθηγητής: Τσακαλίδης Αθανάσιος (tsak@ceid.upatras.gr)

Συνεπιβλέποντες: Κλεφτογιάννης Δημήτρης (Kleftogi@ceid.upatras.gr), Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή: Με την έννοια μη κώδικα μόρια αναφερόμαστε σε ακολουθίες οι οποίες μεταγράφονται από DNA και λειτουργούν σαν RNA σε αντίθεση με τις ακολουθίες που παράγουν πρωτεΐνες. Γνωστές κατηγορίες τέτοιων μορίων είναι το μεταφορικό RNA (tRNA), το ριβωσομικό RNA (rRNA), τo spliceosomal RNA (snRNA) τα microRNA κ.α. Τις τελευταίες δύο δεκαετίες η έρευνα στον τομέα των Βιοεπιστημών έχει δείξει ότι στα μη κωδικά μόρια RNA αποδίδονται όλο και περισσότερες σημαντικές ρυθμιστικές λειτουργίες. Για παράδειγμα έχει βρεθεί ότι συμμετέχουν στην ομαλή λειτουργία διαφόρων κυτταρικών διεργασιών αλλά και σε περιπτώσεις ασθενειών όπως ο καρκίνος έχει παρατηρηθεί ότι το προφίλ έκφρασης αυτών των μορίων είναι διαταραγμένο. Επομένως καταλαβαίνουμε ότι η μελέτη τους και ο αποδοτικός εντοπισμός τους είναι ένα ανοιχτό ερευνητικό ζήτημα Βιοπληροφορικής και αρκετές μέθοδοι Υπολογιστικής Νοημοσύνης μπορούν να εφαρμοστούν.

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι:

  1. Η επέκταση της διαδικτυακής πλατφόρμας ncRNAclass για τον υπολογισμό επιπρόσθετων χαρακτηριστικών εκτός από τα 58 ακολουθιακά και δομικά χαρακτηριστικά που υπολογίζονται στην τρέχουσα έκδοσή της για μικρά μη κωδικά μόρια RNA.
  2. Σχεδιασμός και υλοποίηση μεθόδου Υπολογιστικής Νοημοσύνης για την ταξινόμηση μικρών μη κωδικών μορίων RNA στις διάφορες υποκατηγορίες τους.
  3. Εφαρμογή της μεθοδολογίας που θα υλοποιηθεί σε δεδομένα από την βάση δεδομένων Pfam.

Ενδεικτικές βιβλιογραφικές αναφορές

  1. Eva Freyhult, Paul P Gardner and Vincent Moulton, A comparison of RNA folding measures BMC Bioinformatics, 6:241, 2005.
  2. Konstantinos A. Theofilatos, Dimitrios A. Kleftogiannis, Maria Anna V. Rapsomaniki, Vasileios A. Haidinis, Spiridon D. Likothanassis, Athanasios K. Tsakalidis, Seferina . P. Mavroudi A novel embedded pre-miRNA classification approach for the prediction of microRNA genes ITAB 2010 Corfu 2-5 November.
  3. D. Kleftogiannis, K. Theofilatos, S. Papadimitriou, A. Tsakalidis, S. Likothanassis and S. Mavroudi, ncRNA-Class Web Tool:  Non-coding RNA Feature Extraction and Pre-miRNA Classification Web Tool, AIAI 2012, Chalkidiki, Greece, 27-30 September 2012 (IFIP International Federation for Information Processing 2012, pp. 632-641, 2012).

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική, Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη ΙΙ, Θεωρία Αποφάσεων

Επιθυμητές Γνώσεις: Matlab, Java, Άριστη γνώση Αγγλικών

Θέμα 11: Υλοποίηση και ενσωμάτωση βιβλιοθήκης εργαλείων βιοπληροφορικής στο εργαλείο Scalalab

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Μαυρουδή Σεφερίνα (mavroudi@ceid.upatras.gr)

Περιγραφή:

To ScalaLab (http://code.google.com/p/scalalab/) είναι ένα περιβάλλον επιστημονικού προγραμματισμού που λειτουργεί πάνω στην εικονική μηχανή της Java. H scripting γλώσσα που υποστηρίζει είναι η Scala η οποία παρέχει τελεστές υψηλού επιπέδου και ένα ενσωματωμένο περιβάλλον για να υποστηρίζει τον προγραμματισμό με τρόπο όπως και το Matlab. Επιπλέον, όλο το τεράστιο πλήθος των βιβλιοθηκών σε Java είναι εύκολα προσβάσιμες. Το βασικό πλεονέκτημα της Scala είναι η ταχύτητα και η ευελιξία.

Οι μεγάλες δυνατότητες της Scala σε συνδυασμό με την δυνατότητα πρόσβασης σε Java βιβλιοθήκες, έχουν κάνει την επιστημονική κοινότητα να αποδεχθεί το εργαλείο ScalaLab το οποίο συνεχώς κερδίζει έδαφος αποκτώντας νέους χρήστες.

Στα πλαίσια της παρούσας διπλωματικής εργασίας θα πρέπει να υλοποιηθούν τα παρακάτω:

  • Επέκταση βιβλιοθήκης βιοπληροφορικής στο περιβάλλον Scalalab με ενσωμάτωση ειδικών μεθοδολογιών και tutorial για επίλυση κλασσικών προβλημάτων:
    • Πρόβλεψη πρωτεϊνικών αλληλεπιδράσεων
    • Υπολογιστική πρόβλεψη λειτουργίας πρωτεϊνών
    • Πρόβλεψη πρωτεϊνικών συμπλόκων
    • Δημιουργία δικτύων γονιδιακής ρύθμισης
    • Εύρεση γονιδίων με στατιστικά σημαντική διαφορετικότητα στα προφίλ έκφρασης σε διαφορετικές καταστάσεις (καρκινικά και μη καρκινικά κύτταρα, διαφορές μεταξύ ιστών σε διαφορετικά φύλα, διαφορές μεταξύ διαφορετικών ιστών του ίδιου οργανισμού κλπ.)
    • Πρόβλεψη miRNA γονιδίων
    • Πρόβλεψη miRNA στόχων
    • Κ.λπ.

Επιθυμητά Μαθήματα: Εισαγωγή στη Βιοπληροφορική

Επιθυμητές Γνώσεις: Java, Άριστη γνώση Αγγλικών

Θέμα 12: Επέκταση διαδικτυακής πλατφόρμας εύρεσης λύσεων σε προβλήματα χρονοπρογραμματισμού με χρήση τεχνικών Υπολογιστικής Νοημοσύνης

 Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή:

Η ερευνητική ομάδα του εργαστηρίου Αναγνώρισης Προτύπων έχει μεγάλη εμπειρία σε σχεδιασμό και ανάπτυξη ευφυών αλγορίθμων/μεθόδων, που βασίζονται στις τεχνολογίες της Υπολογιστικής Νοημοσύνης. Οι αλγόριθμοι/μέθοδοι αυτοί/αυτές έχουν αξιολογηθεί τόσο με τεχνητά δεδομένα όσο και με δεδομένα από προβλήματα του πραγματικού κόσμου, όπως αναγνώριση συστήματος, πρόβλεψη οικονομικών χρονοσειρών, μοντελοποίηση και πρόβλεψη βιομαγνητικών σημάτων, εξαγωγή πληροφορίας από σειρές δεδομένων ή από το διαδίκτυο, διάγνωση ασθενειών, ηλεκτρονική μάθηση/διδασκαλία.

Το διαδικτυακό εργαλείο Evo-timescheduling (http://prlab.ceid.upatras.gr/evo-timescheduling/) παρέχει στους χρήστες την δυνατότητα να χρησιμοποιήσουν απλούς εξελικτικούς αλγορίθμους για να επιλύσουν τα παρακάτω προβλήματα χρονοπρογραμματισμού:

  • Εύρεση βέλτιστων ωρολογίων προγραμμάτων εξετάσεων για Πανεπιστημιακές σχολές
  • Εύρεση βέλτιστων ωρολογίων προγραμμάτων εξετάσεων για Τεχνολογικά Εκπαιδευτικά Ιδρύματα
  • Εύρεση βέλτιστων προγραμμάτων δρομολογίων ΚΤΕΛ

Αντικείμενο της παρούσας διπλωματικής είναι επέκταση αυτής της διαδικτυακής πλατφόρμας που θα επιτρέπει με χρήση τεχνικών υπολογιστικής νοημοσύνης (βασισμένες σε εξελικτικό προγραμματισμό) την εύρεση αποδοτικών λύσεων στα εξής προβλήματα χρονοπρογραμματισμού:

  • Προγραμματισμός σταθερών επιχειρησιακών εργασιών (Operational Fixed Job Scheduling)
  • Εύρεση βέλτιστων ωρολογίων προγραμμάτων Εργασίας για το Προσωπικό Ιδρυμάτων και Οργανισμών του Δημόσιου και Ιδιωτικού Τομέα

Για κάθε ένα από τα παραπάνω προβλήματα θα υλοποιηθεί κατάλληλη διεπαφή για να μπορεί κάθε χρήστης να δώσει με ευκολία τους περιορισμούς του δικού του προβλήματος.

Σχετικά Μαθήματα: Υπολογιστική Νοημοσύνη Ι, Υπολογιστική Νοημοσύνη 2

Απαραίτητες Γνώσεις: HTML, PHP, MySQL, Matlab, C, Άριστη γνώση Αγγλικών

Θέμα 13: Σχεδιασμός και Υλοποίηση Εξελικτικών Αλγορίθμων για την βελτιστοποίηση της Διαχείρισης Χαρτοφυλακίου Δεικτών Αμοιβαίων Κεφαλαίων

Επιβλέπων Καθηγητής: Λυκοθανάσης Σπύρος (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αμοργιανιώτης Θωμάς (amorgianio@ceid.upatras.gr), Θεοφιλάτος Κωνσταντίνος (theofilk@ceid.upatras.gr), Καραθανασόπουλος Ανδρέας (a.karathanasopoulos@londonmet.ac.uk)

Περιγραφή:

Οι δείκτες αμοιβαίων κεφαλαίων είναι τα πιο δημοφιλή εργαλεία επενδύσεων που χρησιμοποιούνται στην διαχείριση χαρτοφυλακίων στις μέρες μας. Με χρήση των δεικτών αμοιβαίων κεφαλαίων έχουν παραχθεί πολύ δημοφιλείς στρατηγικές στην διαχείριση χαρτοφυλακίων που σκοπεύουν να ταιριάξουν την απόδοση πρότυπων δεικτών όπως οι S&P500 και FTSE100 όσο περισσότερο γίνεται. Αυτή η στρατηγική επιλέγεται από επενδυτές όταν δεν είναι σίγουροι ότι μπορούν να νικήσουν την αγορά και επιλέγουν να προσαρμόσουν την στρατηγική τους σε μέση απόδοση. Πρόσφατες έρευνες έχουν αποδείξει ότι τέτοιες επενδυτικές στρατηγικές ξεπερνούν στρατηγικές που προκύπτουν με ενεργητική διαχείριση αμοιβαίων κεφαλαίων.

Βασικός σκοπός αυτής της διπλωματικής είναι με χρήση εξελικτικών αλγορίθμων να βελτιωθεί η απόδοση των στρατηγικών που βασίζονται σε αμοιβαία κεφάλαια. Οι εξελικτικοί αλγόριθμοι θα εφαρμοστούν για να βελτιστοποιήσουν την επιλογή των μετοχών του χαρτοφυλακίου, αλλά και των διαμοιρασμό των χρημάτων προς επένδυση σε αυτές τις μετοχές.

Ενδεικτικές Βιβλιογραφικές αναφορές:

  1. K. Oh, T. Kim, S. Min, ‘Using Genetic algorithm to support portfolio optimization for index fund management’, Expert Systems with Applications, vol. 28, pp. 371-379, 2005.

Επιθυμητά Μαθήματα: Υπολογιστική Νοημοσύνη 2

Επιθυμητές Γνώσεις: Matlab ή C++ ή Java, Άριστη Γνώση Αγγλικών

Θέμα 14: Εργαλείο οντολογικής περιγραφής εκπαιδευτικού υλικού για σύστημα εξ’ αποστάσεως εκπαίδευσης

Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή:

Η διπλωματική περιέχει τον σχεδιασμό και ανάπτυξη ενός διαδικτυακού εργαλείου εισαγωγής και σημασιολογικής σημείωσης εκπαιδευτικού υλικού. Το εργαλείο θα είναι δικτυακή εφαρμογή αναπτυγμένη σε PHP και JAVA. Η σημασιολογική περιγραφή θα βασίζεται σε οντολογία που έχει ήδη αναπτυχθεί στο εργαστήριο σε Web Ontology Language, η οποία ορίζει το είδος του εκπαιδευτικού υλικού και την συσχέτιση του με τομείς γνώσης.

Επιθυμητές Γνώσεις: PHP ή Java, Άριστη Γνώση Αγγλικών

Θέμα 15: Εργαλείο οντολογικής περιγραφής διαδικασίας μάθησης για σύστημα εξ’ αποστάσεως εκπαίδευσης

Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή:

Η διπλωματική περιέχει τον σχεδιασμό και ανάπτυξη ενός διαδικτυακού εργαλείου εισαγωγής και σημασιολογικής σημείωσης εκπαιδευτικής διαδικασίας. Το εργαλείο θα είναι δικτυακή εφαρμογή αναπτυγμένη σε PHP και JAVA. Η σημασιολογική περιγραφή θα βασίζεται σε οντολογία που έχει ήδη αναπτυχθεί στο εργαστήριο σε Web Ontology Language, η οποία ορίζει τη διαδικασία μάθησης των τομέων γνώσης του συστήματος.

Επιθυμητές Γνώσεις: PHP ή Java, Άριστη Γνώση Αγγλικών

Θέμα 16: Ανάπτυξη αλγορίθμου υποστήριξης εξετάσεων αυτό-αξιολόγησης για σύστημα εξ’ αποστάσεως εκπαίδευσης

Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή:

Η διπλωματική περιέχει τον σχεδιασμό και ανάπτυξη βελτιστοποιήσεων ήδη υπαρχόντων αλγορίθμων υποστήριξης εξετάσεων αυτό-αξιολόγησης που έχουν υλοποιηθεί στα πλαίσια της ερευνητικής δραστηριότητας του εργαστηρίου Αναγνώρισης Προτύπων. Στόχος του αλγορίθμου είναι να αξιολογήσει με τον καλύτερο τρόπο τον εξεταζόμενο και να εντοπίσει τυχών αδυναμίες. Η εργασία περιλαμβάνει σχεδίαση, υλοποίηση και αξιολόγηση των αποτελεσμάτων.

Ενδεικτικές βιβλιογραφικές αναφορές

  1. Moutafi K., Vergeti V., Alexakos C., Dimitrakopoulos C., Giotopoulos K., Anto-nopoulou H. and Likothanassis S., Mining student learning behavior and self-assessment for adaptive learning management system, 2nd Mining Humanistic Data Workshop, at 14th Engineering Applications of Neural Networks Conference (EANN 2013).

Επιθυμητές Γνώσεις: Προγραμματισμός, Άριστη Γνώση Αγγλικών

Θέμα 17: Εφαρμογή εξατομικευμένης παρουσίασης εκπαιδευτικού υλικού σε κινητές συσκευές (smart phones)

Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αλεξάκος Χρήστος (alexakos@ceid.upatras.gr)

Περιγραφή:

Η διπλωματική περιέχει τον σχεδιασμό και ανάπτυξη μιας εφαρμογής παρουσίασης εκπαιδευτικού υλικού προερχόμενο από ένα κεντρικοποιημένο σύστημα εξ’ αποστάσεως εκπαίδευσης σε κινητές συσκευές σύμφωνα με τις δυνατότητες της συσκευής και τη πρόσβασή της στο διαδίκτυο. Η εφαρμογή θα σχεδιαστεί για λειτουργικό σύστημα Google Android και θα αναπτυχθεί σε JAVA. Η εφαρμογή θα επικοινωνεί με τον κεντρικό εξυπηρετητή με RESTful services.

Επιθυμητές Γνώσεις: Java, Άριστη Γνώση Αγγλικών

Θέμα 18: Σχεδιασμός και Υλοποίηση συστήματος Γεωγραφικών πληροφοριών (Σ.Γ.Π)

 Επιβλέπων Καθηγητής: Σπύρος Λυκοθανάσης (likothan@ceid.upatras.gr)

Ομάδα Συνεπίβλεψης: Αμοργιανιώτης Θωμάς (amorgianio@ceid.upatras.gr)

Περιγραφή:

Η διπλωματική περιέχει τον σχεδιασμό και ανάπτυξη ενός Σ.Γ.Π. Το Σ.Γ.Π θα αποτελείται από μια Γεωβάση (GeoDatabase) και το κατάλληλο Σύστημα Παρουσίασης και Διαχείρισης της Πληροφορίας (ΣΠΔΠ). Η Γεω-βάση είναι ένα Σύστημα Διαχείρισης Βάσεων Δεδομένων που παρέχει τη δυνατότητα αποθήκευσης γεωγραφικών πληροφοριών όπως Πίνακες, Γεωγραφικά Δεδομένα,  Συσχετίσεις μεταξύ γεωγραφικών ή μη δεδομένων, Τοπολογία, Rasters (δυσδιάστατη εικόνα χωρίς πληροφορία) και Μεταδεδομένα.  Η εφαρμογή που θα σχεδιαστεί θα επιτρέπει στο χρήση την εισαγωγή και απεικόνιση δεδομένων στο χάρτη.  Το Σ.Γ.Π. θα προσφέρει στον χρήστη τις ακόλουθες λειτουργίες:

  1. Πλοήγηση στον χάρτη με διάφορα εργαλεία
  2. Επιλογή των θεματικών επιπέδων που θα φαίνονται από τον τελικό χρήστη
  3. Παρουσίαση περιγραφικής πληροφορίας των γεωγραφικών δεδομένων του χάρτη
  4. Παρουσίαση εικόνων και εγγράφων που θα συνδεθούν σε συγκεκριμένα γεωγραφικά δεδομένα.
  5. Αναζήτηση Γεωγραφικής και Περιγραφικής πληροφορίας από την Γεω-βάση
  6. Δυνατότητα δημιουργίας δυναμικών ερωτημάτων σε περιγραφικά χαρακτηριστικά των δεδομένων που είναι καταχωρημένα στη Βάση.
  7. Εξαγωγή δεδομένων και παραγωγή χαρτών με τη δυνατότητα κριτηρίων επιλογής από φόρμα που θα σχεδιαστεί για το σκοπό αυτό

Επιθυμητές Γνώσεις: HTML, PHP, MySQL, Matlab, Άριστη Γνώση Αγγλικών

 

Κατηγορίες: Aνακοινώσεις Εργαστηρίου, Ανακοινώσεις. Προσθήκη στους σελιδοδείκτες.

2017 © Εργαστήριο Αναγνώρισης Προτύπων
Διεύθυνση: Πανεπιστήμιο Πατρών, Κτήριο Β, Ρίο 26500, Πάτρα, Ελλάδα
Τηλέφωνα: +30 2610 996985
FAX: +30 2610 969001
E-mail: prlab_at_ceid.upatras.gr

Powered by Wordpress