Σας προσκαλούμε στη δημόσια παρουσίαση της Διπλωματικής Εργασίας του κ. Δημήτρη Κρικώνη:
- Ημερομηνία | Date: Τετάρτη, 21 Οκτωβρίου 2026 | Wednesday, October 21, 2026
- Ώρα | Time: 13:05-14:00 EEST
- Τόπος | Where: Διαδικτυακά, στον σύνδεσμο https://uoa.webex.com/meet/mariar
- Επταμελής Εξεταστική Επιτροπή:
- Μαρία Ρούσσου (επιβλέπουσα), Αναπληρώτρια Καθηγήτρια, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
- Αλέξανδρος Ντούλας, Επίκουρος Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
- Γιάννης Παναγάκης, Αναπληρωτής Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Τίτλος: Μηχανική Μάθηση στην Αρχαιολογία: Ένα Σύστημα Πρόβλεψης Χρονολογίας με Ανθρώπινη Ανατροφοδότηση για Αγγεία από την Αρχαία Αγορά Αθηνών
Περίληψη: Η διπλωματική εργασία διερευνά την αξιοποίηση της μηχανικής μάθησης ως εργαλείου υποστήριξης της χρονολόγησης αρχαιολογικών αγγείων, με στόχο την παροχή αρχικών εκτιμήσεων χωρίς να υποκαθίσταται η κρίση των ειδικών. Αρχικά, πραγματοποιείται συγκριτική αξιολόγηση μεθόδων επεξεργασίας κειμένου και εικόνας και διαφορετικών αλγορίθμων ταξινόμησης και παλινδρόμησης, αξιοποιώντας 1.910 αγγεία από την εκδοτική σειρά The Athenian Agora. Συγκρίνονται πέντε μέθοδοι εξαγωγής χαρακτηριστικών σε δύο είδη δεδομένων: οι TF-IDF και BERT για το κείμενο και οι Canny με HOG, ResNet και ViT για τις εικόνες, καθώς και οι έξι δυνατοί συνδυασμοί των δύο ειδών, προκύπτοντας συνολικά έντεκα σύνολα χαρακτηριστικών. Τα αποτελέσματα δείχνουν ότι οι μέθοδοι που βασίζονται στο κείμενο υπερέχουν εκείνων που χρησιμοποιούν εικόνες, ενώ ο συνδυασμός των δύο δεν προσφέρει αξιόπιστη βελτίωση, πιθανώς λόγω της περιορισμένης διαθεσιμότητας φωτογραφιών. Tο TF-IDF υπερέχει του BERT στα συγκεκριμένα δεδομένα, ενώ το ViT παρουσιάζει τις καλύτερες επιδόσεις μεταξύ των αναπαραστάσεων εικόνας. Παράλληλα, σχεδιάστηκε και αναπτύχθηκε μια ολοκληρωμένη διαδικτυακή εφαρμογή (https://dimitris-kr.github.io/pottery-chronology-predictor/) που ενσωματώνει τα επιλεγμένα μοντέλα. Οι ειδικοί μπορούν να υποβάλλουν την περιγραφή ενός αντικειμένου, μια φωτογραφία ή και τα δύο και να λάβουν χρονολογικές προβλέψεις με εκτίμηση της αβεβαιότητάς τους καθώς και να επικυρώνουν ή να διορθώνουν τις προβλέψεις, συμβάλλοντας στη δημιουργία νέων δεδομένων για την επανεκπαίδευση των μοντέλων. Η εφαρμογή υλοποιήθηκε και αξιολογήθηκε από τους προβλεπόμενους χρήστες της (αρχαιολόγους), οι οποίοι ολοκλήρωσαν επιτυχώς τον κύκλο πρόβλεψης, επικύρωσης και επανεκπαίδευσης. Ωστόσο, η πραγματική επίδραση των διαδοχικών επανεκπαιδεύσεων στην ακρίβεια των μοντέλων παραμένει αντικείμενο μελλοντικής διερεύνησης.
Title: Machine Learning for Archaeology: A Human-in-the-Loop Chronology Prediction System for Pottery from the Athenian Agora
Abstract: This thesis investigates the use of machine learning as a decision-support tool for archaeological pottery dating, aiming to provide initial estimates without replacing expert judgement. First, it conducts a comparative evaluation of text- and image-processing methods and different classification and regression algorithms, using 1,910 pottery items from the The Athenian Agora publication series. Five feature extraction methods are compared across two modalities: TF-IDF and BERT for text, Canny with HOG, ResNet and ViT for images, along with their six multimodal combinations, giving eleven feature sets in total. The results show that text-based methods outperform image-based approaches, while combining the two does not provide a reliable improvement, possibly due to the limited availability of photographs. TF-IDF performs better than BERT on the dataset, and Vision Transformer (ViT) achieves the strongest results among image representations. Additionally, a web application was designed and developed (https://dimitris-kr.github.io/pottery-chronology-predictor/) that integrates the selected models into a predict–validate–retrain workflow, allowing archaeologists to review predictions, examine their uncertainty, validate or correct chronologies, and contribute data for future model retraining. The system was evaluated by its intended users, who successfully completed the full workflow. However, whether successive retraining cycles improve predictive performance remains an open question, requiring additional validated data collected over time and a dedicated evaluation methodology.
News Theme