Neapolis University Pafos

HEPHAESTUS

Welcome to HEPHAESTUS, the Institutional Repository of the Neapolis University in Cyprus.

HEPHAESTUS is an open source institutional repository which gathers all the digital material of Neapolis University's various activities, particularly original research studies produced by the members of the University. The HEPHAESTUS Repository demonstrates the intellectual life, research activities and publications of the University, preserving, acknowledging and promoting scientific research to benefit the local and international community.

Communities in HEPHAESTUS

Select a community to browse its collections.

Now showing 1 - 3 of 3

Digitized collections - Ψηφιοποιημένες συλλογές
NUP Academic Publications - Ακαδημαϊκές Δημοσιεύσεις ΠΝΠ
Here you can find all the Academic Publications of the Faculty of the Neapolis University in Cyprus - Εδώ μπορείτε να βρείτε όλες της Ακαδημαϊκές Δημοσιεύσεις του προσωπικού του Πανεπιστημίου Νεάπολις Πάφου
Thesis & Dissertation - Διατριβές & Διδακτορικές

Recent Submissions

H διερευνηση, κατανοηση και θεωρητικη αποτιμηση της αρχιτεκτονικης τω Transformers, καθως και της εξελιξης του απο το αρχικο μοντελο “Attention is all you need “ εως τις συγχρονες παραλλαγες που χρησιμοποιουνται σε προηγουμενα συστηματα Τεχνητης Νοημοσυνης
(Πτυχίο στην Εφαρμοσμένη Πληροφορική, Σχολή Οικονομικών Επιστημών και Διοίκησης, Πανεπιστήμιο Νεάπολις Πάφος, 2026-06) Πογιατζεας, Μάριος
Τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη και ειδικότερα η Επεξεργασία Φυσικής Γλώσσας (NLP) έχουν γνωρίσει αλματώδη ανάπτυξη, μετασχηματίζοντας ριζικά τον τρόπο αλληλεπίδρασης ανθρώπου και μηχανής. Ιστορικά, η μοντελοποίηση ακολουθιών βασίζεται σε αρχιτεκτονικές όπως τα Αναδρομικά Νευρωνικά Δίκτυα (RNNs) και τα δίκτυα Μακροπρόθεσμης Βραχυπρόθεσμης Μνήμης (LSTMs). Παρά την αποδεδειγμένη αποτελεσματικότητά τους, τα μοντέλα αυτά περιόριζαν τις δυνατότητες μαζικού παραλληλισμού λόγω της σειριακής επεξεργασίας των δεδομένων και αντιμετώπιζαν εγγενείς δυσκολίες στη διαχείριση εξαρτήσεων μεγάλης εμβέλειας. Η παρούσα πτυχιακή εργασία επικεντρώνεται στη διερεύνηση, την εν τω βάθει κατανόηση και τη θεωρητική αποτίμηση της αρχιτεκτονικής των Transformers, η οποία εισήχθη το 2017 μέσω της ρηξικέλευθης δημοσίευσης «Attention Is All You Need». Το μοντέλο αυτό αντικατέστησε πλήρως την αναδρομή με τον μηχανισμό Αυτο-Προσοχής (Self-Attention), επιτρέποντας την ταυτόχρονη, παράλληλη επεξεργασία όλων των στοιχείων μιας ακολουθίας κειμένου. Για την εμπειρική επαλήθευση του θεωρητικού πλαισίου, διεξήχθη μια πρακτική συγκριτική μελέτη. Υλοποιήθηκαν και εκπαιδεύτηκαν από το μηδέν (from scratch) δύο μοντέλα Βαθιάς Μάθησης —ένα αμφίδρομο LSTM (Bi-LSTM) και ένας Κωδικοποιητής Transformer— στο σύνολο δεδομένων IMDB για το πρόβλημα της ανάλυσης συναισθήματος (sentiment analysis). Τα πειραματικά αποτελέσματα επιβεβαίωσαν την υπολογιστική υπεροχή του Transformer, ο οποίος αποδείχθηκε κατά περίπου 30% ταχύτερος στην εκπαίδευση ανά εποχή. Ωστόσο, το πείραμα ανέδειξε και την αυξημένη τάση του Transformer για υπερεκπαίδευση (overfitting) σε μικρά σύνολα δεδομένων λόγω της απουσίας επαγωγικής προκατάληψης (inductive bias), αποδεικνύοντας την ανάγκη της συγκεκριμένης αρχιτεκτονικής για κολοσσιαίους όγκους δεδομένων. Αυτός ο περιορισμός αποτέλεσε τη βάση για τη μετάβαση στο σύγχρονο παράδειγμα της «Προ-εκπαίδευσης και Μικρορύθμισης» (Pre-training and Fine-Tuning). Η εργασία καταλήγει αναλύοντας την ιστορική εξέλιξη των Transformers σε Μεγάλα Γλωσσικά Μοντέλα (LLMs) όπως το BERT (μόνο κωδικοποιητής) και το GPT (μόνο αποκωδικοποιητής), καθώς και την επιτυχή επέκταση της αρχιτεκτονικής στην επεξεργασία εικόνας μέσω των Vision Transformers (ViT), καταδεικνύοντας ότι αποτελούν πλέον το καθολικό θεμέλιο της σύγχρονης Τεχνητής Νοημοσύνης.
Explainable AI Code Generation Assistant
(BSc in Applied Computer Science, School of Economics, Business and Computer Science, Neapolis University Pafos, 2026-05) Liutova, Iuliia
Large language models can generate and modify code for non-trivial program-ming tasks, but their explanations often remain generic or weakly connected to the implementation. When an agent edits several files, the developer must understand what changed and where each explanation is grounded in the code. The main objec-tive of this dissertation is to design, implement, and evaluate an explainable AI code generation assistant that connects natural-language explanations to source-code lines. The system was implemented as an IntelliJ plugin. It combines code gener-ation through Junie CLI with explanation generation, multiple detail levels, struc-tured and unstructured formats, explanation-to-code mappings, editor highlighting, and optional insertion of mapped comments. The methodology includes two evalua-tion directions. First, a mini-dataset based on annotated labml.ai implementations compares generated explanations with human-written explanations using an LLM-as-a-judge score. Second, a paired SWE-bench Verified Mini experiment compares normal and explanation-enriched repositories. The findings show that the plugin can produce useful explanation artifacts for realistic generation and repair workflows. In the explanation-quality evaluation, the best OpenAI configuration reached a mean score of 0.786, while the Junie-based setting reached 0.752. In SWE-bench Verified Mini, explanation-enriched repositories solved 33 out of 50 tasks, compared with 32 out of 50 in the regular condition. The results do not prove a statistically significant improvement, but they indicate that grounded explanations can support review without harming agent performance. The dissertation concludes that explanation-to-code mapping is most valuable as a verification layer for AI-generated code, while broader claims about trust and productivity require larger benchmarks and human studies.
Roslyn syntax tree visualizer in Rider
(BSc in Applied Computer Science, School of Economics, Business and Computer Science, Neapolis University Pafos, 2026-04) Manninen, Igor
This thesis presents the design and implementation of a Roslyn Syntax Tree Vi-sualizer for JetBrains Rider — a tool window that displays an interactive abstract syntax tree of C# source files inside the IDE, targeting developers who write Roslyn analysers and source generators. A competitive analysis of five existing tools, a developer survey, and a hands-on development session identified feature gaps and workflow pain points. The findings were formalised into prioritised user stories and system requirements that guided the implementation and design of the tool. The visualizer is built on Rider’s architecture and uses a custom incremental tree update algorithm to overcome the absence of built-in tree diffs in the Roslyn API. Performance benchmarks show that the Rider visualizer is on average 74% faster than Visual Studio’s Syntax Visualizer. Correctness is verified by integration tests validated against gold files. The tool has been merged and released as a production feature in Rider 2025.1.
Διερεύνηση της χρονικής καθυστέρησης μεταξύ βλέμματος και κίνησης δακτύλου ως δείκτη δυσκολίας κατανόησης κειμένου με χρήση νευρωνικών δικτύων
(Πτυχίο στην Εφαρμοσμένη Πληροφορική, Σχολή Οικονομικών Επιστημών και Διοίκησης, Πανεπιστήμιο Νεάπολις Πάφος, 2026-01) Σουραϊλίδης, Γιώργος
Η εργασία αυτή εξετάζει αν η σχέση μεταξύ δύο βιομετρικών σημάτων που καταγράφονται κατά την ανάγνωση, της κίνησης του βλέμματος (eye tracking, ET) και της κίνησης του δακτύλου (finger tracking, FT), μπορεί να λειτουργήσει ως αξιόπιστος βιοδείκτης της δυσκολίας κατανόησης κειμένου σε επίπεδο λέξης. Η βασική ιδέα είναι απλή. Όταν ο αναγνώστης συναντά μια λέξη που τον δυσκολεύει, το βλέμμα μένει περισσότερο πάνω της και επιστρέφει συχνά πίσω, ενώ το δάκτυλο συνεχίζει συνήθως πιο σταθερά. Αυτή η ασυμφωνία ανάμεσα στα δύο σήματα φαίνεται να κουβαλά πληροφορία σχετικά με το γνωστικό φορτίο. Τα δεδομένα προέρχονται από ένα σύνολο δεδομένων που περιλαμβάνει μετρήσεις και από τα δύο είδη tracking. Μια κρίσιμη ιδιαιτερότητα είναι ότι τα features ET και FT δεν διαθέτουν κοινή χρονική αναφορά (timestamp alignment) ανά συμμετέχοντα. Έτσι δεν είναι δυνατή η εφαρμογή κλασικών μεθόδων υπολογισμού χρονικής καθυστέρησης μεταξύ συγχρονισμένων σημάτων. Για να ξεπεραστεί αυτό το εμπόδιο σχεδιάστηκε ένας έμμεσος λειτουργικός δείκτης, ο lag proxy, ο οποίος ορίζεται ως η διαφορά TRT normalized − coverage και αποτυπώνει την ίδια ιδέα της ασυμφωνίας οπτικού και κινητικού σήματος σε επίπεδο λέξης χωρίς να χρειάζεται χρονικός συγχρονισμός. Για την πρόβλεψη της αναγνωστικής δυσκολίας εκπαιδεύτηκαν και συγκρίθηκαν δύο μοντέλα μηχανικής μάθησης, ένας αλγόριθμος gradient boosting (XGBoost με 300 δέντρα) και ένα πολυεπίπεδο νευρωνικό δίκτυο (Multi Layer Perceptron, MLP, με αρχιτεκτονική 128-64-32). Επειδή η θετική κλάση καλύπτει μόλις το 5 με 6 τοις εκατό των παρατηρήσεων, εφαρμόστηκε η τεχνική SMOTE μόνο στο σύνολο εκπαίδευσης. Η αξιολόγηση έγινε με τις μετρικές F1 score, Precision, Recall και τον confusion matrix, ενώ η ερμηνεία των αποτελεσμάτων στηρίχθηκε στην τεχνική SHAP (TreeExplainer), που ποσοτικοποιεί τη συνεισφορά κάθε χαρακτηριστικού στις προβλέψεις του μοντέλου. Τα αποτελέσματα δείχνουν ότι ο lag proxy συμβάλλει ουσιαστικά στην πρόβλεψη της δυσκολίας και κατατάσσεται υψηλά στην ιεραρχία σημαντικότητας χαρακτηριστικών. Η σύγκριση μεταξύ XGBoost και MLP αναδεικνύει την υπεροχή του πρώτου σε δομημένα δεδομένα αυτού του τύπου, τόσο στην απόδοση όσο και στην ερμηνευσιμότητα. Τέλος, η εργασία υλοποιήθηκε ως πλήρης διαδικτυακή εφαρμογή με backend FastAPI σε Render και frontend σε Netlify, η οποία εκτελεί ολόκληρη την αναλυτική ροή από τη φόρτωση των δεδομένων έως την παραγωγή των γραφημάτων SHAP.
Predicting NBA Rookie Impact from NCAA Statistics: A Machine Learning Approach Using Regularized Adjusted Plus-Minus (RAPM)
(BSc in Applied Computer Science, School of Economics, Business and Computer Science, Neapolis University Pafos, 2026-05) Misevich, Maksim
Projecting which college basketball players will succeed in the NBA remains one of the most challenging tasks in professional sports. This study utilizes publicly available NCAA statistics to investigate whether machine learning models can predict players’ rookie window impact, using Regularized Adjusted Plus-Minus (RAPM) over their first four NBA seasons as the proxy metric. Using data on 546 drafted players and undrafted free agents from 2008 to 2021, the analysis applies extensive feature engineering including era-adjusted efficiency metrics, per-100 possessions standardization, team quality ratings and team strength of schedule. A temporal train (2008-2018) / test (2019-2021) split is employed to evaluate whether the model can generalize on new, unseen data. Two models are compared: a regularized linear model (ElasticNet) and a gradient-boosted tree ensemble (XGBoost), with hyperparameter tuning via cross-validation grouped by draft year. Both models explain approximately 7-8% of the variance in the rookie window RAPM on the held-out test set. However, despite the modest R² values, both models demonstrated meaningful ranking ability, outperforming the aggregated pre-draft media consensus board (pooled Spearman ρ of 0.265 for XGBoost and 0.233 for ElasticNet vs 0.050 for consensus). Feature importance analysis shows that both models converge on defensive stops per 100 possessions, free-throw percentage, assists to turnover ratio and draft age as the strongest predictors of early career NBA impact. The findings indicate that while college statistics provide a limited but real signal for NBA projection, interpretable models can still add value as a supplementary tool to traditional scouting by identifying undervalued or overvalued prospects relative to consensus expectations.