BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20250616T124153Z LAST-MODIFIED:20250616T124153Z DTSTAMP:20260915T120012Z UID:1789462812@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ευαγγέλου - Στυλιανού Βλασσόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=7764&cHash=03 019082f468c0d5b964ca1a4d211c58\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευ αγγέλου Στυλιανού Βλασσόπουλου\n με θέμα\n Υλοποίηση Πλατφόρμας για την Ενημέρωση, Διαχείριση και Ανάλυση τη ς Βάσης Διατροφικών Δεδομένων «HelTH »\n Implementation of a Platform for the Update, Management and Analysis of Data for the «HelTH» Nutrition D atabase\n Εξεταστική Επιτροπή\n Καθη γητής Μιχαήλ Ζερβάκης (επιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδάκης\n Καθηγή τρια Μαρία Καψοκεφάλου (ΓΠΑ, Τμήμα Ε πιστήμης Τροφίμων και Διατροφής του Ανθρώπου)\n Περίληψη\n Σκοπός: Η μελ έτη διερευνά τη δυνατότητα χρήσης τη ς Επεξεργασίας Φυσικής Γλώσσας (NLP) και τεχνικών μηχανικής μάθησης για την ακριβή πρόβλεψη της διατροφικής σύστασης των τροφίμων— με έμφαση στα ολικά λιπαρά, τις πρωτεΐνες, τα ολι κά σάκχαρα, το νάτριο και τις φυτικέ ς ίνες—βάσει της λίστας συστατικών τ ους. Η έρευνα υποκινείται από την αυ ξανόμενη ζήτηση για ακριβή και τυποπ οιημένη επισήμανση τροφίμων λόγω των ρυθμιστικών αλλαγών, των ανησυχιών για τη δημόσια υγεία και της αυξημέν ης καταναλωτικής ευαισθητοποίησης.\n Μεθοδολογία: Αναπτύχθηκε ένα προγνω στικό πλαίσιο βασισμένο στη βαθιά μά θηση, αξιοποιώντας DistilBERT embedd ings για τη μετατροπή των λιστών συσ τατικών σε αριθμητικές αναπαραστάσει ς. Χρησιμοποιήθηκε ένα σύνολο δεδομέ νων από την USDA FoodData Central, δ ιασφαλίζοντας την ευρεία κάλυψη της διατροφικής σύστασης των τροφίμων. Δ οκιμάστηκαν διάφορα μοντέλα παλινδρό μησης, συμπεριλαμβανομένων νευρωνικώ ν δικτύων Multi-Layer Perceptron (ML P), σε συνδυασμό με βελτιστοποιητές όπως ο AdamW και συναρτήσεις απωλειώ ν όπως η SmoothL1Loss. Οι συγκριτικέ ς πειραματικές δοκιμές αξιολόγησαν τ ον αντίκτυπο της διαμόρφωσης του συν όλου δεδομένων, της επιλογής χαρακτη ριστικών και των διαφορετικών διαμορ φώσεων εκπαίδευσης στην προγνωστική ακρίβεια. Ως μετρικές αξιολόγησης χρ ησιμοποιήθηκαν η απώλεια επικύρωσης (validation loss), το Μέσο Απόλυτο Σ φάλμα (MAE) και ο Συντελεστής Προσδι ορισμού (R² Score).\n Αποτελέσματα: Τα αποτελέσματα δείχνουν ότι τα κατη γοριοποιημένα σύνολα δεδομένων υπερέ χουν σε προγνωστική ακρίβεια σε σχέσ η με τα γενικά σύνολα δεδομένων, παρ ουσιάζοντας χαμηλότερη απώλεια επικύ ρωσης και καλύτερη σύγκλιση του μοντ έλου. Η SmoothL1Loss αποδείχθηκε η β έλτιστη συνάρτηση απωλειών για την ε ξισορρόπηση ανθεκτικότητας και ευαισ θησίας στα σφάλματα, ενώ ο AdamW βελ τίωσε τη σταθερότητα της εκπαίδευσης . Επιπλέον, διαπιστώθηκε ότι η διαμό ρφωση του συνόλου δεδομένων επηρεάζε ι περισσότερο την ακρίβεια των προβλ έψεων από ότι ο όγκος του, καθώς τα μεγαλύτερα, μη δομημένα σύνολα δεδομ ένων εισήγαγαν θόρυβο και αύξησαν το ν κίνδυνο υπερπροσαρμογής.\n Συμπερά σματα: Τα αποτελέσματα αποδεικνύουν ότι τα μοντέλα NLP μπορούν να εκτιμή σουν αξιόπιστα τη διατροφική σύσταση των τροφίμων, προσφέροντας μια κλιμ ακούμενη, οικονομικά αποδοτική εναλλ ακτική λύση έναντι των παραδοσιακών εργαστηριακών μεθόδων. Η μελλοντική έρευνα θα πρέπει να εστιάσει στη βελ τιστοποίηση τεχνικών επιλογής χαρακτ ηριστικών, στην ενίσχυση της ρυθμιστ ικής προσαρμοστικότητας και στη βελτ ίωση των δυνατοτήτων πρόβλεψης σε πρ αγματικό χρόνο. Η μελέτη υπογραμμίζε ι τη σημαντική συμβολή της μηχανικής μάθησης στη βελτίωση της διαφάνειας της επισήμανσης των τροφίμων και τη ς εμπιστοσύνης των καταναλωτών, ανοί γοντας τον δρόμο για την αυτοματοποι ημένη, έξυπνη ανάλυση της διατροφική ς σύστασης στη βιομηχανία τροφίμων.\ n Abstract \n Purpose: This study ex plores the feasibility of using Natu ral Language Processing (NLP) and ma chine learning techniques to accurat ely predict the nutritional composit ion of food products—focusing on fat , protein, total sugar, sodium, and fiber—based on their ingredient list s. The motivation stems from the inc reasing demand for accurate and stan dardized food labelling due to regul atory changes, public health concern s, and consumer awareness.\n Methodo logy: A deep learning-based predicti ve framework was developed, leveragi ng DistilBERT embeddings to transfor m ingredient lists into structured n umerical representations. The study utilized a dataset sourced from USDA FoodData Central, ensuring comprehe nsive coverage of food compositions. Various regression models, includin g Multi-Layer Perceptron (MLP) netwo rks, were tested alongside optimizat ion strategies such as AdamW and los s functions like SmoothL1Loss. Compa rative experiments evaluated the imp act of dataset structuring, feature selection, and training configuratio ns on predictive performance. Valida tion loss, Mean Absolute Error (MAE) , and R² Score were employed as eval uation metrics.\n Results: Findings indicate that category-specific data sets outperform generalized datasets in predictive accuracy, with lower validation loss and improved model c onvergence. SmoothL1Loss proved opti mal for balancing robustness and err or sensitivity, while AdamW enhanced training stability. The study furth er highlights that dataset structuri ng plays a more critical role in pre diction accuracy than dataset volume , as larger, unstructured datasets i ntroduced noise and overfitting risk s.\n Conclusions: The results demons trate that NLP-driven models can rel iably estimate food nutritional comp osition, offering a scalable, cost-e ffective alternative to traditional laboratory-based methods. Future res earch should focus on optimizing fea ture selection techniques, enhancing regulatory adaptability, and refini ng real-time prediction capabilities . The study underscores the potentia l of machine learning in improving f ood labelling transparency and consu mer trust, paving the way for automa ted, intelligent food composition an alysis in the industry.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250630T100000 DTEND:20250630T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR