Τεχνητή νοημοσύνη (Artificial Intelligence - AI) και μηχανική μάθηση (Machine Learning-ML) σε εφαρμογές διατροφής

Ζανάι, Κέισι

dc.contributor.advisor	Kanellou, Anastasia
dc.contributor.author	Ζανάι, Κέισι
dc.date.accessioned	2024-07-30T06:58:06Z
dc.date.available	2024-07-30T06:58:06Z
dc.date.issued	2024-07-18
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7251
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7083
dc.description.abstract	Στη σύγχρονη εποχή που χαρακτηρίζεται από τεχνολογικές εξελίξεις, η ενσωμάτωση της τε- χνητής νοημοσύνης (Artificial Intelligence) και της μηχανικής μάθησης (Machine Learning) σε διατροφικές εφαρμογές έχει συγκεντρώσει αυξανόμενη προσοχή για τις δυνατότητές της να φέ- ρει επανάσταση στην παρακολούθηση και βελτιστοποίηση της διατροφής. Η παρούσα πτυχιακή εργασία επιχειρεί μια ολοκληρωμένη διερεύνηση του ρόλου της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης σε διατροφικές εφαρμογές, εστιάζοντας στη χρήση τους στη διατροφική αξιολόγηση, τον προγραμματισμό γευμάτων και την υποστήριξη αλλαγής συμπεριφοράς. Μέσω μιας συστηματικής ανασκόπησης της υπάρχουσας βιβλιογραφίας, η παρούσα πτυχιακή εργασία εξετάζει δημοφιλείς διατροφικές εφαρμογές και τα χαρακτηριστικά τους, παρέχοντας πληροφορίες σχετικά με τις προτιμήσεις των χρηστών, τα πρότυπα εμπλοκής και την αποτελεσματικότητα των ψηφιακών παρεμβάσεων. Επιπλέον, μελέτες περιπτώσεων αναδεικνύουν επιτυχημένες εφαρμογές αλγορίθμων Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στη διατροφική ανάλυση, παρου- σιάζοντας τον αντίκτυπό τους στη διατροφή της δημόσιας υγείας και την ατομική ευημερία. Εξε- τάζονται επίσης προκλήσεις και περιορισμούς, συμπεριλαμβανομένων ζητημάτων ποιότητας δε- δομένων και ηθικών προβληματισμών, καθώς και συστάσεις για μελλοντική έρευνα και ανάπτυξη. Τελικά, η παρούσα πτυχιακή εργασία, συμβάλλει στη βαθύτερη κατανόηση των δυνατοτήτων της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης στην προώθηση πιο υγιεινών διατροφικών συμπεριφορών και υπογραμμίζει τη σημασία της διεπιστημονικής συνεργασίας για την προώθηση του πεδίου των ψηφιακών παρεμβάσεων στην υγεία.	el
dc.format.extent	45	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Εφαρμογές διατροφής	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Κινητή υγεία	el
dc.subject	Nutrition apps	el
dc.subject	Artificial intelligence	el
dc.subject	Machine learning	el
dc.subject	Deep learning	el
dc.subject	Mobile health	el
dc.title	Τεχνητή νοημοσύνη (Artificial Intelligence - AI) και μηχανική μάθηση (Machine Learning-ML) σε εφαρμογές διατροφής	el
dc.title.alternative	Artificial intelligence and machine learning in nutrition applications	el
dc.type	Πτυχιακή εργασία	el
dc.contributor.committee	BARTZIS, VASILEIOS
dc.contributor.committee	Κοντελές, Σπυρίδων
dc.contributor.faculty	Σχολή Επιστημών Τροφίμων	el
dc.contributor.department	Τμήμα Επιστήμης και Τεχνολογίας Τροφίμων	el
dc.description.abstracttranslated	In today’s era of technological advances, the integration of Artificial Intelligence and Machine Learning in nutritional applications has attracted increasing attention for its potential to revolution- ize the monitoring and optimization of nutrition. This thesis attempts a well-rounded exploration of the role of Artificial Intelligence and Machine Learning in nutritional applications, focusing on their use in nutritional assessment, meal planning, and behaviour change support. Through a systematic review of the existing bibliography, this thesis examines popular nutrition apps and their features, providing information on user preferences, engagement patterns, and the effective- ness of digital interventions. In addition, case studies highlight successful applications of Artificial Intelligence and Machine Learning algorithms in nutritional analysis, illustrating their impact on public health nutrition and individual well-being.Challenges and limitations, including data qual- ity issues and ethical concerns, and recommendations for future research and development are also addressed. Ultimately, this thesis contributes to a deeper understanding of the potential of Artifi- cial Intelligence and Machine Learning in promoting healthier eating behaviours and highlights the importance of interdisciplinary collaboration to advance the field of digital health interventions	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Fst_20684130.pdf
Μέγεθος:: 4.506Mb
Τύπος:: PDF
Περιγραφή:: Πτυχιακή Ζανάι Κέισι

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Πτυχιακές εργασίες
Πτυχιακές εργασίες τμήματος Επιστήμης και Τεχνολογίας Τροφίμων

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές