| dc.contributor.advisor | Αλέπης, Ευθύμιος | |
| dc.contributor.author | Κολοβός, Χρύσανθος | |
| dc.date.accessioned | 2025-11-18T10:51:13Z | |
| dc.date.available | 2025-11-18T10:51:13Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18429 | |
| dc.description.abstract | Αυτή η πτυχιακή εργασία αναλύει την ανάπτυξη και τη λειτουργικότητα της εφαρμογής FitAddictApp.
Το πρώτο κεφάλαιο παρουσιάζει το θεωρητικό πλαίσιο που σχετίζεται με εφαρμογές γυμναστικής και ευεξίας, καθώς και τις υπάρχουσες λύσεις που ενέπνευσαν τη σύλληψη και τον σχεδιασμό της FitAddictApp.
Το δεύτερο κεφάλαιο περιγράφει αναλυτικά τις τεχνολογίες που χρησιμοποιήθηκαν για την ανάπτυξη της εφαρμογής, όπως το Android Studio, η Kotlin, το Git και το Firebase, μαζί με τις αρχιτεκτονικές μεθοδολογίες MVVM και Clean Architecture. Αναλύονται επίσης προηγμένα εργαλεία όπως το Hilt, η Room Database, οι Firebase Cloud Functions, η Generative AI, το Vertex AI SDK, το Prompt Engineering και η Data Validation, δείχνοντας τη συμβολή τους σε μια ισχυρή και ευφυή λύση λογισμικού.
Το τρίτο κεφάλαιο επικεντρώνεται στη δομή του κώδικα της εφαρμογής, εξηγώντας τα βασικά συστατικά και την αλληλεπίδρασή τους, ώστε να εξασφαλίζεται μια ομαλή εμπειρία χρήστη. Ιδιαίτερη έμφαση δίνεται στο Jetpack Compose, στα Navigation Components και στα εργαλεία του Firebase, όπως το Analytics, το Crashlytics και οι Push Notifications.
Τέλος, το τέταρτο κεφάλαιο παρουσιάζει ολοκληρωμένα την εφαρμογή, εξηγώντας βήμα προς βήμα το περιβάλλον διεπαφής και τη λειτουργικότητά της, ενώ παράλληλα αναδεικνύεται η χρήση της τεχνητής νοημοσύνης στον τομέα της υγείας και της σωματικής άσκησης. | el |
| dc.format.extent | 50 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | FitAddict App : έξυπνη εφαρμογή Android για φυσική δραστηριότητα με έτοιμες ασκήσεις και εξατομικευμένα προγράμματα μέσω τεχνητής νοημοσύνης | el |
| dc.title.alternative | FitAddict App: a smart Android app for physical activity with built-in exercises and AI-personalized workout programs | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis analyzes the development and functionality of the FitAddictApp. The first chapter presents the theoretical framework related to fitness and wellness applications, as well as existing solutions that inspired the concept and design of FitAddictApp.
The second chapter describes in detail the technologies used for the development of the application, including Android Studio, Kotlin, Git, and Firebase, along with the architectural methodologies MVVM and Clean Architecture. Advanced tools such as Hilt, Room Database, Firebase Cloud Functions, Generative AI, Vertex AI SDK, Prompt Engineering, and Data Validation are also analyzed, demonstrating their contribution to a robust and intelligent software solution.
The third chapter focuses on the code structure of the application, explaining the key components and their interaction for ensuring a seamless user experience. Special attention is given to Jetpack Compose, Navigation Components, and Firebase tools such as Analytics, Crashlytics, and Push Notifications.
Finally, the fourth chapter presents the complete application, explaining its interface and functionality step by step, while highlighting the use of artificial intelligence in the field of health and physical fitness. | el |
| dc.subject.keyword | Fitness app | el |
| dc.subject.keyword | Firebase authentication | el |
| dc.subject.keyword | Activity tracking (Distance/Time/Steps) | el |
| dc.subject.keyword | Workout build & progress | el |
| dc.subject.keyword | Firestore media | el |
| dc.subject.keyword | Android UI navigation | el |
| dc.date.defense | 2025-09-29 | |
