dc.contributor.advisor | Τασουλής, Σωτήριος | |
dc.contributor.author | Πετροπαναγιωτάκη, Κυριακή | |
dc.date.accessioned | 2023-07-03T09:57:23Z | |
dc.date.available | 2023-07-03T09:57:23Z | |
dc.date.issued | 2023-06 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15552 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2974 | |
dc.description.abstract | Η παρούσα διατριβή διερευνά την ακρίβεια της μηχανικής μάθησης και των μοντέλων νευρωνικών δικτύων στην ανάλυση συναισθήματος σε δεδομένα του Twitter κατά τη διάρκεια της πανδημίας COVID-19. Με την αυξανόμενη σημασία των δεδομένων των μέσων κοινωνικής δικτύωσης για τις επιχειρήσεις και την κοινωνία, η ανάλυση συναισθήματος έχει γίνει ένα κρίσιμο εργαλείο για την κατανόηση της κοινής γνώμης και τη λήψη τεκμηριωμένων αποφάσεων. Η μελέτη επικεντρώνεται στην ανάλυση συναισθήματος αγγλικών tweets και συγκρίνει τις επιδόσεις πέντε μοντέλων μηχανικής μάθησης - Naive Bayes, Decision Tree, Random Forest, SVM, Gradiaent Boost- και δύο μοντέλων νευρωνικών δικτύων - RNN ,CNN - με βάση την συνολική ακρίβεια, την ακρίβεια, την ανάκληση και το F1 score. Η μεθοδολογία περιλαμβάνει τη συλλογή και προ επεξεργασία δεδομένων, την εξαγωγή χαρακτηριστικών και την αξιολόγηση των μοντέλων με τη χρήση διαφόρων μετρικών αξιολόγησης. Στόχος της μελέτης είναι να συμβάλει στη βιβλιογραφία σχετικά με την ανάλυση συναισθήματος στο Twitter με χρήση μηχανικής μάθησης και νευρωνικών δικτύων και να παράσχει πληροφορίες σχετικά με την απόδοση διαφόρων μοντέλων στην ανάλυση συναισθήματος δεδομένων Twitter. Τα αποτελέσματα της μελέτης θα μπορούσαν να είναι χρήσιμα για επιχειρήσεις, κυβερνητικές υπηρεσίες και άλλους οργανισμούς στην κατανόηση της κοινής γνώμης που σχετίζεται με το COVID-19 και στη λήψη τεκμηριωμένων αποφάσεων με βάση την ανάλυση συναισθήματος. | el |
dc.format.extent | 118 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Αναγνώριση τάσης σε ροές δεδομένων κειμένου | el |
dc.title.alternative | Sentiment analysis in text data streams | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | This thesis aims to evaluate the accuracy of machine learning and neural network models in sentiment analysis of Twitter data. With the increasing importance of social media data for business and society, sentiment analysis has become a crucial tool to understand public opinion and make informed decisions. The study will focus on sentiment analysis of English tweets and compare the performance of four models Naive Bayes, Decision Tree, Random Forest, SVM, Gradiaent Boost- and two neural networks - RNN, CNN - based on evaluation metrics such as accuracy, precision, recall, and F1 score. The method involves data collection and pre-processing, feature extraction, and the implementation of machine learning and neural network models. The evaluation process will compare the performance of the models and visualize the results. The study aims to contribute to the literature on sentiment analysis in Twitter using machine learning and neural networks and supply insights into the performance of various models in sentiment analysis of Twitter data. The results of the study could be useful for businesses, government agencies, and other organizations in understanding public opinion related to COVID-19 and making informed decisions based on the sentiment analysis. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Sentiment analysis | el |
dc.subject.keyword | Twitter | el |
dc.subject.keyword | Marching learning | el |
dc.subject.keyword | Neural networks | el |
dc.subject.keyword | RNN | el |
dc.subject.keyword | CNN | el |
dc.subject.keyword | Naive Bayes | el |
dc.subject.keyword | Random forest | el |
dc.subject.keyword | Gradient boosting | el |
dc.subject.keyword | SVM | el |
dc.subject.keyword | GhatGtp | el |
dc.date.defense | 2023-06-19 | |