Χρήση ανατροφοδοτούμενου νευρωνικού δικτύου και χρονοσειρών για την πρόβλεψη δεδομένων

Ψαρρού, Αικατερίνη

dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Ψαρρού, Αικατερίνη
dc.date.accessioned	2023-11-20T10:29:40Z
dc.date.available	2023-11-20T10:29:40Z
dc.date.issued	2023-10-23
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15948
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3370
dc.description.abstract	Δεν υφίσταται καμία αμφιβολία πως το να γνωρίζει κανείς το μέλλον μπορεί να αποτελέσει το μεγαλύτερο πλεονέκτημα αυτής της ζωής. Ο άνθρωπος που διαθέτει την ικανότητα να προβλέψει το τι έχει να του προσφέρει το αύριο καθίσταται ικανός να προσεγγίσει αποτελεσματικότερα τους στόχους του. Δεν υφίσταται επίσης καμία αμφιβολία για την συνδρομή των νευρωνικών δικτύων στην σημερινή εποχή αλλά και το πλήθος ερευνητικών εφαρμογών που έχει προσδώσει. Τα νευρωνικά δίκτυα αποτελούν ισχυρά εργαλεία για την πρόβλεψη μέσω της ανάλυσης χρονοσειρών και αυτό αποτελεί και τον πυρήνα της παρούσας διπλωματικής εργασίας. Παρόλο που γνωρίζουμε ότι είναι αδύνατο να γνωρίζουμε το μέλλον, πλήρως, μπορούμε να προσπαθήσουμε να προβλέψουμε το τι έρχεται. Τόσο τα νευρωνικά δίκτυα όσο και η ανάλυση κοινωνικών δικτύων είναι δύο διακριτά πεδία, παρόλα αυτά είναι δυνατό να συσχετιστούν με διάφορους τρόπους, όπως θα αποδειχθεί με την εν λόγω προσέγγιση, θέτοντας ως σημείο εστίασης την ανάλυση όπως και την αποσαφήνιση της δομής των κοινωνικών δικτύων. Το twitter ως ένας από τους βασικότερους πυλώνες του των κοινωνικών δικτύων θα αποτελέσει την πηγή δεδομένων της υλοποίησης του συγκεκριμένου ερευνητικού σχεδιασμού προκειμένου να επιτευχθούν οι στόχοι της παρούσας εργασίας. Στην παρούσα διπλωματική εργασία πρόκειται να πραγματοποιηθεί οπτικοποίηση του ημερησίου όγκου αναρτήσεων περιορίζοντας το σύνολο χρηστών σε εκείνους που έχουν κάνει παραπάνω από έναν αριθμό tweets, πρόβλεψη του αριθμού των tweets που δημοσιεύονται κάθε λεπτό βασισμένο στα δεδομένα των προηγούμενων 24 ωρών και τέλος πρόβλεψη του αριθμού των tweets ανά λεπτό βασισμένο σε ιστορικά δεδομένα, χρησιμοποιώντας το μοντέλο βαθιάς μάθησης που ονομάζεται LSTM (Long Short-Term Memory). Έπειτα θα γίνει γνωστοποίηση των μεθόδων πρόβλεψης χρονοσειρών με χρήση ανατροφοδοτούμενου νευρωνικού δικτύου, η διαδικασία δημιουργίας του dataset καθώς και τα αποτελέσματα των προβλέψεων των δύο μελετών περίπτωσης.	el
dc.format.extent	99	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.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Χρήση ανατροφοδοτούμενου νευρωνικού δικτύου και χρονοσειρών για την πρόβλεψη δεδομένων	el
dc.title.alternative	Using recurrent neural networks and time series for data prediction	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	There is no doubt that knowing the future can be the greatest advantage in life. A person who has the ability to predict what the future holds can approach their goals more effectively. There is also no doubt about the contribution of neural networks in today's era and the numerous research applications they have provided. Neural networks are powerful tools for prediction through time series analysis, and this forms the core of this thesis. Although we know that it is impossible to fully know the future, we can try to predict what is coming. Both neural networks and social network analysis are distinct fields; however, they can be correlated in various ways, as will be demonstrated in this approach. The focus will be on analyzing and clarifying the structure of social networks. Twitter, as one of the major pillars of social networks, will be the data source for implementing this research design to achieve the goals of this work. In this thesis, the following tasks will be carried out: visualization of the daily volume of posts, limiting the set of users to those who have posted more than a certain number of tweets, predicting the number of tweets published every minute based on the data from the previous 24 hours, and finally, predicting the number of tweets per minute based on historical data using the Long Short-Term Memory (LSTM) deep learning model. The methods for time series prediction using a feedback neural network will be disclosed, along with the process of creating the dataset and the results of the two case studies.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	Χρονοσειρές	el
dc.subject.keyword	Δεδομένα twitter	el
dc.subject.keyword	Πρόβλεψη	el
dc.subject.keyword	LTSM	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Time series	el
dc.subject.keyword	Twitter data	el
dc.subject.keyword	Prediction	el
dc.date.defense	2023-10-23

Αρχεία σε αυτό το τεκμήριο

Name:: psarrou_21064.pdf
Μέγεθος:: 3.949Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή Διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα