Αλγόριθμοι ομαδοποίησης χρηστών σε συστήματα σύστασης
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Σιούζιος, Φώτιος | |
| dc.date.accessioned | 2024-09-25T10:01:34Z | |
| dc.date.available | 2024-09-25T10:01:34Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16796 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4218 | |
| dc.description.abstract | Η εργασία αυτή εξετάζει τα συστήματα σύστασης, εστιάζοντας σε διάφορες μεθόδους και αλγόριθμους που χρησιμοποιούνται για την ομαδοποίηση και σύσταση δεδομένων. Αρχικά, παρουσιάζεται μια επισκόπηση των υπαρχόντων συστημάτων σύστασης, περιγράφοντας τις διάφορες κατηγορίες και τις λειτουργίες τους. Στη συνέχεια, αναλύονται συγκεκριμένοι αλγόριθμοι ομαδοποίησης, οι οποίοι αποτελούν βασικά εργαλεία για τη δημιουργία αποτελεσματικών συστημάτων σύστασης. Ένα σημαντικό μέρος της εργασίας αφορά την προεπεξεργασία των δεδομένων, όπου αναλύεται πώς καθαρίζονται, μετασχηματίζονται και προετοιμάζονται τα δεδομένα για να εισαχθούν στους αλγόριθμους ομαδοποίησης. Τέλος, παρουσιάζονται τα δικά πειράματα σε αυτούς τους αλγορίθμους, όπου εφαρμόζεις τις μετρικές Pearson correlation, cosine similarity και euclidean distance στον αλγόριθμο K-means. Μέσα από αυτή την εφαρμογή, επιδεικνύεται η πρακτική χρήση αυτών των μετρικών για τη βελτίωση της απόδοσης του αλγορίθμου και την επίτευξη καλύτερων αποτελεσμάτων ομαδοποίησης. | el |
| dc.format.extent | 79 | 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.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Αλγόριθμοι ομαδοποίησης χρηστών σε συστήματα σύστασης | el |
| dc.title.alternative | User clustering algorithms in recommendation systems | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | My thesis examines recommender systems, focusing on various methods and algorithms used to cluster and recommend data. First, an overview of existing recommender systems is presented, describing their various categories and functions. Then, specific clustering algorithms, which are key tools for creating effective recommender systems, are discussed. An important part of the paper deals with data preprocessing, where it is discussed how data is cleaned, transformed and prepared for input to the clustering algorithms. Finally, we present our own experiments on these algorithms, where we apply the Pearson correlation, cosine similarity and euclidean distance metrics to the K-means algorithm. Through this application, we demonstrate the practical use of these metrics to improve the performance of the algorithm and achieve better clustering results. | el |
| dc.subject.keyword | Clustering algorithms | el |
| dc.subject.keyword | Recommendation systems | el |
| dc.date.defense | 2024-09 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα