| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Θερμιώτης, Στυλιανός | |
| dc.date.accessioned | 2025-02-13T10:21:46Z | |
| dc.date.available | 2025-02-13T10:21:46Z | |
| dc.date.issued | 2025-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17457 | |
| dc.description.abstract | Η εργασία εξετάζει την ταξινόμηση συναισθημάτων σε κείμενα με τη χρήση προηγμένων μοντέλων μηχανικής μάθησης, όπως το BERT, το Ensemble of BERT Models και ένα Linear Layer. Χρησιμοποιήθηκαν τρία σύνολα δεδομένων σε μορφή CSV, περιέχοντας πολλαπλές ετικέτες συναισθημάτων. Τα δεδομένα επεξεργάστηκαν μέσω καθαρισμού, tokenization, padding και διαχωρισμού σε σύνολα εκπαίδευσης και αξιολόγησης.
Η μεθοδολογία περιλάμβανε:
• Εκπαίδευση πολλαπλών μοντέλων BERT με στόχο τη βελτίωση της ακρίβειας.
• Υπολογισμό μετρικών, όπως AUROC και F1-score, για την αξιολόγηση των μοντέλων.
• Χρήση τεχνικής Ensemble για τη συνδυαστική ενίσχυση της απόδοσης των μοντέλων.
Τα αποτελέσματα δείχνουν ακρίβεια που αγγίζει το 0.93 AUROC για συναισθήματα όπως "admiration", "gratitude", και "love", με σημαντική βελτίωση στην ταξινόμηση έναντι παραδοσιακών μεθόδων. Παρόλο που υπήρξαν περιορισμοί σε συναισθήματα όπως "pride" και "relief", η χρήση της προσέγγισης Ensemble μείωσε τις επιδόσεις των χαμηλότερων κλάσεων. | el |
| dc.format.extent | 47 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Συγκριτική μελέτη αλγορίθμων βαθιάς μάθησης | el |
| dc.title.alternative | Comparative study of deep learning algorithms | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This study examines sentiment classification in text using advanced machine learning models such as BERT, Ensemble of BERT Models, and a Linear Layer. Three CSV datasets containing multi-label sentiment annotations were utilized. The data were processed through cleaning, tokenization, padding, and splitting into training and evaluation sets.
The methodology included:
• Training multiple BERT models to improve accuracy.
• Computing metrics such as AUROC and F1-score for model evaluation.
• Applying an Ensemble technique to boost model performance collectively.
The results demonstrate an accuracy reaching 0.93 AUROC for emotions like "admiration,"
"gratitude," and "love," significantly outperforming traditional methods. While limitations were noted for emotions such as "pride" and "relief," the Ensemble approach mitigated the lower performance in these categories. | el |
| dc.subject.keyword | Ανάλυση συναισθημάτων | el |
| dc.subject.keyword | Bert | el |
| dc.subject.keyword | Tokenization | el |
| dc.subject.keyword | Padding | el |
| dc.subject.keyword | Auroc | el |
| dc.subject.keyword | F1-Score | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Ταξινόμηση κειμένων | el |
| dc.subject.keyword | Προεπεξεργασία δεδομένων | el |
| dc.subject.keyword | Ensemble models | el |
| dc.date.defense | 2025-01-23 | |
