Αξιοποίηση νευρωνικών δικτύων γράφων για την πρόβλεψη του αλγορίθμου συσταδοποίησης με την καλύτερη επίδοση
| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Διλμπέρης, Εμμανουήλ | |
| dc.date.accessioned | 2025-02-18T13:20:42Z | |
| dc.date.available | 2025-02-18T13:20:42Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17483 | |
| dc.description.abstract | Στον σημερινό ταχύτατα εξελισσόμενο κόσμο που ζούμε, η τεχνητή νοημοσύνη ενσωματώνεται καθημερινά όλο και περισσότερο στη ζωή μας, φέρνοντας επανάσταση στον τρόπο με τον οποίο αλληλοεπιδρούμε με την τεχνολογία. Ωστόσο η ανάπτυξη μοντέλων πρόβλεψης απαιτεί τεχνογνωσία και εξειδικευμένες γνώσεις, κάτι που την καθιστά απρόσιτη για την πλειονότητα των ανθρώπων. Αυτό το πρόβλημα προσπαθεί να επιλύσει η αυτοματοποιημένη μηχανική μάθηση, μειώνοντας σημαντικά την ανθρώπινη παρέμβαση, έχοντας ως αποτέλεσμα να γίνεται πιο προσιτή η χρήση μοντέλων πρόβλεψης από μεγαλύτερη μερίδα του κόσμου. Η παρούσα διπλωματική εργασία ασχολείται με τη δημιουργία ενός μοντέλου αυτοματοποιημένης μηχανικής μάθησης, το οποίο δέχεται σαν είσοδο ένα σύνολο δεδομένων και προσπαθεί να προβλέψει τον αλγόριθμο συσταδοποίησης με την καλύτερη απόδοση, χρησιμοποιώντας αρχιτεκτονικές νευρωνικών δικτύων για γράφους. Για τη υλοποίηση του παραπάνω μοντέλου, δημιουργήθηκε αρχικά η βιβλιοθήκη Dataset2Graph στη γλώσσα προγραμματισμού Python, η οποία παρέχει τη δυνατότητα μετατροπής ενός συνόλου δεδομένων σε γράφο, καθώς και τη χρήση αλγορίθμων για την διαχείριση και την απλοποίηση του παραγόμενου γράφου. Στη διάθεση μας είχαμε 50 σύνολα δεδομένων, τα οποία μετατράπηκαν σε γράφο. Χρησιμοποιώντας διαφορετικές τεχνικές απλοποίησης πάνω στους 50 γράφους, παράχθηκαν πάνω από 150 σύνολα δεδομένων γράφων. Στο τέλος, όλες αρχιτεκτονικές νευρωνικών δικτύων γράφων που αναπτύχθηκαν για το στάδιο της πρόβλεψης, αξιολογούνται πάνω στα διάφορα σύνολα γράφων και το βέλτιστο μοντέλο συγκρίνεται με τον κύριο ανταγωνιστή MARCO-GE. | el |
| dc.format.extent | 49 | 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 | Αξιοποίηση νευρωνικών δικτύων γράφων για την πρόβλεψη του αλγορίθμου συσταδοποίησης με την καλύτερη επίδοση | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | In today's rapidly evolving world, artificial intelligence is becoming more and more integrated into our lives every day, revolutionizing the way we interact with technology. However, developing predictive models requires expertise and specialized knowledge, which makes it inaccessible to the majority of people. Automated machine learning (AutoML) attempts to solve this problem by reducing significantly human intervention, resulting in prediction models becoming more accessible to a larger portion of the world. This thesis deals with the implementation of an automated machine learning model, which takes as input a data set and tries to predict the best performing clustering algorithm utilizing graph neural network architectures. To implement the above model, the Dataset2Graph library was initially developed in the Python programming language, which provides the ability to convert a dataset into a graph and includes a variety of algorithms that process and simplify the generated graphs. At our disposal we had 50 datasets, which were converted into a graph. Different simplification techniques were used on the 50 graphs and over 150 graph datasets were generated. Finally, all graph neural network architectures developed for the prediction stage are evaluated on the different graph sets and the optimal model is compared with the main competitor MARCO-GE. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Μηχανική Μάθηση | el |
| dc.subject.keyword | Βαθιά Μάθηση | el |
| dc.subject.keyword | Γράφοι | el |
| dc.subject.keyword | GNN | el |
| dc.subject.keyword | AutoML | el |
| dc.subject.keyword | Κατηγοριοποίηση | el |
| dc.subject.keyword | Συσταδοποίηση | el |
| dc.date.defense | 2024-12-20 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
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