GPTIPSpy : A Python module for genetic programming

Kalampokis, Evangelos; Καλαμπόκης, Ευάγγελος

dc.contributor.advisor	Sotiropoulos, Dionisios
dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Kalampokis, Evangelos
dc.contributor.author	Καλαμπόκης, Ευάγγελος
dc.date.accessioned	2025-02-19T12:43:48Z
dc.date.available	2025-02-19T12:43:48Z
dc.date.issued	2025-01
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17489
dc.description	Not available until 19/02/2026
dc.description.abstract	Αυτή η διατριβή παρουσιάζει το GPTIPSpy, μια υλοποίηση της βιβλιοθήκης GPTIPS2 του MATLAB για συμβολική παλινδρόμηση, ως πακέτο Python. Οι τεχνολογικές εξελίξεις έχουν επιτρέψει στους ερευνητές να συλλέγουν πολλά δεδομένα από μετρήσεις μεταβλητών σε ένα ευρύ φάσμα περιβαλλόντων. Ωστόσο, αυτές οι ακατέργαστες μετρήσεις δεν συνιστούν επιστημονική γνώση, καθώς η επεξεργασία αυτών των δεδομένων είναι απαραίτητη ώστε να προκύψει επιστημονική γνώση. Η τεχνητή νοημοσύνη και η μηχανική μάθηση βοηθούν τους ερευνητές να αποκαλύψουν την σχέση μεταξύ των μεταβλητών ενός υπό μελέτη συστήματος, παράγοντας γνώση μέσα από την ανάλυση των δεδομένων με τη χρήση μιας ποικιλίας τεχνικών. Μία από αυτές τις τεχνικές είναι η συμβολική παλινδρόμηση, η οποία στοχεύει στην ανακάλυψη μαθηματικών εκφράσεων που συσχετίζουν τις ανεξάρτητες μεταβλητές ενός συστήματος με μία εξαρτημένη μεταβλητή. Αυτό επιτυγχάνεται μέσω μιας διαδικασίας παρόμοιας με τον γενετικό προγραμματισμό. Ξεκινώντας με έναν πληθυσμό εκφράσεων που έχουν παραχθεί με τυχαίο τρόπο, κάθε έκφραση βαθμολογείται με βάση το πόσο καλά προσεγγίζει την τιμή της εξαρτημένης μεταβλητής. Τα καλύτερα μέλη του πληθυσμού χρησιμοποιούνται ως δομικά στοιχεία για τη δημιουργία της επόμενης γενιάς από εκφράσεις, οι οποίες με τη σειρά τους αξιολογούνται και αποτελούν τη βάση για τη δημιουργία περαιτέρω γενεών, μέχρι να βρεθεί μια ικανοποιητική λύση. Το GPTIPSpy επιτρέπει στους ερευνητές να εκτελούν συμβολική παλινδρόμηση χρησιμοποιώντας έναν γενετικό αλγόριθμο σε Python. Οι ερευνητές μπορούν να προσαρμόσουν τον γενετικό αλγόριθμο στις δικές τους ανάγκες και έχουν στη διάθεσή τους ένα ευρύ φάσμα εργαλείων για την ανάλυση των αποτελεσμάτων του γενετικού αλγορίθμου μέσω οπτικοποίησης και διερεύνησης. Μετά την παρουσίαση της διαδικασίας ανάπτυξης του GPTIPSpy, παρουσιάζονται αποτελέσματα δοκιμαστικών εκτελέσεων, τα οποία αφενός επιβεβαιώνουν την ορθή λειτουργία τού και, αφετέρου, δείχνουν ότι το GPTIPSpy παράγει παρόμοια αποτελέσματα με το GPTIPS2, αλλά σε μικρότερους χρόνους επεξεργασίας, καθιστώντας το μια αποτελεσματική εναλλακτική λύση.	el
dc.format.extent	102	el
dc.language.iso	en	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	GPTIPSpy : A Python module for genetic programming	el
dc.title.alternative	GPTIPSpy : Ανάπτυξη μιας βιβλιοθήκης Python για γενετικό προγραμματισμό	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This thesis presents GPTIPSpy, an implementation of GPTIPS2, a MATLAB library for symbolic regression, as a Python package. Advances in technology have enabled researchers to create large datasets of variable measurements across a wide range of environments. These raw measurements, however, do not constitute scientific knowledge. Processing these datasets is necessary in order for scientific knowledge to be distilled. Artificial intelligence and machine learning help researchers uncover the intrinsic relationship between the variables of the system under study, analyzing data into scientific knowledge with the use of a variety of techniques. Symbolic regression is such a technique that aims to discover mathematical expressions that relate the independent variables to the dependent variable. It does this through a process similar to genetic programming. Starting with a population of randomly generated expressions, all expressions are assigned a fitness score based on how well they approximate the value of the dependent variable. The best members of the population are used as building blocks of the members of the next generation, which in turn are evaluated and used as basis for the creation of further generations of expressions, until a satisfactory solution is met. GPTIPSpy enables researchers to perform symbolic regression using a genetic programming algorithm in Python. Its highly configurable interface allows researchers to tailor the genetic algorithm to their specific needs and it offers them a wide range of post-run analysis tools that help analyze the genetic algorithm's output through visualization and inquiry. Following the presentation of the development process of GPTIPSpy, test-run results are shown, demonstrating that GPTIPSpy performs genetic programming correctly and produces similar results to GPTIPS2 in shorter processing times, making it an effective alternative.	el
dc.contributor.master	Πληροφορική	el
dc.subject.keyword	GPTIPSpy	el
dc.subject.keyword	GPTIPS2	el
dc.subject.keyword	Genetic programming	el
dc.subject.keyword	Symbolic regression	el
dc.date.defense	2025-01-14

Αρχεία σε αυτό το τεκμήριο

Αρχεία	Μέγεθος	Τύπος	Προβολή
Δεν υπάρχουν αρχεία που να σχετίζονται με αυτό το τεκμήριο.

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