| dc.contributor.advisor | Pelekis, Nikolaos | |
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Bourantanis, Andreas | |
| dc.contributor.author | Μπουραντάνης, Ανδρέας | |
| dc.date.accessioned | 2025-10-21T09:47:09Z | |
| dc.date.available | 2025-10-21T09:47:09Z | |
| dc.date.issued | 2025-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18239 | |
| dc.description.abstract | Η εκπαίδευση μοντέλων μηχανικής μάθησης έχει γνωρίσει μεγάλη ανάπτυξη τα τελευταία χρόνια. Ωστόσο, λόγω του πλήθους διαθέσιμων αλγορίθμων και της εξάρτησής τους από παραμέτρους, η αναζήτηση του βέλτιστου μοντέλου αποτελεί μια ιδιαίτερα απαιτητική και χρονοβόρα διαδικασία. Παρότι έχουν αναπτυχθεί πολλά συστήματα αυτόματης μηχανικής μάθησης (AutoML) για προβλήματα εποπτευόμενης μάθησης (supervised learning), τα προβλήματα μη εποπτευόμενης μάθησης, όπως η ανάλυση συστάδων, δεν έχουν τύχει της ίδιας προσοχής. Στην παρούσα εργασία παρουσιάζονται οι προκλήσεις που σχετίζονται με την αυτοματοποίηση της συσταδοποίησης, καθώς και το πώς σύγχρονες μέθοδοι, αρκετές εκ των οποίων έχουν εφαρμοστεί στην εποπτεύμενης μάθηση, μπορούν να αξιοποιηθούν για την ανάπτυξη AutoML συστημάτων στη συσταδοποίηση. Επιπλέον, εξετάζονται υπάρχοντες έρευνες και οι διαφορετικές προσεγγίσεις που έχουν προταθεί για την επίλυση του προβλήματος. Τέλος, προτείνεται μια νέα μεθοδολογία για την ανάπτυξη AutoML συστήματος στη συσταδοποίηση, η οποία υλοποιείται πειραματικά και αξιολογείται μέσω ανάλυσης των αποτελεσμάτων της. | el |
| dc.format.extent | 69 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Data clustering under the prism of AutoML | el |
| dc.title.alternative | Συσταδοποίηση δεδομένων υπό το πρίσμα τεχνικών αυτόματης μηχανικής μάθησης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | The training of machine learning models has experienced rapid growth in recent years. However, due to the large number of available algorithms and their dependency on hyperparameters, identifying the optimal model remains a challenging and time-consuming process. While numerous Automated Machine Learning (AutoML) systems have been developed for supervised learning problems, tasks that belong to unsupervised learning, such as clustering, have not received the same level of attention. This thesis presents the challenges associated with automating clustering, as well as how state-of-the-art methods, many of which have been successfully applied in supervised learning, can be leveraged to develop AutoML systems for clustering. Furthermore, we review existing research frameworks and the diverse approaches proposed for addressing this problem. Finally, we propose a new methodology for designing an AutoML system for clustering, implement it experimentally and analyze its results. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Clustering | el |
| dc.subject.keyword | Hyperparameter optimization | el |
| dc.subject.keyword | Meta-learning | el |
| dc.date.defense | 2025-10-03 | |
