Διεπιστημονικές μέθοδοι ανάλυσης δεδομένων με χρήση μηχανικής μάθησης για βελτιωμένη εξαγωγή γνώσης

Περίληψη

Αυτή η διατριβή αναφέρεται σε μια σειρά από καινοτόμες προσεγγίσεις που επιτρέπουν την απόκτηση γνώσης μέσω της εκμετάλλευσης των δυνατοτήτων της μηχανικής μάθησης. Οι διεπιστημονικές προσεγγίσεις ενδέχεται να εκθέσουν νέες δυνατότητες για την ανάλυση δεδομένων. Παρουσιάζονται δύο θεωρητικά πλαίσια που αναφέρουν ευρήματα που σχετίζονται με τους ερευνητικούς τομείς των Κοινωνικών Δικτύων και της Ενέργειας. Μπορούν να χρησιμοποιηθούν κοινές μέθοδοι/αλγόριθμοι/εργαλεία για την εξαγωγή γνώσης λαμβάνοντας υπόψη συγκεκριμένες διεργασίες εξόρυξης δεδομένων.Το πρώτο θεωρητικό πλαίσιο συνδυάζει τρεις καινοτόμες προσεγγίσεις στον τομέα των μέσων κοινωνικής δικτύωσης (ΜΚΔ) και σχετίζονται με τους τύπους των μέσων κοινωνικής δικτύωσης (SMTs), εξαγωγή θεμάτων συζήτησης στα μέσα κοινωνικής δικτύωσης (SMTE) και την ανάλυση συναισθήματος δια των μέσων κοινωνικής δικτύωσης (SMSA).Οι τύποι ΜΚΔ (SMTs) αξιολογούνται μέσω μιας νέας μεθοδολογίας που βασίζεται σε υποθέσεις, η οποία αναλύει τις πλατφόρμες των ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis reports on a series of novel approaches enabling knowledge acquisition through exploiting various machine learning capabilities. Interdisciplinary approaches may expose new possibilities for data analytics. Two theoretical frameworks are conceptualized reporting on findings that relate to the research domains of Social Media (SM) and Energy. Common methods/algorithms/tools may be utilized for knowledge extraction considering specific mining tasks. The first theoretical framework presents and combines three novel approaches in Social Media domain elaborating in mining tasks related with Social Media Types (SMTs), Social Media Topic Extraction (SMTE) and Social Media Sentiment Analysis (SMSA). SMTs are evaluated through a novel hypothesis-based data driven methodology that analyses Social Media Platforms (SMPs) and categorizes SMPs based on their services proposing new SMTs. The proposed methodology evaluates a new taxonomy, based on a mixture of hypothesis and data driven ap ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/50879
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/50879
ND
50879
Εναλλακτικός τίτλος
Interdisciplinary data science methods using machine learning for enhanced knowledge acquisition
Συγγραφέας
Κουκάρας, Παρασκευάς του Στέφανος
Ημερομηνία
2021
Ίδρυμα
Διεθνές Πανεπιστήμιο της Ελλάδας. Σχολή Επιστήμης και Τεχνολογίας. Τμήμα Επιστήμης και Τεχνολογίας
Εξεταστική επιτροπή
Τζώρτζης Χρήστος
Μποζάνης Παναγιώτης
Κατσαλιάκη Κορίνα
Ευαγγελίδης Γεώργιος
Τσαπάρας Παναγιώτης
Δεναξάς Σπυρίδων
Ιωαννίδης Δημοσθένης
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Επιστήμη ηλεκτρονικών υπολογιστών και Πληροφορική, άλλοι τομείς
Λέξεις-κλειδιά
Συσταδοποίηση; Προβλέψεις; Κανόνες συσχέτισης; Βελτιστοποίηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)