Προηγμένες τεχνικές μηχανικής μάθησης για πρόβλεψη και ταξινόμηση με χρήση συναισθηματικής ανάλυσης και ενεργής μάθησης

Περίληψη

Η παρούσα διδακτορική διατριβή εστιάζει στη διερεύνηση τεχνικών Μηχανικής Μάθησης οι οποίες αξιοποιούν την Ανάλυση Συναισθήματος και την Ενεργή Μάθηση, με κεντρικό στόχο τη βελτίωση υπαρχουσών, αποδοτικών μεθόδων. Τα ζητήματα που εξετάζονται μπορούν να διακριθούν σε δύο βασικές ενότητες. Η πρώτη ενότητα εστιάζει στη χρήση της Ανάλυσης Συναισθήματος σε οικονομικές εφαρμογές. Αρχικά, μελετάται η πρόβλεψη οικονομικών χρονοσειρών αξιοποιώντας δεδομένα από τα μέσα κοινωνικής δικτύωσης και συγκεκριμένα από το Twitter, προκειμένου να αποτυπωθεί και να εκτιμηθεί η άποψη της κοινής γνώμης. Για το σκοπό αυτό, σχεδιάστηκαν δύο εκτεταμένες πειραματικές διαδικασίες: η πρώτη βασίζεται κυρίως σε κλασικές μεθόδους Μηχανικής Μάθησης, ενώ η δεύτερη σε τεχνικές Βαθιάς Μάθησης. Και στις δύο περιπτώσεις, διερευνάται τόσο η απόδοση πλήθους αλγορίθμων όσο και η επίδραση διαφορετικών προσεγγίσεων συναισθηματικής αποτίμησης (TextBlob,VADER, FinBERT). Τα ευρήματα αναδεικνύουν τη θετική συμβολή της Συναισθηματικ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This doctoral dissertation focuses on exploring Machine Learning techniques that incomporate Sentiment Analysis and Active Learning, with the primary goal of enhancing existing, efficient methods. The issues addressed are grouped into two main sections. In the first section, we concentrate on the use of Sentiment Analysis in financial domain applications. Initially, we investigate the scenario of stock market forecasting by utilizing data from social networks—specifically Twitter—to capture and assess public opinion. To this end, two extensive experimental procedures were designed: the first relies primarily on classical Machine Learning methods, whereas the second employs Deep Learning techniques. In both cases, we examine not only the performance of multiple algorithms but also the effect of different sentiment configurations (TextBlob, VADER, FinBERT). The findings highlight the positive contribution of Sentiment Analysis to improving economic forecasts. Subsequently, the study focu ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 1/2026)
DOI
10.12681/eadd/59690
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/59690
ND
59690
Εναλλακτικός τίτλος
Advanced machine learning techniques for prediction and classification using sentiment analysis and active learning
Συγγραφέας
Καρανικόλα, Αικατερίνη (Πατρώνυμο: Χρήστος)
Ημερομηνία
2025
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Θετικών Επιστημών. Τμήμα Μαθηματικών
Εξεταστική επιτροπή
Κωτσιαντής Σωτήριος
Γράψα Θεοδούλα
Καββαδίας Δημήτριος
Βερύκιος Βασίλειος
Καλλ΄ές Δημήτριος
Μακρής Χρήστος
Σγάρμπας Κυριάκος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Φυσικές ΕπιστήμεςΜαθηματικά ➨ Υπολογιστικά μαθηματικά
Λέξεις-κλειδιά
Μηχανική μάθηση; Ανάλυση συναισθήματος; Ενεργή μάθηση; Πρόβλεψη χρονοσειρών; Κατηγοριοποίηση κειμένου
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.