Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/26014
Author: Βαϊτσούδης, Λάζαρος
Title: Μηχανική μάθηση και εξόρυξη δεδομένων στα κοινωνικά δίκτυα
Date Issued: 2021
Department: Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα
Supervisor: Ιωαννίδης, Δημήτριος
Abstract: Η παρούσα διπλωματική εργασία στοχεύει στη μελέτη των κοινωνικών δικτύων καθώς και στο πεδίο εφαρμογής τους σε διάφορες πτυχές της καθημερινότητας μας. Η εργασία έχει χωριστεί σε δύο μέρη, το θεωρητικό και το πρακτικό κομμάτι. Στο πρώτο μέρος γίνεται αναφορά σε έννοιες που εξηγούν τι είναι τα κοινωνικά δίκτυα, ποια η διαφορά τους με τα μέσα κοινωνικής δικτύωσης (Facebook, Twitter, LinkedIn) καθώς και που βρίσκουν εφαρμογή. Επίσης, γίνεται αναφορά σε βασικές έννοιες που αξίζει να μελετηθούν πάνω στα κοινωνικά δίκτυα, όπως είναι οι τριάδες, η εγγύτητα, η πυκνότητα, η κεντρικότητα και η ενδιαμεσότητα ενός κοινωνικού δικτύου. Στη συνέχεια παρουσιάζονται οι τρόποι με τους οποίους μπορεί να οπτικοποιηθεί ένα κοινωνικό δίκτυο καθώς και τους τύπους δικτύων που υπάρχουν. Τέλος, εξηγείται τι είναι η μηχανική μάθηση, οι τύποι μηχανικής μάθησης που υπάρχουν καθώς και μερικοί από τους πιο δημοφιλείς αλγορίθμους που χρησιμοποιούνται στον τομέα την ανάλυσης δεδομένων. Στο δεύτερος μέρος παρουσιάζεται μια έρευνα με γνώμονα το θεωρητικό μέρος της εργασίας όπου βρίσκει εφαρμογή σε ένα κοινωνικό δίκτυο μεταγραφών στις ομάδες της Εθνικής Ομοσπονδίας Καλαθοσφαίρισης (NBA). Γίνεται χρήση της μηχανικής μάθησης (με επίβλεψη) με τους αλγόριθμους του ‘κοντινότερου γείτονα’ (KNN algorithm) και της ‘γραμμικής παλινδρόμησης. Τέλος παρουσιάζεται ολόκληρη η ανάλυση του κοινωνικού δικτύου καθώς και ο κώδικας που χρησιμοποιήθηκε.
Keywords: Κοινωνικά δίκτυα
Μέσα κοινωνικής δικτύωσης
Μηχανική μάθηση
Εξόρυξη δεδομένων
Ανάλυση δεδομένων
Ανάλυση κοινωνικών δικτύων
Python
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2021.
Appears in Collections:ΔΠΜΣ Πληροφοριακά Συστήματα (M)

Files in This Item:
File Description SizeFormat 
VaitsoudisLazarosMsc2019.pdf5.33 MBAdobe PDFView/Open


Items in Psepheda are protected by copyright, with all rights reserved, unless otherwise indicated.