Έρευνα και επισκόπηση αλγορίθμων μηχανικής μάθησης για πολλαπλή κατηγοριοποίηση με χρήση του εργαλείου Weka και εφαρμογή στην εκπαίδευση

Μήτρου, Γεώργιος

dc.contributor.advisor	Μυλωνάς, Φοίβος
dc.contributor.author	Μήτρου, Γεώργιος
dc.date.accessioned	2023-02-24T06:44:27Z
dc.date.available	2023-02-24T06:44:27Z
dc.date.issued	2023-02-06
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/3740
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-3580
dc.description.abstract	Η παρούσα διπλωματική εργασία προσεγγίζει ένα θέμα που απασχολεί την ερευνητική κοινότητα, την εφαρμογή αλγορίθμων μηχανικής μάθησης στην εκπαίδευση. Γίνεται εφαρμογή τεχνικών και μεθόδων από το πεδίο της μηχανικής μάθησης με στόχο την πρόβλεψη της απόδοσης των μαθητών, στόχος που επιπλέον παρουσιάζει ενδιαφέρον για την εκπαιδευτική και τη μαθητική κοινότητα. Αρχικά, γίνεται μια καταγραφή του επιστημονικού πεδίου της μηχανικής μάθησης παρουσιάζοντας και τα τρία είδη μηχανικής μάθησης, τη μάθηση με επίβλεψη, τη μάθηση χωρίς επίβλεψη και τη μάθηση με ενίσχυση. Πραγματοποιήθηκε εκτενέστερη αναφορά στη μάθηση με επίβλεψη και ειδικότερα στους σημαντικότερους αλγορίθμους κατηγοριοποίησης – ταξινόμησης (classification) που παρουσιάστηκαν αναλυτικά. Καταγράφονται προηγούμενες έρευνες που δείχνουν ότι η χρήση αλγορίθμων κατηγοριοποίησης υλοποιείται για την πρόβλεψη της απόδοσης των μαθητών, αλλά και για άλλους μαθησιακούς στόχους με ποικίλα ποσοστά επιτυχίας. Στη συνέχεια γίνεται παρουσίαση του λογισμικού εξόρυξης γνώσης Weka, που αποτελεί ένα δημοφιλές εργαλείο έρευνας και εφαρμογής αλγορίθμων μηχανικής μάθησης. Οι αλγόριθμοι του Weka εκπαιδεύτηκαν σε ένα σύνολο εκπαιδευτικών δεδομένων που αντλήθηκε από το Διαδίκτυο. Τα δεδομένα χωρίστηκαν σε 2 και σε 5 κλάσεις και εκτελέστηκαν οι αλγόριθμοι κατηγοριοποίησης. Σύμφωνα με τα αποτελέσματα των πειραμάτων οι μέθοδοι κατηγοριοποίησης μπορούν να εφαρμοστούν επιτυχώς, καθώς η απόδοση τους κυμάνθηκε από 80% έως 95% περίπου.	el
dc.format.extent	101	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Κατηγοριοποίηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Πρόβλεψη	el
dc.subject	Απόδοση μαθητών	el
dc.subject	Weka	el
dc.title	Έρευνα και επισκόπηση αλγορίθμων μηχανικής μάθησης για πολλαπλή κατηγοριοποίηση με χρήση του εργαλείου Weka και εφαρμογή στην εκπαίδευση	el
dc.title.alternative	Research and overview of machine learning algorithms for multiple classification using the Weka tool and application in education	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Βογιατζής, Ιωάννης
dc.contributor.committee	Troussas, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.contributor.master	Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων	el
dc.description.abstracttranslated	This diploma thesis approaches a topic that concerns the research community, the application of machine learning algorithms in education. Techniques and methods from the field of machine learning are applied with the aim of predicting student performance, a goal that is also of interest to the educational and student community. First, an overview of the scientific field of machine learning is given, presenting all three types of machine learning, supervised learning, unsupervised learning, and reinforcement learning. A more extensive reference was made to supervised learning and in particular to the most important classification algorithms that were presented in detail. Previous research is documented showing that the use of categorization algorithms is implemented to predict student performance, but also for other learning objectives with varying success rates. Weka data mining software is then presented, which is a popular tool for research and application of machine learning algorithms. Weka's algorithms were trained on a training data set from the Internet. The data were divided into 2 and 5 classes and the classification algorithms were performed. According to the results of the experiments, the classification methods can be applied successfully, as their performance ranged from 80% to 95% approximately.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Mitrou_21014.pdf
Μέγεθος:: 2.543Mb
Τύπος:: PDF
Περιγραφή:: Μεταπτυχιακή εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Μεταπτυχιακές διπλωματικές εργασίες - Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Προηγμένες Τεχνολογίες Υπολογιστικών Συστημάτων

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές