dc.contributor.author |
Σιγλίδης, Ιωάννης
|
el |
dc.contributor.author |
Siglidis, Ioannis
|
en |
dc.date.accessioned |
2019-03-15T10:01:19Z |
|
dc.date.available |
2019-03-15T10:01:19Z |
|
dc.date.issued |
2019-03-15 |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/48447 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.15957 |
|
dc.rights |
Default License |
|
dc.subject |
Πυρήνες γράφων |
el |
dc.subject |
Εξόρυξη δεδομένων |
el |
dc.subject |
Ομοιότητα γράφων |
el |
dc.subject |
Βιοπληροφορική |
el |
dc.subject |
Βιβλιοθήκη python |
el |
dc.title |
GraKeL: μία βιβλιοθήκη για πυρήνες γράφων |
el |
dc.title |
GraKeL: a library for graph kernels |
en |
heal.type |
bachelorThesis |
|
heal.classification |
Επιστήμη υπολογιστών/Πληροφορική |
el |
heal.classificationURI |
http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb |
|
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2018-10-18 |
|
heal.abstract |
Το πρόβλημα ακριβούς μέτρησης της ομοιότητας μεταξύ δεδομένων που έχουν αναπαρασταθεί
με τη μορφή γράφων βρίσκεται στο κέντρο πολλών εφαρμογών σε ένα μεγάλο εύρος επιστημονικών
και τεχνολογικών κλάδων. Λόγω της πολυωνυμικής υπολογιστικής πολυπλοκότητας
και της θεμελιώδους θεωρητικής τους βάσης, οι πυρήνες γράφων έχουν εμφανιστεί ως μία
ελπιδοφόρα προσσέγγιση στην αντιμετώπιση αυτού του προβλήματος. Εστιάζοντας σε διαφορετικά
δομικά χαρακτηρηστικά των γράφων, μπορούν στην πολυμορφία τους να παρέχουν μία
λύση αιχμής σε ένα πλήθος εφαρμογών του πραγματικού κόσμου. Σε αυτήν την διπλωματική
παρουσιάζουμε την ανάπτυξη του GraKeL, μίας βιβλιοθήκης που ενοποιεί μία ικανή ποσότητα
σημαντικών πυρήνων γράφων της υπάρχουσας βιβλιογραφίας σε μία κοινή αντικειμενοστρεφή
δομή. Η βιβλιοθήκη είναι υλοποιημένη σε γλώσσα προγραμματισμού Python και είναι κατασκευασμένη
βάσει του προτύπου της βιβλιοθήκης scikit-learn. Είναι εύκολη στη χρήση και
μπορεί να συνδυαστεί φυσικά με υπολογιστικά αντικείμενα του ίδιου του scikit-learn για να
σχηματίσει μία πλήρη ακολουθία εφαρμογών μηχανικής μάθησης, για προβλήματα όπως αυτά
της ταξινόμησης και της συσταδοποίησης γράφων.
Παρέχεται με άδεια BSD και μπορεί να βρεθεί στη διεύθυνση: https://github.com/ysig/
GraKeL. |
el |
heal.abstract |
The problem of accurately measuring the similarity between graphs is at the core of many
applications in a variety of disciplines. Because of their polynomial complexity and their
fundamental theoretical foundation, graph kernels have recently emerged as a promising
approach to this problem. By focusing on di erent structural aspects of graphs, in their
diversity they can provide state of the art solutions to real world applications. In this
thesis, we present the development of GraKeL, a library that uni es a su cient amount of
in uential graph kernels into a common object-oriented framework. The library is written
in Python programming language and is build on top of the scikit-learn project template.
It is simple to use and can be naturally combined with scikit-learn's modules to build a
complete machine learning pipeline for tasks such as graph classi cation and clustering.
It is BSD licensed and can be found at: https://github.com/ysig/GraKeL. |
en |
heal.advisorName |
Σταφυλοπάτης, Ανδρέας Γεώργιος |
el |
heal.committeeMemberName |
Στάμου, Γιώργος |
el |
heal.committeeMemberName |
Βαζιργιάννης, Μιχάλης |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
118 σ. |
|
heal.fullTextAvailability |
true |
|