GraKeL: μία βιβλιοθήκη για πυρήνες γράφων

Σιγλίδης, Ιωάννης; Siglidis, Ioannis

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