Πρόβλεψη δημοτικότητας ειδήσεων στα κοινωνικά δίκτυα μέσω μοντέλων μηχανικής μάθησης

Μανδηλαρά, Ιωάννα; Mandilara, Ioanna

dc.contributor.author	Μανδηλαρά, Ιωάννα	el
dc.contributor.author	Mandilara, Ioanna	en
dc.date.accessioned	2020-01-21T08:57:16Z
dc.date.available	2020-01-21T08:57:16Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49687
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17385
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Παλινδρόμηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Κοινωνικά δίκτυα	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Δέντρα απόφασης	el
dc.subject	Machine learning	en
dc.subject	Regression	en
dc.subject	Neural networks	en
dc.subject	Boosted decision trees	en
dc.subject	Social media	en
dc.title	Πρόβλεψη δημοτικότητας ειδήσεων στα κοινωνικά δίκτυα μέσω μοντέλων μηχανικής μάθησης	el
dc.title	Prediction of News Popularity at social media using machine learning models	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-30
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως στόχο την ανάδειξη της Μηχανικής Μάθησης, καθώς πρόκειται για έναν κλάδο που αναπτύσσεται διαρκώς και αποτελεί ένα νέο πεδίο ενδιαφέροντος σε διάφορους τομείς της επιστήμης. Η αφθονία περιεχομένου που δίνουν τα τελευταία χρόνια τα κοινωνικά δίκτυα μπορεί να χρησιμοποιηθεί κατάλληλα στον τομέα της Μηχανικής Μάθησης. Στην συγκεκριμένη πτυχιακή εργασία παρουσιάζονται μοντέλα παλινδρόμησης με την βοήθεια των αλγορίθμων μηχανικής μάθησης. Κατασκευάζονται γραμμικά και μη γραμμικά μοντέλα με μεθόδους ενδυνάμωσης με την βοήθεια δέντρων απόφασης και νευρωνικά δίκτυα. Το σύνολο δεδομένων προς επεξεργασία αποτελείται από ειδήσεις για 4 διαφορετικά θέματα και την δημοτικότητα τους στα κοινωνικά δίκτυα Facebook, LinkedIn και Google+. Για την επεξεργασία των δεδομένων χρησιμοποιήθηκε η γλώσσα προγραμματισμού ‘Python’ και οι αντίστοιχες βιβλιοθήκες της για την κατασκευή κάθε μοντέλου. Πραγματοποιείται επεξεργασία στο σύνολο δεδομένων πριν την δημιουργία μοντέλων μηχανικής μάθησης ώστε να είναι κατάλληλα για χρήση. Μελετώντας τους αλγορίθμους μηχανικής μάθησης, αναλύεται η διαδικασία επιλογής των παραμέτρων κάθε μοντέλου με σκοπό την δημιουργία ενός αποδοτικού μοντέλου. Ακολουθεί η σύγκριση των μοντέλων μηχανικής μάθησης ώστε εξαχθούν τα ανάλογα συμπεράσματα. Βασιζόμενοι στα συμπεράσματα που προκύπτουν γίνεται έλεγχος γενίκευσης του μοντέλου σε ειδήσεις με διαφορετικό θέμα.	el
heal.abstract	This diploma thesis aims to promote machine learning, as it is a field that is constantly developing and is a new field of interest in various fields of science. The abundance of content of social networks can be used appropriately in the field of machine learning. In this thesis, regression models are presented with the help of machine learning algorithms. Linear and nonlinear models are created with boosting methods, where as weak learners used decision trees and neural networks. The dataset to be processed consists of news about 4 different topics and their feedback on social platforms Facebook, LinkedIn and Google +. The programming language ‘Python’ and its respective libraries for the construction of each model were used to process the data. The dataset is processed before the creation of machine learning models to be suitable for use. Studying the algorithms of machine learning, the process of selecting the parameters of each model is analyzed in order to create an efficient model. Following is a comparison of the machine learning models to draw the appropriate conclusions. Based on the resulting conclusions, the model's generalization is checked in news with a different topic.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος
heal.advisorName	Kousouris, Konstantinos
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος
heal.committeeMemberName	Τσιπολίτης, Γεώργιος
heal.committeeMemberName	Τζαμαριουδάκη, Αικατερίνη
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	108 σ.
heal.fullTextAvailability	false