Μέθοδοι επιβλεπόμενης μάθησης με εφαρμογή σε προβλήματα 
χρήσης του διαδικτύου από εφήβους

Γεωργίου, Σπυρίδων; Georgiou, Spyridon

dc.contributor.author	Γεωργίου, Σπυρίδων	el
dc.contributor.author	Georgiou, Spyridon	en
dc.date.accessioned	2023-01-16T10:38:09Z
dc.date.available	2023-01-16T10:38:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56715
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24413
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Εφαρμοσμένες Μαθηματικές Επιστήμες”	el
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	Στατιστική μάθηση	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Παλινδρόμηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Statistical Learning	en
dc.subject	Machine Learning	en
dc.subject	Supervised learning	en
dc.subject	Regression	en
dc.subject	Classification	en
dc.title	Μέθοδοι επιβλεπόμενης μάθησης με εφαρμογή σε προβλήματα χρήσης του διαδικτύου από εφήβους	el
dc.title	Supervised Learning Methods with Application to Adolescents' Problematic Use of the Internet	en
heal.type	masterThesis
heal.classification	Μαθηματικά	el
heal.classification	Στατιστική	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Mathematics	en
heal.classification	Statistics	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-26
heal.abstract	Σκοπός της παρούσας διατριβής είναι η περιγραφή και σύγκριση μοντέλων επιβλεπόμενης μάθησης σε δεδομένα που αφορούν την χρήση του διαδικτύου και των μέσων κοινωνικής δικτύωσης από εφήβους σε μια ευρωπαϊκή χώρα. Τα μοντέλα που δημιουργήθηκαν από τα δεδομένα αυτά αφορούσαν 2 διαφορετικά προβλήματα, ένα πρόβλημα παλινδρόμησης για την εύρεση του βαθμού εθισμού ενός εφήβου στο διαδίκτυο και ένα πρόβλημα ταξινόμησης των εφήβων σε κατηγορίες ανάλογα αν θα επιδιώξουν επαφή με αγνώστους στο διαδίκτυο. Στο πρώτο πρόβλημα χρησιμοποιήθηκαν το πολλαπλό γραμμικό μοντέλο, οι ποινικοποιημένες μέθοδοι Ridge και Lasso για την πολλαπλή γραμμική παλινδρόμηση, τα δέντρα παλινδρόμησης και τα Boosting δέντρα παλινδρόμησης. Με την χρήση μετρικών για την αξιολόγηση της προβλεπτικής ικανότητας, ως επικρατέστερο μοντέλο προέκυψε το μοντέλο των Boosting δέντρων παλινδρόμησης, με τις μεταβλητές του μοντέλου αυτού που αφορούν τα προβλήματα εξωτερίκευσης, εσωτερίκευσης και την ηλικία πρώτης χρήσης του διαδικτύου να είναι οι σημαντικότερες για την πρόβλεψη του βαθμού εθισμού των εφήβων στο διαδίκτυο. Για την περίπτωση του προβλήματος ταξινόμησης χρησιμοποιήθηκε η πολλαπλή λογιστική παλινδρόμηση, οι ποινικοποιημένες μέθοδοι Ridge και Lasso για την λογιστική παλινδρόμηση, τα δέντρα ταξινόμησης και τα Boosting δέντρα ταξινόμησης. Επικρατέστερο σε αυτό το πρόβλημα ήταν το μοντέλο της λογιστικής παλινδρόμησης με την ποινή Lasso, όπου οι μεταβλητές που αφορούν τον βαθμό εθισμού στο διαδίκτυο, τα προβλήματα εξωτερίκευσης και την ηλικία πρώτης χρήσης του διαδικτύου να είναι οι σημαντικότερες για τον προσδιορισμό της επιδίωξης του εφήβου να έρθει σε επαφή με κάποιον άγνωστο στο διαδίκτυο. Τέλος με βάση τα παραπάνω, γίνεται πρόταση συμπλήρωσης του ερωτηματολογίου για μελλοντική έρευνα με περισσότερα ερωτήματα συμπεριφορικής ταξινόμησης και χρήσης αναλυτικότερων στοιχείων για την χρήση του διαδικτύου, μιας και η σημασία τους φαίνεται να είναι κρισιμότερη στον προσδιορισμό ερωτημάτων που σχετίζονται με την συμπεριφορά των εφήβων στο διαδίκτυο και τα μέσα κοινωνικής δικτύωσης.	el
heal.abstract	The purpose of this dissertation is to describe and compare supervised learning methods on a dataset about the usage of Internet and social networks by adolescents in a European country. The models created from this dataset dealt with two different problems: one regression problem for finding the adolescents’ Internet addiction score and one problem about the classification of adolescents in relation to their meeting strangers online. For the first problem the methods that were used were Multiple Linear Regression, Penalized Ridge and Lasso Linear Regression, Regression Trees and also Boosting Regression Trees. By using various metrics for evaluating the predictive ability, the model with the greatest success was the Boosting Regression Trees, with the variables concerning externalizing problems, internalizing problems and the age of first Internet usage being the most important for predicting the adolescents Internet addiction score. For the case of the classification problem, the methods that were used were Multiple Logistic Regression, Penalized Ridge and Lasso Logistic Regression, Classification Trees and also Boosting Classification Trees. In this case, the model with the greatest success was the Penalized Lasso Logistic Regression, with the variables concerning Internet addiction score, externalizing problems and the age of first Internet usage, being the most important for predicting an adolescent’s contact with strangers online. Finally, based on the findings, a proposal is made for future research in adding more questions to the questionnaire, related to behavioral classification and the use of the Internet, since their importance is crucial for answering questions about adolescents’ Internet and social media behavior.	en
heal.advisorName	Καρώνη, Χρυσηΐς	el
heal.advisorName	Caroni, Chrysseis	en
heal.committeeMemberName	Παπανικολάου, Βασίλης	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Papanikolaou, Vasilis	en
heal.committeeMemberName	Stefaneas, Petros	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	159 σ.	el
heal.fullTextAvailability	false