Ανάλυση και εφαρμογές μηχανικής μάθησης σε δεδομένα εκπαιδευτικών οικοσυστημάτων

Γκουβάτσου, Χριστίνα Αικατερίνη; Gouvatsou, Christina Aikaterini

dc.contributor.author	Γκουβάτσου, Χριστίνα Αικατερίνη	el
dc.contributor.author	Gouvatsou, Christina Aikaterini	en
dc.date.accessioned	2024-05-13T08:17:29Z
dc.date.available	2024-05-13T08:17:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59325
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27021
dc.rights	Default License
dc.subject	Exploratory	en
dc.subject	Ανάλυση	el
dc.subject	Supervised	en
dc.subject	Classification	en
dc.subject	Features	en
dc.subject	Bouncerate	en
dc.subject	Ταξινόμηση	el
dc.subject	Επιβλεπόμενη	el
dc.subject	Μεταβλητές	el
dc.subject	Εγκατάλειψη	el
dc.title	Ανάλυση και εφαρμογές μηχανικής μάθησης σε δεδομένα εκπαιδευτικών οικοσυστημάτων	el
dc.title	Data analysis and machine learning applications on virtual learning ecosystem data	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.classification	Data Science	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-14
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάλυση και μελέτη δεδομένων Web Analytics που προκύπτουν από την χρήση του εκπαιδευτικού οικοσυστήματος Up2University (Up2U). Το εκπαιδευτικό αυτό ψηφιακό οικοσύστημα (Virtual Learning Environment) δη- μιουργήθηκε στα πλαίσια ενός ευρωπαϊκού ερευνητικού προγράμματος με στόχο την αποτε- λεσματικότερη προετοιμασία των μαθητών για την τριτοβάθμια εκπαίδευση, και η δομή του βασίστηκε στις αρχές του Next Generation Digital Learning Environment (NGDLE). Τα δεδομένα αφορούν το στιγμιότυπο (e-Service) που δημιουργήθηκε για σχολεία της Πολωνίας που συμμετείχαν στο πρόγραμμα και συλλέχθηκαν από το ανοιχτό λογισμικό συλλογής Web Analytics το Matomo κατά την περίοδο 8 Νοεμβρίου 2019 έως 25 Μαρτίου 2021 σε ακατέργαστη μορφή. Επομένως, ήταν απαραίτητη η πλήρης κατανόηση των μεταβλητών και των τιμών τους, ο ενδελεχής καθαρισμός τους από θόρυβο, η αποκατάσταση των ελλιπών τιμών και η δημιουργία κατάλληλων πινάκων. Για την αντιμετώπιση των ελλιπών τιμών έγινε χρήση της Επιβλεπόμενης Μεθόδου Μηχανικής Μάθησης k-Πλησιέστερων Γειτόνων (kNN). Η ανάλυση πραγματοποιήθηκε σε όλο το σύνολο δεδομένων, με το ενδιαφέρον της περι- γραφικής και διευρευνητικής ανάλυσης να επικεντρώνεται στη χρήση της πλατφόρμας κατά τη διάρκεια των κυμάτων της πανδημίας Covid-19 και της υποχρεωτικής τηλεκπαίδευσης, και στο το πώς αυτό επηρέασε τις μετρικές που αφορούν τους επισκέπτες (Visitor Type), τη δραστηριότητα (Activity Metrics) και τη μετρική Bounce Rate(%). Στη συνέχεια, για τη μετρική Bounce Rate(%) εφαρμόζονται τα μοντέλα ταξινόμησης Logistic Regression, Random Forest, Gradient Boosting, XGBoost, SVM ώστε να αξιολογηθούν και να συγκριθούν ως προς την ικανότητά τους να κάνουν προβλέψεις και να ταξινομούν τη μετρική Bounce Rate(%) σε Low Bounce Rate και High Bounce Rate. Τα μοντέλα εκπαιδεύονται πρώτα με όλες τις μεταβλητές στο σύνολο δεδομένων σε baseline μορφή, εν συνεχεία με εφαρμο- γή της μεθόδου διαδοχικής απαλοιφής μεταβλητών Recursive Feature Elimination (RFE), και τέλος ερμηνεύεται η σημαντικότητα των μεταβλητών για τις δύο περιπτώσεις για την καλύτερη κατανόηση των μοντέλων.	el
heal.advisorName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Μάγκλαρης, Βασίλειος	el
heal.committeeMemberName	Γραμματικού, Μαίρη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false