SlideShare a Scribd company logo
1 of 44
ΑΝΑΠΤΥΞΗ ΤΕΧΝΙΚΩΝ ΕΞΑΤΟΜΙΚΕΥΣΗΣ ΤΩΝ
ΔΙΕΠΑΦΩΝ ΚΑΙ ΠΡΟΒΟΛΩΝ ΗΛΕΚΤΡΟΝΙΚΟΥ
ΚΑΤΑΣΤΗΜΑΤΟΣ ΚΑΝΟΝΤΑΣ ΧΡΗΣΗ
ΑΝΑΛΥΣΗΣ ΕΝΔΙΑΦΕΡΟΝΤΩΝ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ
ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΩΝ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ
Μανιάδης Μεταξάς Ιωάννης
AEM 7472
Επιβλέποντες:
Επίκουρος Καθηγητής κ. Συμεωνίδης Ανδρέας
Μεταδιδακτορικός ερευνητής κ. Βαβλιάκης Κωνσταντίνος
Εισαγωγή
Την τελευταία δεκαετία παρατηρείται:
 Αύξηση εμπορικής δραστηριότητας μέσω
ίντερνετ
 Αύξηση υπολογιστικής ισχύος διαθέσιμης με
μικρότερο κόστος
 Αύξηση της τάσης για καταγραφή των
ανθρώπινων δραστηριοτήτων (Big Data)
Εισαγωγή
Την τελευταία δεκαετία παρατηρείται:
 Αύξηση εμπορικής δραστηριότητας μέσω
ίντερνετ
 Αύξηση υπολογιστικής ισχύος διαθέσιμης με
μικρότερο κόστος
 Αύξηση της τάσης για καταγραφή των
ανθρώπινων δραστηριοτήτων (Big Data)
Web Personalization
Ανάλυση των προφίλ των
επισκεπτών και προσαρμογή
της ιστοσελίδας σε αυτούς
Πιο σύνηθης μέθοδος: Recommender Systems
Συστήματα που χρησιμοποιούν γνωστά δεδομένα για να κάνουν
εξατομικευμένες προτάσεις ως προς κάθε επισκέπτη για το περιεχόμενο ή/και
την δομή της ιστοσελίδας
Κάνουν χρήση αλγορίθμων μηχανικής εκμάθησης για την εξαγωγή
συμπερασμάτων και την υλοποίηση προβλέψεων/προτάσεων
Εισαγωγή
Την τελευταία δεκαετία παρατηρείται:
 Αύξηση εμπορικής δραστηριότητας μέσω
ίντερνετ
 Αύξηση υπολογιστικής ισχύος διαθέσιμης με
μικρότερο κόστος
 Αύξηση της τάσης για καταγραφή των
ανθρώπινων δραστηριοτήτων (Big Data)
Web Personalization
Ανάλυση των προφίλ των
επισκεπτών και προσαρμογή
της ιστοσελίδας σε αυτούς
Εισαγωγή
Βασικά σημεία της εργασίας
 Αξιοποίηση ανώνυμων δεδομένων από πραγματικό e-shop (www.pharm24.gr)
 Στόχος η αξιοποίηση των δεδομένων για την υλοποίηση ιεραρχημένων προβλέψεων
για τα μελλοντικά ενδιαφέροντα των επισκεπτών
 Οι προβλέψεις θα αξιοποιούνται για να επιλέγονται banner για 30 θέσεις της
αρχικής σελίδας του e-shop
 Το σύστημα θα τηρεί περιορισμούς χρόνου και υλικού που θέτει το κατάστημα
Δομή της εργασίας
 Τα δεδομένα υπόκεινται σε επεξεργασία με πρωτότυπη ως προς την βιβλιογραφία
μεθοδολογία
 Εφαρμόζονται τεχνικές ομαδοποίησης και μείωσης διαστάσεων για να περιοριστεί ο
όγκος τους και οι απαιτήσεις τους από άποψη υλικού
 Δοκιμάζονται διαφορετικοί αλγόριθμοι μηχανικής εκμάθησης, με παραμέτρους που
προκύπτουν από πειράματα ώστε να πληρούν τους περιορισμούς
 Συγκρίνονται τα αποτελέσματα για να επιλεχθεί η βέλτιστη λύση
Εισαγωγή
Στάδιο 1: Προεπεξεργασία
Διαθέσιμα δεδομένα:
 Ένα Unique ID για κάθε επισκέπτη
 Τις σελίδες που επισκέφτηκε και πότε (pageviews)
 Τις αγορές που έκανε και πότε (αγορές)
 Τα tags κάθε προϊόντος και σελίδας του e-shop
 Τις ιεραρχικές δενδρικές σχέσεις 3 επιπέδων μεταξύ κάποιων εκ των tags
Στάδιο 1: Προεπεξεργασία
Στάδιο 1: Προεπεξεργασία
Διαθέσιμα δεδομένα:
 Ένα Unique ID για κάθε επισκέπτη
 Τις σελίδες που επισκέφτηκε και πότε (pageviews)
 Τις αγορές που έκανε και πότε (αγορές)
 Τα tags κάθε προϊόντος και σελίδας του e-shop
 Τις ιεραρχικές δενδρικές σχέσεις 3 επιπέδων μεταξύ κάποιων εκ των tags
Βήμα 1: Χωρίζουμε τις κινήσεις σε sessions
Ένα session περιλαμβάνει όλες τις δράσεις ενός χρήστη που απέχουν από άλλες 2
ώρες
Στάδιο 1: Προεπεξεργασία
Στάδιο 1: Προεπεξεργασία
Βήμα 2: Ορίζουμε το ενδιαφέρον (συσχέτιση) κάθε επισκέπτη για κάθε tag για το
ιστορικό του και για τα επιμέρους sessions του
 Υπολογίζουμε τον Μ.Ο. των pageviews και των πωλήσεων για κάθε session για κάθε
tag, πολλαπλασιάζοντας αυτό των πωλήσεων με 5
 Προσθέτουμε με συντελεστές 2/3 και 4/9 τις συσχετίσεις tag κατώτερης κατηγορίας
στις συσχετίσεις των ανώτερών τους κατά 1 ή 2 επίπεδα αντίστοιχα
 Υπολογίζουμε των Μ. Ο. τους και αθροίζουμε τους συντελεστές αυτούς για το
σύνολο των προηγούμενων sessions του επισκέπτη (τιμές ιστορικού) και για το
τελευταίο session (τιμές session)
 Αντιστοιχίζουμε κάθε session στο αντίστοιχο ιστορικό του επισκέπτη
Στάδιο 1: Προεπεξεργασία
Στάδιο 1: Προεπεξεργασία
Προκύπτει έτσι η παρακάτω διαμόρφωση των δεδομένων
 Σε κάθε session και στο ιστορικό που του αντιστοιχεί δίνονται τιμές που
υποδεικνύουν ενδιαφέρον για κάθε tag με τιμές 0 έως 6
 Στόχος είναι γνωρίζοντας το ιστορικό του επισκέπτη (input) να προβλέπουμε με
επιτυχία την ιεράρχηση των ενδιαφερόντων του στο επόμενο session (output)
 Επιλέγουμε να αξιοποιήσουμε δεδομένα 3 μηνών για το στάδιο της εκπαίδευσης
(training) και 1 μήνα για το στάδιο των δοκιμών (testing)
Στάδιο 1: Προεπεξεργασία
Στάδιο 1: Προεπεξεργασία
Βήμα 3: Μείωση Tags
 Αφαιρούμε τα tags για τα οποία δεν εντοπίζεται ενδιαφέρον
 Αθροίζουμε τις συσχετίσεις για κάθε tag και προκύπτει το παρακάτω αποτέλεσμα
 Βάσει του παραπάνω επιλέγουμε αυθαίρετα να κρατήσουμε μόνο τα 500 ισχυρότερα
tags για τα Ιστορικά και τα Sessions
Στάδιο 1: Προεπεξεργασία
Στάδιο 1: Προεπεξεργασία
Βήμα 4: Επιχειρούμε επιπλέον μείωση του όγκου των δεδομένων
 Δοκιμάζουμε τεχνικές clustering του πακέτου cluster ως προς τα tags και ως προς τους
επισκέπτες
 Οι ομαδοποιήσεις είτε εμφάνισαν μεγάλη συγκέντρωση στις μεγαλύτερες ομάδες,
είτε ξεπέρασαν τα όρια μνήμης που έχουν τεθεί
 Καταλήγουμε σε χρήση PCA όταν χρειάζεται μείωση διαστάσεων
Στάδιο 1: Προεπεξεργασία
Στάδιο 2: Ορισμός Κριτηρίων
Στόχος είναι να προβλέπονται ιεραρχημένα τα 30 tags που θα
ενδιαφέρουν περισσότερο κάθε χρήστη στην επόμενή του επίσκεψη
Περιορισμοί και συνθήκες πειραμάτων
 Μας διατίθεται σύστημα με 16GB RAM και 2 υπολογιστικά threads
 Πρέπει να εκπαιδεύονται recommenders για τα 500 tags κάθε μήνα και να υλοποιούν
έγκαιρα προβλέψεις για όλους τους επισκέπτες
 Θα γίνουν πειράματα μόνο σε αντιπροσωπευτικό δείγμα 200 tags από το σύνολο των
500
Με βάση τα παραπάνω ορίζουμε τα κριτήρια αξιολόγησης των
αποτελεσμάτων των πειραμάτων
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 1: Average Inclusion of Purchases
 Για κάθε session υπολογίζουμε το ποσοστό των tags που αγοράστηκαν, που
συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος
 Ορίζουμε το Κριτήριο 1 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό
εξέταση sessions για κάθε αλγόριθμο
Στάδιο 2: Ορισμός Κριτηρίων
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 1: Average Inclusion of Purchases
 Για κάθε session υπολογίζουμε το ποσοστό των tags που αγοράστηκαν, που
συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος
 Ορίζουμε το Κριτήριο 1 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό
εξέταση sessions για κάθε αλγόριθμο
Κριτήριο 2: Average Correct Tag Inclusion
 Για κάθε session υπολογίζουμε το ποσοστό των tags που ανήκουν στα 30 (ή λιγότερα)
tags για τα οποία έδειξε το μεγαλύτερο ενδιαφέρον ο επισκέπτης και που
συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος
 Ορίζουμε το Κριτήριο 2 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό
εξέταση sessions για κάθε αλγόριθμο
Στάδιο 2: Ορισμός Κριτηρίων
Στάδιο 2: Ορισμός ΚριτηρίωνΣτάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 3: Hierarchy Evaluation
Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει
τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε
Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε
session:
Στάδιο 2: Ορισμός Κριτηρίων
Το σφάλμα υπάρχει όσο ένα tag τοποθετείται σε θέση χαμηλότερη
από αυτή που έπρεπε και είναι ανάλογο αυτής της διαφοράς
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 3: Hierarchy Evaluation
Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει
τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε
Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε
session:
Στάδιο 2: Ορισμός Κριτηρίων
Όσο πιο σημαντική (πιο κοντά στο 1) είναι η
Σωστή Θέση ενός tag, τόσο μειώνεται η
Cerror, άρα μεγαλώνει το σφάλμα
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 3: Hierarchy Evaluation
Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει
τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε
Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε
session:
Στάδιο 2: Ορισμός Κριτηρίων
ΘΠ=Θέση Πρόβλεψης
Αν ΘΠ ≤ 30,
f=ΘΠ
Αλλιώς
f=ΘΠ+Cpos(30-ΘΠ)
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 3: Hierarchy Evaluation
Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει
τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε
Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε
session:
Στάδιο 2: Ορισμός Κριτηρίων
 Υπολογίζουμε τον Μ. Ο. των σφαλμάτων σε κάθε session
 Υπολογίζουμε τον Μ. Ο. της μετρικής μεταξύ των session
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 3: Hierarchy Evaluation
Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει
τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε
Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε
session:
Στάδιο 2: Ορισμός Κριτηρίων
Κριτήριο 4: Minimum Success Average
Το ποσοστό των sessions που συμπεριλήφθη σωστά στις προτάσεις του
συστήματος τουλάχιστον ένα tag
Κριτήριο 5: Top 10 Inclusion Rate
Το ποσοστό των sessions στα οποία πραγματοποιήθηκαν αγορές, για τα οποία
τουλάχιστον ένα από τα tags που αγοράστηκαν συμπεριλήφθηκε στις 10 πρώτες
προτάσεις του συστήματος
Κριτήριο 6: False Negatives Per Tag
Το ποσοστό των περιπτώσεων για κάθε tag που θα έπρεπε να είναι στις προτάσεις
του συστήματος αλλά έχει απορριφθεί
Στάδιο 2: Ορισμός Κριτηρίων
Στάδιο 3: Περιγραφή Πειραμάτων
 Οι παράμετροι των αλγορίθμων προέκυψαν με διαδοχικά πειράματα με 10 tags,
αντιπροσωπευτικά του συνόλου των 200 που θα μας απασχολήσουν, ώστε να μην
υπερβαίνονται οι περιορισμοί χρόνου και υλικού
 Όταν οι μεταβλητές εισόδου είναι λιγότερες από 500, σημαίνει ότι εφαρμόστηκε PCA
για την μείωσή τους
 Έχουν εξαχθεί στα πλαίσια της εργασίας αποτελέσματα που αφορούν τα πειράματα
με το σύνολο των 200 tags και με τα 100 πιο δημοφιλή από αυτά, αλλά δεν θα
συμπεριληφθούν στην παρουσίαση για λόγους χώρου και χρόνου
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 1: Fuzzy Recommenders
 Δοκιμάστηκαν διαφορετικές εκδοχές Fuzzy Recommenders του πακέτου frbs
 Ο χρόνος που απαιτούσε η υλοποίηση προβλέψεων ήταν απαγορευτικός
 Δοκιμάστηκαν μέθοδοι clustering, PCA και προβλέψεων σε δύο στάδια αλλά
απέτυχαν
 Η οικογένεια αλγορίθμων Fuzzy Recommenders απορρίφθηκε
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 2: Artificial Neural Networks (ANN)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Σε όλες τις περιπτώσεις έχουμε 1 κρυφό layer
Βήματα Νευρώνες
Μήνες
Δειγμάτων
Μεταβλητές
Εισόδου
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
ΑΝΝ.1 2000 1 1 500 0.5003 0.134 15.467 0.8812 0.9416
ΑΝΝ.2 800 5 1 500 0.4548 0.1266 16.3361 0.8717 0.9404
ΑΝΝ.3 400 1 3 500 0.5304 0.1402 15.0031 0.8948 0.9355
ΑΝΝ.4 200 5 3 500 0.4498 0.1276 16.4557 0.8666 0.9343
ANN.5 3000 10 1 150 0.4910 0.1314 15.803 0.8847 0.9470
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 2: Artificial Neural Networks (ANN)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Σε όλες τις περιπτώσεις έχουμε 1 κρυφό layer
Βήματα Νευρώνες
Μήνες
Δειγμάτων
Μεταβλητές
Εισόδου
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
ΑΝΝ.1 2000 1 1 500 0.5003 0.134 15.467 0.8812 0.9416
ΑΝΝ.2 800 5 1 500 0.4548 0.1266 16.3361 0.8717 0.9404
ΑΝΝ.3 400 1 3 500 0.5304 0.1402 15.0031 0.8948 0.9355
ΑΝΝ.4 200 5 3 500 0.4498 0.1276 16.4557 0.8666 0.9343
ANN.5 3000 10 1 150 0.4910 0.1314 15.803 0.8847 0.9470
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 3: Random Forest (RF)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Δέντρα
Μήνες
Δειγμάτων
Μεταβλητές
Εισόδου
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
RF.1 250 1 100 0.5743 0.1505 13.6726 0.8996 0.9608
RF.2 500 1 50 0.579 0.1520 13.5386 0.9005 0.9614
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 3: Random Forest (RF)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Δέντρα
Μήνες
Δειγμάτων
Μεταβλητές
Εισόδου
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
RF.1 250 1 100 0.5743 0.1505 13.6726 0.8996 0.9608
RF.2 500 1 50 0.579 0.1520 13.5386 0.9005 0.9614
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 4: Tree Recommender (TR)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Μήνες
Δειγμάτων
Μεταβλητές
Εισόδου
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
TR.1 1 500 0.5482 0.1493 13.4499 0.9057 0.9592
TR.2 3 500 0.5477 0.1496 13.6361 0.906 0.9575
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Πείραμα 5: Collaborative Filtering (CF)
Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα
Μήνες Δειγμάτων
Μεταβλητές
Εισόδου
Μέθοδος Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
CF.1 1 500 UBCF 0.2491 0.0629 29.0284 0.5454 0.6791
Στάδιο 3: Περιγραφή Πειραμάτων
Στάδιο 3: Περιγραφή Πειραμάτων
Μεθοδολογίες Benchmarks
Χρησιμοποιούμε τις μεθόδους «Popular» και «User Pref» ως κριτήρια βάσης για την
απόδοση του συστήματος
Popular: Τα tags προτείνονται σε όλους τους επισκέπτες ανάλογα με την συνολική
δημοφιλία τους
User Pref: Τα tags προτείνονται στους επισκέπτες αρχικά ανάλογα με την προτίμηση
που τους έχουν δείξει ιστορικά και έπειτα ανάλογα με την συνολική
δημοφιλία τους
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Popular 0.2643 0.0534 29.9446 0.4537 0.7265
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533
Στάδιο 3: Περιγραφή Πειραμάτων
Συγκρίνουμε τους καλύτερους αλγορίθμους, συμπεριλαμβάνοντας 2 μετρικές χρόνου
α) τον χρόνο ανά tag που απαιτεί κάθε μέθοδος για να εκπαιδευτεί και να κάνει
προβλέψεις (Χρόνος Μεθόδου Ανά Tag)
β) τον χρόνο που απαιτεί κάθε μέθοδος για να κάνει μια ολοκληρωμένη
πρόταση για έναν χρήστη για το σύνολο των 500 tags (Χρόνος Πρόβλεψης)
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest
2. Ο αλγόριθμος Collaborative Filtering αποδίδει ιδιαίτερα άσχημα
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest
2. Ο αλγόριθμος Collaborative Filtering αποδίδει ιδιαίτερα άσχημα
3. Εκτός του CF οι άλλοι αλγόριθμοι αποδίδουν πολλοί καλύτερα από τις μεθόδους που
Χρησιμοποιούμε ως benchmarks
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
4. Όλοι οι αλγόριθμοι που δοκιμάσαμε είναι αρκετά κάτω από χρονικό όριο που μας
τέθηκε (Χρόνος Μεθόδου Ανά Tag < 1.44 h)
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5
Χρόνος
Μεθόδου
Ανά Tag (h)
Χρόνος
Πρόβλεψης
(ms)
Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4
User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2
CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496
TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5
RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181
ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5
5. Ο μικρός χρόνος υλοποίησης προβλέψεων είναι τέτοιος που να επιτρέπει
ενδεχομένως την εφαρμογή του συστήματος και σε real time συνθήκες
4. Όλοι οι αλγόριθμοι που δοκιμάσαμε είναι αρκετά κάτω από χρονικό όριο που μας
τέθηκε (Χρόνος Μεθόδου Ανά Tag < 1.44 h)
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
Συμπεράσματα
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
6. Είναι σαφές από τα διαγράμματα του κριτηρίου 6 για κάθε αλγόριθμο καθώς και
συγκρίνοντας τα αποτελέσματα για προβλέψεις με 100 και 200 tags στο κείμενο της
εργασίας ότι η ποιότητα των προβλέψεων πέφτει όσο λιγότερο δημοφιλές είναι κάποιο
tag
Συμπεράσματα
6. Είναι σαφές από τα διαγράμματα του κριτηρίου 6 για κάθε αλγόριθμο καθώς και
συγκρίνοντας τα αποτελέσματα για προβλέψεις με 100 και 200 tags στο κείμενο της
εργασίας ότι η ποιότητα των προβλέψεων πέφτει όσο λιγότερο δημοφιλές είναι κάποιο
tag
7. Εντύπωση προκαλεί ότι οι δενδροειδείς αλγόριθμοι αποδίδουν καλύτερα από αυτούς
των νευρωνικών δικτύων
Στάδιο 4: Σύγκριση Αποτελεσμάτων &
Συμπεράσματα
 Επεξεργαστήκαμε πραγματικά δεδομένα του pharm24 με έναν πρωτότυπο
τρόπο, εφαρμόζοντας τεχνικές μείωσης του όγκου τους
 Δοκιμάσαμε διαφορετικούς αλγορίθμους μηχανικής εκμάθησης υπό
συγκεκριμένους περιορισμούς χρόνου και υλικού
 Προτείναμε μετρικές οι οποίες θεωρούμε ότι αξιολογούν ικανοποιητικά
το σύστημα
 Συγκρίναμε τα αποτελέσματα και επιλέξαμε αλγόριθμο που απέδωσε
αρκετά ικανοποιητικά ώστε να προτείνουμε την εφαρμογή του
Ανακεφαλαίωση
Προτάσεις για Επέκταση & Ανοιχτά Θέματα
 Να εφαρμοστούν στα ίδια δεδομένα άλλες αντίστοιχες μέθοδοι που
εμφανίζονται στην βιβλιογραφία και να συγκριθούν
 Να δοκιμαστεί η εισαγωγή ενός συντελεστή χρόνου στο στάδιο της
προεπεξεργασίας των δεδομένων
 Να δοκιμαστεί η παραμετροποίηση των αλγορίθμων με δυναμικό τρόπο
 Να εφαρμοστεί το σύστημα στο e-shop σε περιορισμένη κλίμακα
 Να εξεταστεί κατά πόσο μπορεί να εφαρμοστεί σε πραγματικό χρόνο
Ευχαριστίες
Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με
την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν
Θα ήθελα να ευχαριστήσω
Ευχαριστίες
Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με
την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν
Θα ήθελα να ευχαριστήσω
Την οικογένεια και φίλους/ες μου που με στήριξαν και ήταν δίπλα μου στην
διαδικασία συγγραφής αυτής της εργασίας και όχι μόνο
Όλους/ες εσάς για την προσοχή σας
Ευχαριστίες
Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με
την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν
Θα ήθελα να ευχαριστήσω
Την οικογένεια και φίλους/ες μου που με στήριξαν και ήταν δίπλα μου στην
διαδικασία συγγραφής αυτής της εργασίας και όχι μόνο
Maniadis Ioannis

More Related Content

Similar to Maniadis Ioannis

ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...
ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...
ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...ISSEL
 
Understanding the importance of demographic background for the website aesth...
Understanding the importance of demographic background  for the website aesth...Understanding the importance of demographic background  for the website aesth...
Understanding the importance of demographic background for the website aesth...ISSEL
 
Narlis Eystratios
Narlis EystratiosNarlis Eystratios
Narlis EystratiosISSEL
 
Αλεξάνδρα Μπαλτζή 7485
Αλεξάνδρα Μπαλτζή 7485Αλεξάνδρα Μπαλτζή 7485
Αλεξάνδρα Μπαλτζή 7485ISSEL
 
Ιωάννη Α. Ζαφειρίου
Ιωάννη Α. ΖαφειρίουΙωάννη Α. Ζαφειρίου
Ιωάννη Α. ΖαφειρίουISSEL
 
System Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeSystem Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeISSEL
 
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...ISSEL
 
Κλέαρχος Θωμόπουλος 7435
Κλέαρχος Θωμόπουλος 7435Κλέαρχος Θωμόπουλος 7435
Κλέαρχος Θωμόπουλος 7435ISSEL
 
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...ISSEL
 
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEMTOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEMISSEL
 
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...ISSEL
 
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...ISSEL
 
Data Mining from World Bank and Fitch
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and FitchIlias Georgousis
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...ISSEL
 
Antonia Tsalla
Antonia TsallaAntonia Tsalla
Antonia TsallaISSEL
 
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...URENIO Research Unit
 
Μαρία Κωτούζα 7714
Μαρία Κωτούζα 7714Μαρία Κωτούζα 7714
Μαρία Κωτούζα 7714ISSEL
 
Gougousis Dimitris: Development of an automated machine learning system for p...
Gougousis Dimitris: Development of an automated machine learning system for p...Gougousis Dimitris: Development of an automated machine learning system for p...
Gougousis Dimitris: Development of an automated machine learning system for p...Manos Tsardoulias
 

Similar to Maniadis Ioannis (20)

ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...
ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...
ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΔΗΜΟΓΡΑΦΙΚ...
 
Understanding the importance of demographic background for the website aesth...
Understanding the importance of demographic background  for the website aesth...Understanding the importance of demographic background  for the website aesth...
Understanding the importance of demographic background for the website aesth...
 
Narlis Eystratios
Narlis EystratiosNarlis Eystratios
Narlis Eystratios
 
Αλεξάνδρα Μπαλτζή 7485
Αλεξάνδρα Μπαλτζή 7485Αλεξάνδρα Μπαλτζή 7485
Αλεξάνδρα Μπαλτζή 7485
 
ThesisPresentation
ThesisPresentationThesisPresentation
ThesisPresentation
 
Ιωάννη Α. Ζαφειρίου
Ιωάννη Α. ΖαφειρίουΙωάννη Α. Ζαφειρίου
Ιωάννη Α. Ζαφειρίου
 
System Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeSystem Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source Code
 
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
 
Κλέαρχος Θωμόπουλος 7435
Κλέαρχος Θωμόπουλος 7435Κλέαρχος Θωμόπουλος 7435
Κλέαρχος Θωμόπουλος 7435
 
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
 
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEMTOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
 
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...
Συνεχής έμμεση αυθεντικοποίηση χρηστών κινητού τηλεφώνου με συνδυασμό των δεδ...
 
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρ...
 
Data Mining from World Bank and Fitch
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and Fitch
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
 
Στατιστική Επεξεργασία με SPSS
Στατιστική Επεξεργασία με SPSSΣτατιστική Επεξεργασία με SPSS
Στατιστική Επεξεργασία με SPSS
 
Antonia Tsalla
Antonia TsallaAntonia Tsalla
Antonia Tsalla
 
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
 
Μαρία Κωτούζα 7714
Μαρία Κωτούζα 7714Μαρία Κωτούζα 7714
Μαρία Κωτούζα 7714
 
Gougousis Dimitris: Development of an automated machine learning system for p...
Gougousis Dimitris: Development of an automated machine learning system for p...Gougousis Dimitris: Development of an automated machine learning system for p...
Gougousis Dimitris: Development of an automated machine learning system for p...
 

More from ISSEL

Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...ISSEL
 
Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...ISSEL
 
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...ISSEL
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...ISSEL
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...ISSEL
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςISSEL
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxISSEL
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...ISSEL
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...ISSEL
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...ISSEL
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνISSEL
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταISSEL
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...ISSEL
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ISSEL
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...ISSEL
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούISSEL
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςISSEL
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsISSEL
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...ISSEL
 
Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...ISSEL
 

More from ISSEL (20)

Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...
 
Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...
 
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environments
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
 
Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...
 

Recently uploaded

2023-24 ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf
2023-24 ΠΡΟΓΡΑΜΜΑ  ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf2023-24 ΠΡΟΓΡΑΜΜΑ  ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf
2023-24 ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf56ο Γυμνάσιο Αθήνας
 
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptx
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptxΚαρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptx
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptxLampriniMagaliou
 
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptx
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptxΚαρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptx
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptxLampriniMagaliou
 
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptx
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptxLouisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptx
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptxLampriniMagaliou
 
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptx
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptxΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptx
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptxLampriniMagaliou
 
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptx
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptxΜάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptx
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptxLampriniMagaliou
 
Νιωθω ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docx
Νιωθω  ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docxΝιωθω  ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docx
Νιωθω ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docxΟΛΓΑ ΤΣΕΧΕΛΙΔΟΥ
 
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdf
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdfΘέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdf
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdfathinadimi
 
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptx
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptxΕλένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptx
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptxLampriniMagaliou
 
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptx
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptxΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptx
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptxLampriniMagaliou
 

Recently uploaded (20)

YlhBiologyB-2324.pdf. SchoolYear:2023-2024
YlhBiologyB-2324.pdf. SchoolYear:2023-2024YlhBiologyB-2324.pdf. SchoolYear:2023-2024
YlhBiologyB-2324.pdf. SchoolYear:2023-2024
 
YlhTexnologiasC-2324.pdf. SchoolYear: 2023-24
YlhTexnologiasC-2324.pdf. SchoolYear: 2023-24YlhTexnologiasC-2324.pdf. SchoolYear: 2023-24
YlhTexnologiasC-2324.pdf. SchoolYear: 2023-24
 
YlhChemistryB-2324.pdf SchoolYear: 2023-2024
YlhChemistryB-2324.pdf SchoolYear: 2023-2024YlhChemistryB-2324.pdf SchoolYear: 2023-2024
YlhChemistryB-2324.pdf SchoolYear: 2023-2024
 
YlhPhysicsA-2324.pdf. School year: 2023-2024
YlhPhysicsA-2324.pdf. School year: 2023-2024YlhPhysicsA-2324.pdf. School year: 2023-2024
YlhPhysicsA-2324.pdf. School year: 2023-2024
 
YlhEnglishA-2324.pdf. 56th Junior High School of Athens.
YlhEnglishA-2324.pdf. 56th Junior High School of Athens.YlhEnglishA-2324.pdf. 56th Junior High School of Athens.
YlhEnglishA-2324.pdf. 56th Junior High School of Athens.
 
YlhPhysicsC-2324.pdf. School year: 2023-2024
YlhPhysicsC-2324.pdf. School year: 2023-2024YlhPhysicsC-2324.pdf. School year: 2023-2024
YlhPhysicsC-2324.pdf. School year: 2023-2024
 
2023-24 ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf
2023-24 ΠΡΟΓΡΑΜΜΑ  ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf2023-24 ΠΡΟΓΡΑΜΜΑ  ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf
2023-24 ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΝΙΟΥ-F2xlsx.pdf
 
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptx
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptxΚαρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptx
Καρόλου Ντίκενς, ΟΛΙΒΕΡ ΤΟΥΙΣΤ_ Παρουσίαση της Γερμανίδου Δήμητρας.pptx
 
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptx
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptxΚαρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptx
Καρλ Λιούις, Η Αλίκη στη χώρα των θαυμάτων_ ΓΡΗΓΟΡΙΑΔΟΥ ΑΝΘΗ_Παρουσίαση.pptx
 
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptx
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptxLouisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptx
Louisa May Alcott, ΟΙ ΜΙΚΡΕΣ ΚΥΡΙΕΣ_ Τσαρτσαρή Ελισάβετ.pptx
 
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptx
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptxΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptx
ΣΤΕΡΓΙΟΥΔΗ ΧΡΙΣΤΙΝΑ-ΒΑΣΙΛΙΚΗ, Ο Άγιος Παΐσιος_Βιβλ-ση.pptx
 
YlhChemistryC-2324.pdfSchoolYear: 2023-2024
YlhChemistryC-2324.pdfSchoolYear: 2023-2024YlhChemistryC-2324.pdfSchoolYear: 2023-2024
YlhChemistryC-2324.pdfSchoolYear: 2023-2024
 
YlhBiologyA-2324.pdf SchoolYear: 2023-2024
YlhBiologyA-2324.pdf SchoolYear: 2023-2024YlhBiologyA-2324.pdf SchoolYear: 2023-2024
YlhBiologyA-2324.pdf SchoolYear: 2023-2024
 
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptx
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptxΜάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptx
Μάνος Κοντολέων, ΤΑ ΦΑΝΤΑΣΜΑΤΑ ΤΗΣ ΣΟΦΙΤΑΣ_ Μπουσμαλή Ευπραξία.pptx
 
Νιωθω ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docx
Νιωθω  ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docxΝιωθω  ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docx
Νιωθω ένα συναίσθημα/ΔΟΜΗ ΔΙΔΑΚΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ 2023.docxΤΣΕ.docx
 
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdf
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdfΘέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdf
Θέματα και Απαντήσεις - Νεοελληνική Γλώσσα 2024.pdf
 
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptx
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptxΕλένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptx
Ελένη Καλία & Κατερίνα Πολύζου , ΤΟ ΧΟΡΟΣΤΑΣΙ ΤΗΣ ΓΗΣ.pptx
 
YlhBiologyC-2324.pdf SchoolYear: 2023-2024
YlhBiologyC-2324.pdf SchoolYear: 2023-2024YlhBiologyC-2324.pdf SchoolYear: 2023-2024
YlhBiologyC-2324.pdf SchoolYear: 2023-2024
 
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptx
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptxΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptx
ΕΡΝΕΣΤ ΧΕΜΙΝΓΟΥΕΪ, Ο ΓΕΡΟΣ ΚΑΙ Η ΘΑΛΑΣΣΑ _ ΜΠΑΡΜΠΑ ΓΕΩΡΓΙΑ.pptx
 
YlhComputerScienceC-2324.pdf. SchoolYear: 2023-2024
YlhComputerScienceC-2324.pdf. SchoolYear: 2023-2024YlhComputerScienceC-2324.pdf. SchoolYear: 2023-2024
YlhComputerScienceC-2324.pdf. SchoolYear: 2023-2024
 

Maniadis Ioannis

  • 1. ΑΝΑΠΤΥΞΗ ΤΕΧΝΙΚΩΝ ΕΞΑΤΟΜΙΚΕΥΣΗΣ ΤΩΝ ΔΙΕΠΑΦΩΝ ΚΑΙ ΠΡΟΒΟΛΩΝ ΗΛΕΚΤΡΟΝΙΚΟΥ ΚΑΤΑΣΤΗΜΑΤΟΣ ΚΑΝΟΝΤΑΣ ΧΡΗΣΗ ΑΝΑΛΥΣΗΣ ΕΝΔΙΑΦΕΡΟΝΤΩΝ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΩΝ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ Μανιάδης Μεταξάς Ιωάννης AEM 7472 Επιβλέποντες: Επίκουρος Καθηγητής κ. Συμεωνίδης Ανδρέας Μεταδιδακτορικός ερευνητής κ. Βαβλιάκης Κωνσταντίνος
  • 2. Εισαγωγή Την τελευταία δεκαετία παρατηρείται:  Αύξηση εμπορικής δραστηριότητας μέσω ίντερνετ  Αύξηση υπολογιστικής ισχύος διαθέσιμης με μικρότερο κόστος  Αύξηση της τάσης για καταγραφή των ανθρώπινων δραστηριοτήτων (Big Data)
  • 3. Εισαγωγή Την τελευταία δεκαετία παρατηρείται:  Αύξηση εμπορικής δραστηριότητας μέσω ίντερνετ  Αύξηση υπολογιστικής ισχύος διαθέσιμης με μικρότερο κόστος  Αύξηση της τάσης για καταγραφή των ανθρώπινων δραστηριοτήτων (Big Data) Web Personalization Ανάλυση των προφίλ των επισκεπτών και προσαρμογή της ιστοσελίδας σε αυτούς
  • 4. Πιο σύνηθης μέθοδος: Recommender Systems Συστήματα που χρησιμοποιούν γνωστά δεδομένα για να κάνουν εξατομικευμένες προτάσεις ως προς κάθε επισκέπτη για το περιεχόμενο ή/και την δομή της ιστοσελίδας Κάνουν χρήση αλγορίθμων μηχανικής εκμάθησης για την εξαγωγή συμπερασμάτων και την υλοποίηση προβλέψεων/προτάσεων Εισαγωγή Την τελευταία δεκαετία παρατηρείται:  Αύξηση εμπορικής δραστηριότητας μέσω ίντερνετ  Αύξηση υπολογιστικής ισχύος διαθέσιμης με μικρότερο κόστος  Αύξηση της τάσης για καταγραφή των ανθρώπινων δραστηριοτήτων (Big Data) Web Personalization Ανάλυση των προφίλ των επισκεπτών και προσαρμογή της ιστοσελίδας σε αυτούς
  • 5. Εισαγωγή Βασικά σημεία της εργασίας  Αξιοποίηση ανώνυμων δεδομένων από πραγματικό e-shop (www.pharm24.gr)  Στόχος η αξιοποίηση των δεδομένων για την υλοποίηση ιεραρχημένων προβλέψεων για τα μελλοντικά ενδιαφέροντα των επισκεπτών  Οι προβλέψεις θα αξιοποιούνται για να επιλέγονται banner για 30 θέσεις της αρχικής σελίδας του e-shop  Το σύστημα θα τηρεί περιορισμούς χρόνου και υλικού που θέτει το κατάστημα
  • 6. Δομή της εργασίας  Τα δεδομένα υπόκεινται σε επεξεργασία με πρωτότυπη ως προς την βιβλιογραφία μεθοδολογία  Εφαρμόζονται τεχνικές ομαδοποίησης και μείωσης διαστάσεων για να περιοριστεί ο όγκος τους και οι απαιτήσεις τους από άποψη υλικού  Δοκιμάζονται διαφορετικοί αλγόριθμοι μηχανικής εκμάθησης, με παραμέτρους που προκύπτουν από πειράματα ώστε να πληρούν τους περιορισμούς  Συγκρίνονται τα αποτελέσματα για να επιλεχθεί η βέλτιστη λύση Εισαγωγή
  • 7. Στάδιο 1: Προεπεξεργασία Διαθέσιμα δεδομένα:  Ένα Unique ID για κάθε επισκέπτη  Τις σελίδες που επισκέφτηκε και πότε (pageviews)  Τις αγορές που έκανε και πότε (αγορές)  Τα tags κάθε προϊόντος και σελίδας του e-shop  Τις ιεραρχικές δενδρικές σχέσεις 3 επιπέδων μεταξύ κάποιων εκ των tags Στάδιο 1: Προεπεξεργασία
  • 8. Στάδιο 1: Προεπεξεργασία Διαθέσιμα δεδομένα:  Ένα Unique ID για κάθε επισκέπτη  Τις σελίδες που επισκέφτηκε και πότε (pageviews)  Τις αγορές που έκανε και πότε (αγορές)  Τα tags κάθε προϊόντος και σελίδας του e-shop  Τις ιεραρχικές δενδρικές σχέσεις 3 επιπέδων μεταξύ κάποιων εκ των tags Βήμα 1: Χωρίζουμε τις κινήσεις σε sessions Ένα session περιλαμβάνει όλες τις δράσεις ενός χρήστη που απέχουν από άλλες 2 ώρες Στάδιο 1: Προεπεξεργασία
  • 9. Στάδιο 1: Προεπεξεργασία Βήμα 2: Ορίζουμε το ενδιαφέρον (συσχέτιση) κάθε επισκέπτη για κάθε tag για το ιστορικό του και για τα επιμέρους sessions του  Υπολογίζουμε τον Μ.Ο. των pageviews και των πωλήσεων για κάθε session για κάθε tag, πολλαπλασιάζοντας αυτό των πωλήσεων με 5  Προσθέτουμε με συντελεστές 2/3 και 4/9 τις συσχετίσεις tag κατώτερης κατηγορίας στις συσχετίσεις των ανώτερών τους κατά 1 ή 2 επίπεδα αντίστοιχα  Υπολογίζουμε των Μ. Ο. τους και αθροίζουμε τους συντελεστές αυτούς για το σύνολο των προηγούμενων sessions του επισκέπτη (τιμές ιστορικού) και για το τελευταίο session (τιμές session)  Αντιστοιχίζουμε κάθε session στο αντίστοιχο ιστορικό του επισκέπτη Στάδιο 1: Προεπεξεργασία
  • 10. Στάδιο 1: Προεπεξεργασία Προκύπτει έτσι η παρακάτω διαμόρφωση των δεδομένων  Σε κάθε session και στο ιστορικό που του αντιστοιχεί δίνονται τιμές που υποδεικνύουν ενδιαφέρον για κάθε tag με τιμές 0 έως 6  Στόχος είναι γνωρίζοντας το ιστορικό του επισκέπτη (input) να προβλέπουμε με επιτυχία την ιεράρχηση των ενδιαφερόντων του στο επόμενο session (output)  Επιλέγουμε να αξιοποιήσουμε δεδομένα 3 μηνών για το στάδιο της εκπαίδευσης (training) και 1 μήνα για το στάδιο των δοκιμών (testing) Στάδιο 1: Προεπεξεργασία
  • 11. Στάδιο 1: Προεπεξεργασία Βήμα 3: Μείωση Tags  Αφαιρούμε τα tags για τα οποία δεν εντοπίζεται ενδιαφέρον  Αθροίζουμε τις συσχετίσεις για κάθε tag και προκύπτει το παρακάτω αποτέλεσμα  Βάσει του παραπάνω επιλέγουμε αυθαίρετα να κρατήσουμε μόνο τα 500 ισχυρότερα tags για τα Ιστορικά και τα Sessions Στάδιο 1: Προεπεξεργασία
  • 12. Στάδιο 1: Προεπεξεργασία Βήμα 4: Επιχειρούμε επιπλέον μείωση του όγκου των δεδομένων  Δοκιμάζουμε τεχνικές clustering του πακέτου cluster ως προς τα tags και ως προς τους επισκέπτες  Οι ομαδοποιήσεις είτε εμφάνισαν μεγάλη συγκέντρωση στις μεγαλύτερες ομάδες, είτε ξεπέρασαν τα όρια μνήμης που έχουν τεθεί  Καταλήγουμε σε χρήση PCA όταν χρειάζεται μείωση διαστάσεων Στάδιο 1: Προεπεξεργασία
  • 13. Στάδιο 2: Ορισμός Κριτηρίων Στόχος είναι να προβλέπονται ιεραρχημένα τα 30 tags που θα ενδιαφέρουν περισσότερο κάθε χρήστη στην επόμενή του επίσκεψη Περιορισμοί και συνθήκες πειραμάτων  Μας διατίθεται σύστημα με 16GB RAM και 2 υπολογιστικά threads  Πρέπει να εκπαιδεύονται recommenders για τα 500 tags κάθε μήνα και να υλοποιούν έγκαιρα προβλέψεις για όλους τους επισκέπτες  Θα γίνουν πειράματα μόνο σε αντιπροσωπευτικό δείγμα 200 tags από το σύνολο των 500 Με βάση τα παραπάνω ορίζουμε τα κριτήρια αξιολόγησης των αποτελεσμάτων των πειραμάτων
  • 14. Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 1: Average Inclusion of Purchases  Για κάθε session υπολογίζουμε το ποσοστό των tags που αγοράστηκαν, που συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος  Ορίζουμε το Κριτήριο 1 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό εξέταση sessions για κάθε αλγόριθμο Στάδιο 2: Ορισμός Κριτηρίων
  • 15. Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 1: Average Inclusion of Purchases  Για κάθε session υπολογίζουμε το ποσοστό των tags που αγοράστηκαν, που συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος  Ορίζουμε το Κριτήριο 1 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό εξέταση sessions για κάθε αλγόριθμο Κριτήριο 2: Average Correct Tag Inclusion  Για κάθε session υπολογίζουμε το ποσοστό των tags που ανήκουν στα 30 (ή λιγότερα) tags για τα οποία έδειξε το μεγαλύτερο ενδιαφέρον ο επισκέπτης και που συμπεριλήφθηκαν στις 30 προτάσεις του συστήματος  Ορίζουμε το Κριτήριο 2 ως τον Μ. Ο. των ποσοστών αυτών για το σύνολο των υπό εξέταση sessions για κάθε αλγόριθμο Στάδιο 2: Ορισμός Κριτηρίων
  • 16. Στάδιο 2: Ορισμός ΚριτηρίωνΣτάδιο 2: Ορισμός Κριτηρίων Κριτήριο 3: Hierarchy Evaluation Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε session:
  • 17. Στάδιο 2: Ορισμός Κριτηρίων Το σφάλμα υπάρχει όσο ένα tag τοποθετείται σε θέση χαμηλότερη από αυτή που έπρεπε και είναι ανάλογο αυτής της διαφοράς Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 3: Hierarchy Evaluation Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε session:
  • 18. Στάδιο 2: Ορισμός Κριτηρίων Όσο πιο σημαντική (πιο κοντά στο 1) είναι η Σωστή Θέση ενός tag, τόσο μειώνεται η Cerror, άρα μεγαλώνει το σφάλμα Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 3: Hierarchy Evaluation Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε session:
  • 19. Στάδιο 2: Ορισμός Κριτηρίων ΘΠ=Θέση Πρόβλεψης Αν ΘΠ ≤ 30, f=ΘΠ Αλλιώς f=ΘΠ+Cpos(30-ΘΠ) Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 3: Hierarchy Evaluation Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε session:
  • 20. Στάδιο 2: Ορισμός Κριτηρίων  Υπολογίζουμε τον Μ. Ο. των σφαλμάτων σε κάθε session  Υπολογίζουμε τον Μ. Ο. της μετρικής μεταξύ των session Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 3: Hierarchy Evaluation Σφάλμα υπάρχει μόνο όταν ένα tag που έπρεπε να είναι στις 30 προβλέψεις έχει τοποθετηθεί σε θέση χαμηλότερη από αυτή που έπρεπε Τύπος υπολογισμού της μετρικής για κάθε tag i που ταξινομείται λάθος, σε κάθε session:
  • 21. Στάδιο 2: Ορισμός Κριτηρίων Κριτήριο 4: Minimum Success Average Το ποσοστό των sessions που συμπεριλήφθη σωστά στις προτάσεις του συστήματος τουλάχιστον ένα tag Κριτήριο 5: Top 10 Inclusion Rate Το ποσοστό των sessions στα οποία πραγματοποιήθηκαν αγορές, για τα οποία τουλάχιστον ένα από τα tags που αγοράστηκαν συμπεριλήφθηκε στις 10 πρώτες προτάσεις του συστήματος Κριτήριο 6: False Negatives Per Tag Το ποσοστό των περιπτώσεων για κάθε tag που θα έπρεπε να είναι στις προτάσεις του συστήματος αλλά έχει απορριφθεί Στάδιο 2: Ορισμός Κριτηρίων
  • 22. Στάδιο 3: Περιγραφή Πειραμάτων  Οι παράμετροι των αλγορίθμων προέκυψαν με διαδοχικά πειράματα με 10 tags, αντιπροσωπευτικά του συνόλου των 200 που θα μας απασχολήσουν, ώστε να μην υπερβαίνονται οι περιορισμοί χρόνου και υλικού  Όταν οι μεταβλητές εισόδου είναι λιγότερες από 500, σημαίνει ότι εφαρμόστηκε PCA για την μείωσή τους  Έχουν εξαχθεί στα πλαίσια της εργασίας αποτελέσματα που αφορούν τα πειράματα με το σύνολο των 200 tags και με τα 100 πιο δημοφιλή από αυτά, αλλά δεν θα συμπεριληφθούν στην παρουσίαση για λόγους χώρου και χρόνου
  • 23. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 1: Fuzzy Recommenders  Δοκιμάστηκαν διαφορετικές εκδοχές Fuzzy Recommenders του πακέτου frbs  Ο χρόνος που απαιτούσε η υλοποίηση προβλέψεων ήταν απαγορευτικός  Δοκιμάστηκαν μέθοδοι clustering, PCA και προβλέψεων σε δύο στάδια αλλά απέτυχαν  Η οικογένεια αλγορίθμων Fuzzy Recommenders απορρίφθηκε Στάδιο 3: Περιγραφή Πειραμάτων
  • 24. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 2: Artificial Neural Networks (ANN) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Σε όλες τις περιπτώσεις έχουμε 1 κρυφό layer Βήματα Νευρώνες Μήνες Δειγμάτων Μεταβλητές Εισόδου Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 ΑΝΝ.1 2000 1 1 500 0.5003 0.134 15.467 0.8812 0.9416 ΑΝΝ.2 800 5 1 500 0.4548 0.1266 16.3361 0.8717 0.9404 ΑΝΝ.3 400 1 3 500 0.5304 0.1402 15.0031 0.8948 0.9355 ΑΝΝ.4 200 5 3 500 0.4498 0.1276 16.4557 0.8666 0.9343 ANN.5 3000 10 1 150 0.4910 0.1314 15.803 0.8847 0.9470 Στάδιο 3: Περιγραφή Πειραμάτων
  • 25. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 2: Artificial Neural Networks (ANN) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Σε όλες τις περιπτώσεις έχουμε 1 κρυφό layer Βήματα Νευρώνες Μήνες Δειγμάτων Μεταβλητές Εισόδου Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 ΑΝΝ.1 2000 1 1 500 0.5003 0.134 15.467 0.8812 0.9416 ΑΝΝ.2 800 5 1 500 0.4548 0.1266 16.3361 0.8717 0.9404 ΑΝΝ.3 400 1 3 500 0.5304 0.1402 15.0031 0.8948 0.9355 ΑΝΝ.4 200 5 3 500 0.4498 0.1276 16.4557 0.8666 0.9343 ANN.5 3000 10 1 150 0.4910 0.1314 15.803 0.8847 0.9470 Στάδιο 3: Περιγραφή Πειραμάτων
  • 26. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 3: Random Forest (RF) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Δέντρα Μήνες Δειγμάτων Μεταβλητές Εισόδου Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 RF.1 250 1 100 0.5743 0.1505 13.6726 0.8996 0.9608 RF.2 500 1 50 0.579 0.1520 13.5386 0.9005 0.9614 Στάδιο 3: Περιγραφή Πειραμάτων
  • 27. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 3: Random Forest (RF) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Δέντρα Μήνες Δειγμάτων Μεταβλητές Εισόδου Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 RF.1 250 1 100 0.5743 0.1505 13.6726 0.8996 0.9608 RF.2 500 1 50 0.579 0.1520 13.5386 0.9005 0.9614 Στάδιο 3: Περιγραφή Πειραμάτων
  • 28. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 4: Tree Recommender (TR) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Μήνες Δειγμάτων Μεταβλητές Εισόδου Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 TR.1 1 500 0.5482 0.1493 13.4499 0.9057 0.9592 TR.2 3 500 0.5477 0.1496 13.6361 0.906 0.9575 Στάδιο 3: Περιγραφή Πειραμάτων
  • 29. Στάδιο 3: Περιγραφή Πειραμάτων Πείραμα 5: Collaborative Filtering (CF) Δοκιμάστηκαν αλγόριθμοι με τις παρακάτω παραμέτρους και αποτελέσματα Μήνες Δειγμάτων Μεταβλητές Εισόδου Μέθοδος Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 CF.1 1 500 UBCF 0.2491 0.0629 29.0284 0.5454 0.6791 Στάδιο 3: Περιγραφή Πειραμάτων
  • 30. Στάδιο 3: Περιγραφή Πειραμάτων Μεθοδολογίες Benchmarks Χρησιμοποιούμε τις μεθόδους «Popular» και «User Pref» ως κριτήρια βάσης για την απόδοση του συστήματος Popular: Τα tags προτείνονται σε όλους τους επισκέπτες ανάλογα με την συνολική δημοφιλία τους User Pref: Τα tags προτείνονται στους επισκέπτες αρχικά ανάλογα με την προτίμηση που τους έχουν δείξει ιστορικά και έπειτα ανάλογα με την συνολική δημοφιλία τους Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Popular 0.2643 0.0534 29.9446 0.4537 0.7265 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 Στάδιο 3: Περιγραφή Πειραμάτων
  • 31. Συγκρίνουμε τους καλύτερους αλγορίθμους, συμπεριλαμβάνοντας 2 μετρικές χρόνου α) τον χρόνο ανά tag που απαιτεί κάθε μέθοδος για να εκπαιδευτεί και να κάνει προβλέψεις (Χρόνος Μεθόδου Ανά Tag) β) τον χρόνο που απαιτεί κάθε μέθοδος για να κάνει μια ολοκληρωμένη πρόταση για έναν χρήστη για το σύνολο των 500 tags (Χρόνος Πρόβλεψης) Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 32. Συμπεράσματα Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 33. Συμπεράσματα Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest 2. Ο αλγόριθμος Collaborative Filtering αποδίδει ιδιαίτερα άσχημα Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 34. Συμπεράσματα Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 1. Ο καλύτερος αλγόριθμος φαίνεται να είναι ο Random Forest 2. Ο αλγόριθμος Collaborative Filtering αποδίδει ιδιαίτερα άσχημα 3. Εκτός του CF οι άλλοι αλγόριθμοι αποδίδουν πολλοί καλύτερα από τις μεθόδους που Χρησιμοποιούμε ως benchmarks Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 35. Συμπεράσματα Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 4. Όλοι οι αλγόριθμοι που δοκιμάσαμε είναι αρκετά κάτω από χρονικό όριο που μας τέθηκε (Χρόνος Μεθόδου Ανά Tag < 1.44 h) Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 36. Συμπεράσματα Κριτήριο 1 Κριτήριο 2 Κριτήριο 3 Κριτήριο 4 Κριτήριο 5 Χρόνος Μεθόδου Ανά Tag (h) Χρόνος Πρόβλεψης (ms) Popular 0.2643 0.0534 29.9446 0.4537 0.7265 0.00013 4.4 User Pref 0.3444 0.08144 26.2391 0.6729 0.8533 0.5126 181.2 CF.1 0.2491 0.0629 29.0284 0.5454 0.6791 0.001 496 TR.1 0.5482 0.1493 13.4499 0.9057 0.9592 0.045 47.5 RF.2 0.579 0.1520 13.5386 0.9005 0.9614 0.512 181 ΑΝΝ.3 0.5304 0.1402 15.0031 0.8948 0.9355 1.079 54.5 5. Ο μικρός χρόνος υλοποίησης προβλέψεων είναι τέτοιος που να επιτρέπει ενδεχομένως την εφαρμογή του συστήματος και σε real time συνθήκες 4. Όλοι οι αλγόριθμοι που δοκιμάσαμε είναι αρκετά κάτω από χρονικό όριο που μας τέθηκε (Χρόνος Μεθόδου Ανά Tag < 1.44 h) Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 37. Συμπεράσματα Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα 6. Είναι σαφές από τα διαγράμματα του κριτηρίου 6 για κάθε αλγόριθμο καθώς και συγκρίνοντας τα αποτελέσματα για προβλέψεις με 100 και 200 tags στο κείμενο της εργασίας ότι η ποιότητα των προβλέψεων πέφτει όσο λιγότερο δημοφιλές είναι κάποιο tag
  • 38. Συμπεράσματα 6. Είναι σαφές από τα διαγράμματα του κριτηρίου 6 για κάθε αλγόριθμο καθώς και συγκρίνοντας τα αποτελέσματα για προβλέψεις με 100 και 200 tags στο κείμενο της εργασίας ότι η ποιότητα των προβλέψεων πέφτει όσο λιγότερο δημοφιλές είναι κάποιο tag 7. Εντύπωση προκαλεί ότι οι δενδροειδείς αλγόριθμοι αποδίδουν καλύτερα από αυτούς των νευρωνικών δικτύων Στάδιο 4: Σύγκριση Αποτελεσμάτων & Συμπεράσματα
  • 39.  Επεξεργαστήκαμε πραγματικά δεδομένα του pharm24 με έναν πρωτότυπο τρόπο, εφαρμόζοντας τεχνικές μείωσης του όγκου τους  Δοκιμάσαμε διαφορετικούς αλγορίθμους μηχανικής εκμάθησης υπό συγκεκριμένους περιορισμούς χρόνου και υλικού  Προτείναμε μετρικές οι οποίες θεωρούμε ότι αξιολογούν ικανοποιητικά το σύστημα  Συγκρίναμε τα αποτελέσματα και επιλέξαμε αλγόριθμο που απέδωσε αρκετά ικανοποιητικά ώστε να προτείνουμε την εφαρμογή του Ανακεφαλαίωση
  • 40. Προτάσεις για Επέκταση & Ανοιχτά Θέματα  Να εφαρμοστούν στα ίδια δεδομένα άλλες αντίστοιχες μέθοδοι που εμφανίζονται στην βιβλιογραφία και να συγκριθούν  Να δοκιμαστεί η εισαγωγή ενός συντελεστή χρόνου στο στάδιο της προεπεξεργασίας των δεδομένων  Να δοκιμαστεί η παραμετροποίηση των αλγορίθμων με δυναμικό τρόπο  Να εφαρμοστεί το σύστημα στο e-shop σε περιορισμένη κλίμακα  Να εξεταστεί κατά πόσο μπορεί να εφαρμοστεί σε πραγματικό χρόνο
  • 41. Ευχαριστίες Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν Θα ήθελα να ευχαριστήσω
  • 42. Ευχαριστίες Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν Θα ήθελα να ευχαριστήσω Την οικογένεια και φίλους/ες μου που με στήριξαν και ήταν δίπλα μου στην διαδικασία συγγραφής αυτής της εργασίας και όχι μόνο
  • 43. Όλους/ες εσάς για την προσοχή σας Ευχαριστίες Τον κ. Συμεωνίδη και τον κ. Βαβλιάκη για την εμπιστοσύνη που μου έδειξαν με την ανάθεση του θέματος και την βοήθεια που μου προσέφεραν Θα ήθελα να ευχαριστήσω Την οικογένεια και φίλους/ες μου που με στήριξαν και ήταν δίπλα μου στην διαδικασία συγγραφής αυτής της εργασίας και όχι μόνο