Παράλληλη και κατανεμημένη υλοποίηση αλγορίθμων συστάσεων (Bachelor thesis)
Μοσχόπουλος, Βασίλης
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μοσχόπουλος, Βασίλης | el |
| dc.date.accessioned | 2022-04-03T13:36:48Z | - |
| dc.date.available | 2022-04-03T13:36:48Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/14199 | - |
| dc.description | Πτυχιακή εργασία - Σχολή Τεχνολογικών Εφαρμογών - Τμήμα Μηχανικών Πληροφορικής, 2019 (α/α 11293) | el |
| dc.rights | Default License | - |
| dc.subject | Μέθοδοι γειτονιών | el |
| dc.subject | Neighborhood based | en |
| dc.subject | Μονάδες μέτρησης ακρίβειας | el |
| dc.subject | Units of measurement | en |
| dc.subject | Συστήματα συστάσεων | el |
| dc.subject | Recommender systems | en |
| dc.subject | Αλγόριθμοι | el |
| dc.subject | Algorithms | en |
| dc.title | Παράλληλη και κατανεμημένη υλοποίηση αλγορίθμων συστάσεων | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.generalDescription | Πτυχιακή εργασία | el |
| heal.classification | Συστήματα συστάσεων (Φιλτράρισμα πληροφοριών) | el |
| heal.classification | Recommender systems (Information filtering) | en |
| heal.classification | Αλγόριθμοι | el |
| heal.classification | Algorithms | en |
| heal.identifier.secondary | 11293 | - |
| heal.dateAvailable | 2022-04-03T13:37:48Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Σχολή Τεχνολογικών Εφαρμογών/ Μηχανικών Πληροφορικής | el |
| heal.publicationDate | 2019-09-20 | - |
| heal.bibliographicCitation | Μοσχόπουλος, Β. (2019). Παράλληλη και κατανεμημένη υλοποίηση αλγορίθμων συστάσεων (Πτυχιακή εργασία). Διεθνές Πανεπιστήμιο της Ελλάδος. | el |
| heal.abstract | Τα συστήματα συστάσεων χρησιμοποιούνται σήμερα ευρέως από ένα εύρος πλατφόρμων για την σύσταση προϊόντων και υπηρεσιών σε καταναλωτές, πελάτες και συνδρομητές. Μερικοί από τους στόχους των συστημάτων συστάσεων περιλαμβάνουν την αύξηση των πωλήσεων, την καλύτερη κατανόηση της αγοράς και των καταναλωτών, την βελτίωση εμπειρίας μια πλατφόρμας και την αύξηση της ικανοποίησης των πελατών. Τα συστήματα συστάσεων έρχονται να παίξουν ένα πολύ μεγάλο ρόλο σε μια εποχή αφθονίας προϊόντων και υπηρεσιών, με στόχο να φιλτράρουν τα προϊόντα και τις υπηρεσίες και να κάνουν καλύτερες προτάσεις στους καταναλωτές, ανάλογα με τα ενδιαφέροντα τους. Μερικά από τα πιο σημαντικά συστήματα συστάσεων μπορεί να ανακαλύψει κανείς σε πλατφόρμες όπως το YouTube της Google, σε μεγάλα ηλεκτρονικά καταστήματα όπως το Amazon και το E-Bay, σε πλατφόρμες κοινωνικής δικτύωσης όπως είναι το Facebook και το Instagram και μουσικές πλατφόρμες όπως για παράδειγμα το Spotify και το Soundcloud. Ταυτόχρονα, βιβλιοθήκες όπως η numpy, pandas και scikit-learn μπορούν να χρησιμοποιηθούν για την υλοποίηση αλγορίθμων συστάσεων σε λογισμικό. Σε αυτή την εργασία μελετάται εκτενώς η βιβλιοθήκη μηχανικής μάθησης PyTorch. Η PyTorch αποτελεί μια νέα πρόσθεση στο οικοσύστημα της βαθιάς μάθησης. Σε μια εποχή που τα δεδομένα όλο και αυξάνονται η χρήση cluster υπολογιστών για την παράλληλη κατανεμημένη επεξεργασία των δεδομένων αυτών γίνεται μια όλο και πιο διαδεδομένη πρακτική. Σε αυτή την εργασία θα παρουσιασθούν αναλυτικά και θα υλοποιηθούν αλγόριθμοι συστημάτων συστάσεων, ειδικότερα του είδους συνεργατικού φιλτραρίσματος, με την χρήση της βιβλιοθήκης PyTorch, και θα μελετηθούν και εκπαιδευθούν μοντέλα των αλγορίθμων αυτών, με απλό τρόπο, παράλληλα, αλλά και παράλληλα κατανεμημένα, με την χρήση διεργασιών. Τέλος, θα αξιολογηθούν, ως προς την ακρίβεια και την ορθότητα τους | el |
| heal.abstract | Recommendation systems are widely used today by a range of platforms for product and service recommendations to consumers, customers and subscribers. Recommendation systems’ goals include increasing sales, understanding the market, as well as the consumers, and increasing the experience quality of platforms and customer satisfaction. Recommendation systems have come to play an important role in an era of product and service abundance, with the goal of filtering products and services and increasing recommendation quality to consumers, depending on their interests. Notable recommendation systems can be found in platforms such as Google’s YouTube, large e-shops such as Amazon and E-Bay, social platforms in the likes of Facebook and Instagram and music platforms, for example, Spotify and Soundcloud. Meanwhile, libraries like numpy, pandas and scikit-learn can be used to implement recommendation algorithms in software. In this thesis we study the machine-learning library, PyTorch. PyTorch is a new addition to the deep learning framework. At a time when data become increasingly larger, usage of computer clusters for the parallel distributed processing of data becomes a growing common trend. In this thesis we analytically present and implement recommendation system algorithms, specifically the collaborative filtering kind, with the use of PyTorch. We study and train models of these algorithms, in a simple manner, as well as in a parallel and parallel distributed way, with the use of processes, and conclude by evaluating these algorithms in terms of accuracy and correctness. | en |
| heal.advisorName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.committeeMemberName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.academicPublisher | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 188 σελ. | - |
| heal.fullTextAvailability | true | - |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| Appears in Collections: | Πτυχιακές Εργασίες | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Mosxopoulos.pdf | 3.96 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/14199
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
