{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2882035"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2882035","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση Συναισθήματος από Κείμενα με Χρήση Τεχνικών Μηχανικής Μάθησης","abstract":"Στην παρούσα εργασία εξετάζουμε την εφαρμογή τεχνικών Μηχανικής Μάθησης με σκοπό την Ανάλυση Συναισθήματος - ΑΣ (Sentiment Analysis) από κείμενα. Αρχικά γίνεται μια επισκόπηση των κύριων σημείων της θεωρίας που διέπουν την επιστημονική περιοχή, έπειτα υλοποιείται ένα σύστημα ανάλυσης συναισθήματος με χρήση νευρωνικών δικτύων, και τέλος εξετάζονται ειδικότερες πειραματικές τεχνικές και αρχιτεκτονικές που οδηγούν στην αύξηση της συνολικής απόδοσης. Οι δύο κατηγορίες νευρωνικών δικτύων που χρησιμοποιήθηκαν είναι τα Συνελικτικά Νευρωνικά Δίκτυα - ΣΝΔ (Convolutional Neural Networks - CNNs) και οι Αναδρομικές Μονάδες με Πύλες - ΑΜΠ (Gated Recurrent Units - GRUs), μια ειδική κατηγορία αναδρομικών νευρωνικών δικτύων. Περιγράφεται η μεθοδολογία και η αρχιτεκτονική ταξινόμησης που χρησιμοποιείται για την ανάλυση συναισθήματος, καθώς και τα σύνολα δεδομένων πάνω στα οποία εκπαιδεύτηκε και αποτιμήθηκε το σύστημα. Τέλος, παρουσιάζονται τα αποτελέσματα που προέκυψαν από την εφαρμογή του συστήματος.","abstract_html":"Στην παρούσα εργασία εξετάζουμε την εφαρμογή τεχνικών Μηχανικής Μάθησης με σκοπό την Ανάλυση Συναισθήματος - ΑΣ (Sentiment Analysis) από κείμενα. Αρχικά γίνεται μια επισκόπηση των κύριων σημείων της θεωρίας που διέπουν την επιστημονική περιοχή, έπειτα υλοποιείται ένα σύστημα ανάλυσης συναισθήματος με χρήση νευρωνικών δικτύων, και τέλος εξετάζονται ειδικότερες πειραματικές τεχνικές και αρχιτεκτονικές που οδηγούν στην αύξηση της συνολικής απόδοσης. Οι δύο κατηγορίες νευρωνικών δικτύων που χρησιμοποιήθηκαν είναι τα Συνελικτικά Νευρωνικά Δίκτυα - ΣΝΔ (Convolutional Neural Networks - CNNs) και οι Αναδρομικές Μονάδες με Πύλες - ΑΜΠ (Gated Recurrent Units - GRUs), μια ειδική κατηγορία αναδρομικών νευρωνικών δικτύων. Περιγράφεται η μεθοδολογία και η αρχιτεκτονική ταξινόμησης που χρησιμοποιείται για την ανάλυση συναισθήματος, καθώς και τα σύνολα δεδομένων πάνω στα οποία εκπαιδεύτηκε και αποτιμήθηκε το σύστημα. Τέλος, παρουσιάζονται τα αποτελέσματα που προέκυψαν από την εφαρμογή του συστήματος.","abstract_has_math":false,"creators":["Κερατζάκης Ιωάννης","Keratzakis Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:01Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2882035"],"render_values":[{"text":"uoadl:2882035","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2882035","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2882035","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2882035","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κερατζάκης Ιωάννης","Keratzakis Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2882035","https://pergamos.lib.uoa.gr/uoa/dl/object/2882035"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα εργασία εξετάζουμε την εφαρμογή τεχνικών Μηχανικής Μάθησης με σκοπό την Ανάλυση Συναισθήματος - ΑΣ (Sentiment Analysis) από κείμενα. Αρχικά γίνεται μια επισκόπηση των κύριων σημείων της θεωρίας που διέπουν την επιστημονική περιοχή, έπειτα υλοποιείται ένα σύστημα ανάλυσης συναισθήματος με χρήση νευρωνικών δικτύων, και τέλος εξετάζονται ειδικότερες πειραματικές τεχνικές και αρχιτεκτονικές που οδηγούν στην αύξηση της συνολικής απόδοσης. Οι δύο κατηγορίες νευρωνικών δικτύων που χρησιμοποιήθηκαν είναι τα Συνελικτικά Νευρωνικά Δίκτυα - ΣΝΔ (Convolutional Neural Networks - CNNs) και οι Αναδρομικές Μονάδες με Πύλες - ΑΜΠ (Gated Recurrent Units - GRUs), μια ειδική κατηγορία αναδρομικών νευρωνικών δικτύων. Περιγράφεται η μεθοδολογία και η αρχιτεκτονική ταξινόμησης που χρησιμοποιείται για την ανάλυση συναισθήματος, καθώς και τα σύνολα δεδομένων πάνω στα οποία εκπαιδεύτηκε και αποτιμήθηκε το σύστημα. Τέλος, παρουσιάζονται τα αποτελέσματα που προέκυψαν από την εφαρμογή του συστήματος.","In this thesis we study the usage of machine learning techniques for Sentiment Analysis of texts. First of all, the key theory is presented, followed by an implementation of a Sentiment Analysis system by using neural networks. Aftewards, more advanced architectures and techniques are examined with the goal of increasing the overall performance. The two types of neural networks used are convolutional neural networks and gated recurrent units, a special type of recurrent neural networks. The methodology and the classification architecture behind the sentiment analysis system is described, along with a look at the datasets that the system was trained and evaluated on. Finally, we present the results that were achieved and some useful conclusions."]},{"key":"dc:title","label":"Title","values":["Ανάλυση Συναισθήματος από Κείμενα με Χρήση Τεχνικών Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Κερατζάκης Ιωάννης","Keratzakis Ioannis"],"dc:date":["2019"],"dc:description":["Στην παρούσα εργασία εξετάζουμε την εφαρμογή τεχνικών Μηχανικής Μάθησης με σκοπό την Ανάλυση Συναισθήματος - ΑΣ (Sentiment Analysis) από κείμενα. Αρχικά γίνεται μια επισκόπηση των κύριων σημείων της θεωρίας που διέπουν την επιστημονική περιοχή, έπειτα υλοποιείται ένα σύστημα ανάλυσης συναισθήματος με χρήση νευρωνικών δικτύων, και τέλος εξετάζονται ειδικότερες πειραματικές τεχνικές και αρχιτεκτονικές που οδηγούν στην αύξηση της συνολικής απόδοσης. Οι δύο κατηγορίες νευρωνικών δικτύων που χρησιμοποιήθηκαν είναι τα Συνελικτικά Νευρωνικά Δίκτυα - ΣΝΔ (Convolutional Neural Networks - CNNs) και οι Αναδρομικές Μονάδες με Πύλες - ΑΜΠ (Gated Recurrent Units - GRUs), μια ειδική κατηγορία αναδρομικών νευρωνικών δικτύων. Περιγράφεται η μεθοδολογία και η αρχιτεκτονική ταξινόμησης που χρησιμοποιείται για την ανάλυση συναισθήματος, καθώς και τα σύνολα δεδομένων πάνω στα οποία εκπαιδεύτηκε και αποτιμήθηκε το σύστημα. Τέλος, παρουσιάζονται τα αποτελέσματα που προέκυψαν από την εφαρμογή του συστήματος.","In this thesis we study the usage of machine learning techniques for Sentiment Analysis of texts. First of all, the key theory is presented, followed by an implementation of a Sentiment Analysis system by using neural networks. Aftewards, more advanced architectures and techniques are examined with the goal of increasing the overall performance. The two types of neural networks used are convolutional neural networks and gated recurrent units, a special type of recurrent neural networks. The methodology and the classification architecture behind the sentiment analysis system is described, along with a look at the datasets that the system was trained and evaluated on. Finally, we present the results that were achieved and some useful conclusions."],"dc:identifier":["uoadl:2882035","https://pergamos.lib.uoa.gr/uoa/dl/object/2882035"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάλυση Συναισθήματος από Κείμενα με Χρήση Τεχνικών Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:01Z"}