Το έργο με τίτλο Βελτίωση της αποδοτικότητας και εμπλουτισμός του εργαλείου λογισμικού PyPLT (Python Preference Learning Toolbox) από τον/τους δημιουργό/ούς Chaviara Antonia-Chrysovalanto διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Αντωνία-Χρυσοβαλάντο Χαβιάρα, "Βελτίωση της αποδοτικότητας και εμπλουτισμός του εργαλείου λογισμικού PyPLT (Python Preference Learning Toolbox)", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022
https://doi.org/10.26233/heallink.tuc.92073
Η έρευνα έχει δείξει ότι οι τακτικές προσεγγίσεις στην ανάλυση υποκειμενικών αξιών, όπως τα συναισθήματα, οδηγούν στην κατασκευή πιο αξιόπιστων προγνωστικών μοντέλων. Η εκμάθηση προτιμήσεων είναι το πεδίο της μηχανικής μάθησης, το οποίο ασχολείται με τακτικά (ordinal) δεδομένα. Οι αλγόριθμοι εκμάθησης προτιμήσεων έχουν αποδειχθεί σημαντικοί στη δημιουργία αποδοτικών υπολογιστικών μοντέλων από τακτικά δεδομένα. Το Python Preference Learning Toolbox διευκολύνει την επεξεργασία τακτικών δεδομένων και την εκμάθηση προτιμήσεων. Το λογισμικό είναι ανοιχτού κώδικα, διαθέσιμο σε ένα ευρύ φάσμα ερευνητών, ενώ περιλαμβάνει δημοφιλείς αλγόριθμους και μεθόδους επεξεργασίας δεδομένων. Αρχικά, η εργαλειοθήκη δοκιμάζεται με συνθετικά σύνολα δεδομένων προκειμένου να εντοπιστούν πιθανές δυσλειτουργίες κατά τα στάδια επεξεργασίας δεδομένων και μοντελοποίησης. Πραγματοποιείται βελτιστοποίηση στα υπάρχοντα χαρακτηριστικά, μαζί με την προσθήκη μετρήσεων αξιολόγησης και τεχνικών εκμάθησης προτιμήσεων, προκειμένου να ενισχυθεί η λειτουργικότητα του λογισμικού. Ακολουθεί έρευνα χρηστών, προκειμένου να ελεγχθεί η χρηστικότητα της εργαλειοθήκης. Τα αποτελέσματα επιβεβαιώνουν ότι το PyPLT είναι απλό, εύκολο στη χρήση, τόσο για αρχάριους όσο και για έμπειρους ερευνητές. Επιπλέον, είναι σε θέση να παράγει αξιόπιστα μοντέλα πρόβλεψης με την απαραίτητη επεξεργασία δεδομένων και παραμετροποίηση αλγορίθμων που προσφέρεται από την εργαλειοθήκη.