Improving the efficiency and enhancing the capacity of the PyPLT (Python Preference Learning Toolbox) software toolImproving the efficiency and enhancing the capacity of the PyPLT (Python Preference Learning Toolbox) software toolΒελτίωση της αποδοτικότητας και εμπλουτισμός του εργαλείου λογισμικού PyPLT (Python Preference Learning Toolbox) Διπλωματική Εργασία Diploma Work 2022-04-192022enResearch has demonstrated that ordinal approaches to the analysis of subjective values such as emotions, leads to more reliable predictive models. Preference learning is the machine learning subfield, which deals with datasets including ordinal relations. Preference learning algorithms have proven to be powerful in creating efficient computational models from ordinal data. The Python Preference Learning Toolbox facilitates ordinal data processing and preference learning. The software is open source, available to a wide range of researchers and includes popular algorithms and data processing methods. At first, the toolbox is tested with synthetic datasets in order to identify possible malfunctions during the stages of data processing and modelling. An optimization of the current features, along with the addition of evaluation metrics and preference learning techniques are performed in order to augment the functionality of the software. A user survey follows, in order to test the usability of the toolbox. The results confirm that PyPLT is simple, easy to use, for both novice and experienced researchers. Furthermore, it is capable of producing reliable predictive models provided the necessary data processing and algorithm parameterization which is offered by the toolbox. 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.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνChaviara_Antonia-Chrysovalanto_Dip_2022.pdfChania [Greece]Library of TUC2022-04-19application/pdf4.2 MBfree Chaviara Antonia-Chrysovalanto Χαβιαρα Αντωνια-Χρυσοβαλαντο Lagoudakis Michail Λαγουδακης Μιχαηλ Chalkiadakis Georgios Χαλκιαδακης Γεωργιος Yannakakis, Georgios N Πολυτεχνείο Κρήτης Technical University of Crete Pairwise preferences Ordinal data Preference learning