Please use this identifier to cite or link to this item:
http://hdl.handle.net/10889/11620| Title: | Κατάρτιση ωρολογίου προγράμματος τμήματος με χρήση μηχανικής μάθησης |
| Other Titles: | Academic timetabling utilizing machine learning algorithms |
| Authors: | Χριστονάσης, Αντώνιος Μάριος |
| Keywords: | Χρονοπρογραμματισμός Μηχανική μάθηση Εξόρυξη γνώσης Εξόρυξη δεδομένων NP-δυσκολία Ευρετικοί αλγόριθμοι Κανόνες συσχέτισης Αλγόριθμος Apriori Τεχνητή νοημοσύνη Βελτιστοποίηση Ικανοποίηση περιορισμών Συγκρούσεις συμφερόντων Μη επιβλεπόμενη μάθηση |
| Keywords (translated): | Timetabling Machine learning Knowledge mining Data mining NP-hard Heuristics Association rules Apriori algorithm WEKA FET Artificial intelligence Optimization Constraint resolution Conflicts of interest Unsupervised learning Python |
| Abstract: | Στην παρούσα διπλωματική εργασία παρουσιάζεται η κατάρτιση του ωρολογίου προγράμματος του τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών με χρήση Μηχανικής Μάθησης. Πιο συγκεκριμένα, προτείνεται μία διαδικασία που χρησιμοποιεί τα εξής εργαλεία. Το λογισμικό χρονοπρογραμματισμού FET, που είναι βασισμένο σε έναν ευρετικό αλγόριθμο, το λογισμικό WEKA, που περιέχει υλοποιήσεις αλγορίθμων Μηχανικής Μάθησης, καθώς και η γλώσσα προγραμματισμού Python. Σκοπός ήταν η εξόρυξη χρήσιμης γνώσης από δηλώσεις μαθημάτων φοιτητών του Τμήματός μας μέσα από το WEKA, και η εν συνεχεία χρησιμοποίησή της στο λογισμικό χρονοπρογραμματισμού FET, ώστε να παραχθούν προγράμματα που ικανοποιούν όσο το δυνατόν περισσότερους φοιτητές στις ανάγκες παρακολούθησής τους. Χρησιμοποιήθηκε γνώση που αντλήθηκε από κανόνες συσχέτισης, και πιο συγκεκριμένα μέσω του αλγορίθμου Apriori. Η Python λειτούργησε σαν συνδετικός κρίκος μεταξύ των δύο προγραμμάτων, αυτοματοποιώντας χρονοβόρες διαδικασίες που γίνονταν χειροκίνητα, αλλά και βοηθώντας στην προεπεξεργασία των δεδομένων. |
| Abstract (translated): | This diploma dissertation presents the creation of the timetable of the Electrical & Computer Engineering Department utilizing Machine Learning algorithms. More specifically, a method is proposed, which uses the following tools. The timetabling software FET, which is based in a heuristic algorithm, the Machine Learning workbench WEKA, which contains implementations of various Machine Learning algorithms, as well as the programming language Python. The goal was to mine useful knowledge from the courses the students of the Department had selected through WEKA, and subsequently use this knowledge inside the timetabling software FET, in order to get timetables that satisfy as many students as possible, in terms of course participation. The knowledge was derived from association rules, and more specifically the Apriori algorithm. Python’s role was bridging the gap between FET and WEKA, automating time-consuming procedures that were executed manually, but also helped in the data preprocessing phase. |
| Appears in Collections: | Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Κατάρτιση Ωρολογίου Προγράμματος Τμήματος με χρήση Μηχανικής Μάθησης.pdf | Κείμενο Εργασίας με περιγραφή πειραμάτων & ανάπτυξης μεθόδου | 2.75 MB | Adobe PDF | View/Open |
| Υλικό Εφαρμογής και Πειραμάτων.rar | Κώδικας, Δεδομένα & Αποτελέσματα | 219.87 kB | rar | View/Open |
This item is licensed under a Creative Commons License
