Analiza velikih mreža zasnovana na strojnom učenju

diplomski rad

• Naslov (engleski): Machine Learning Based Large-Scale Network Analysis
• Autor: Nikola Bukovac
• Mentor: Igor Čavrak (mentor)
• Član povjerenstva: Igor Čavrak (predsjednik povjerenstva)
• Član povjerenstva: Danko Basch (član povjerenstva)
• Član povjerenstva: Ivana Bosnić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2018-07-19, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Reprezentiranjem čvorova moguće je raditi analizu strojnim učenjem nad velikim
mrežama s obzirom na to da je svaki čvor prikazan kao vektor realnih vrijednosti određene veličine koja je mnogo manja od broja čvorova u mreži. Analiza je napravljena
korištenjem šest algoritama reprezentativnog učenja čvorova s različitim metodama
učenja kako bi se ustanovilo koje su metode najbolje. Izbor najboljeg algoritma za
reprezentiranje čvorova je ovisan i o metodi analize koju želimo napraviti nad skupom podataka, ali i o parametrima algoritma koji su odabrani pa je provedena i analiza
utjecaja parametara na utjecaj algoritama. Provedene su analize klasifikacijom čvorova, predviđanjem veza, grupiranjem čvorova i vizualizacije čvorova koje mogu imati
različita značenja ovisno o domeni primjene.

Sažetak (engleski)

Using node representation learning to create node representations it is possible to
analyze large scale networks with machine learning because every node is representated as a vector of real numbers which size is a lot smaller than the number of nodes in
the network. Analysis was made using six representation learning algorithms with different learning methods to determine which methods were the best. The choice of the
best representation learning algorithm is dependent on the analysis method we want
to do on the dataset, but also on the chosen algorithm parameters and because of that
a parameter analysis is done. Analyzes were performed by classifying nodes, predicting links, grouping nodes, and visualizing nodes that could have different meanings
depending on the application domain.

• Ključne riječi: velike mreže; strojno učenje; reprezentativno učenje čvorova; klasifikacija; vizualizacija; analiza
• Ključne riječi (engleski): large scale networks; machine learning; node representation learning; classification; visualization; analysis
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:165477
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-13 19:26:14