Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Geographical attribution of greek inscriptions using machine learning and deep learning methods

Εναλλακτικός τίτλος :	Γεωγραφική απόδοση ελληνικών επιγραφών με τη χρήση μεθόδων μηχανικής και βαθιάς μάθησης

Δημιουργός :	Χατζηπαναγιώτου, Μαρία Chatzipanagiotou, Maria

Συντελεστής :	Pavlopoulos, Ioannis (Επιβλέπων καθηγητής) Androutsopoulos, Ion (Εξεταστής) Konstantopoulos, Panos (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	54p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8129

Περίληψη :	Οι επιγραφές είναι γραπτά κείμενα χαραγμένα σε συμπαγείς επιφάνειες όπως πέτρες, μέταλλα, αγάλματα, κεραμικά όστρακα, κ.α. Αποτελούν μια ιδιαίτερα σημαντική πηγή μελέτης της ιστορίας, δεδομένου ότι χρησιμοποιούνται για την κατανόηση της κοινωνίας, του πολιτισμού και της ιστορίας του αρχαίου κόσμου. Οι Επιγραφολόγοι, οι ειδικοί στην μελέτη επιγραφών, και οι Ιστορικοί, προσπαθούν να εκμαιεύσουν όσο το δυνατόν περισσότερες και ακριβείς πληροφορίες από την κάθε επιγραφή που αναλύουν, επιχειρώντας να ταυτοποιήσουν τον πραγματικό τόπο όπου ένα κείμενο γράφτηκε, μια διαδικασία γνωστή ως ‘γεωγραφική κατανομή’ των επιγραφών. Ωστόσο, αυτή είναι μια απαιτητική και χρονοβόρα διαδικασία. Στην παρούσα διπλωματική εργασία, αξιοποιώντας τις μεθόδους που προέρχονται από τους τομείς της Γλωσσικής Τεχνολογίας και της Επεξεργασίας της Φυσικής Γλώσσας, προσπαθήσαμε να αυτοματοποιήσουμε αυτήν την διαδικασία της γεωγραφικής απόδοσης, εστιάζοντας συγκεκριμένα σε αρχαίες ελληνικές επιγραφές. Για τις ανάγκες αυτής της έρευνας, η γεωγραφική απόδοση θα αντιμετωπιστεί ως ένα πρόβλημα ταξινόμησης, όπου οι πληροφορίες που έχουν συλλεχθεί από ένα σύνολο εγγράφων χρησιμοποιούνται ως δεδομένα εκπαίδευσης προκειμένου να προαχθεί η δημιουργία ενός αυτοματοποιημένου μηχανισμού κατηγοριοποίησης. Για την κατασκευή των μοντέλων ταξινόμησης χρησιμοποιήσαμε τόσο αλγορίθμους μηχανικής μάθησης όσο και αλγορίθμους βαθιάς μάθησης. Inscriptions are texts inscribed on durable surfaces such as stone, metal, statues, pottery ostraca, etc. They serve as a significantly important historian source since they are utilized for understanding the society, culture and history of the ancient world. Epigraphists, specialists in the study of inscriptions, and ancient historians, try to obtain as much and as accurate information as possible from each inscription they analyze, by attempting to reconstruct the place where a text was originally written, a process known as ‘geographical attribution’ of inscriptions. However, this is a challenging and grinding process. In the present thesis, utilizing the methods that derive from the fields of Language Technology and the Natural Language Processing (NLP), we tried to automate the procedure of geographical attribution, focusing in particular on ancient Greek inscriptions. For the purposes of this study, geographical attribution will be dealt as a classification problem, where the information harvested from a set of documents is used as training data in order to promote a classification mechanism. To construct the classification models, we used both machine learning and deep learning algorithms.

Περίληψη :

Οι επιγραφές είναι γραπτά κείμενα χαραγμένα σε συμπαγείς επιφάνειες όπως πέτρες, μέταλλα, αγάλματα, κεραμικά όστρακα, κ.α. Αποτελούν μια ιδιαίτερα σημαντική πηγή μελέτης της ιστορίας, δεδομένου ότι χρησιμοποιούνται για την κατανόηση της κοινωνίας, του πολιτισμού και της ιστορίας του αρχαίου κόσμου. Οι Επιγραφολόγοι, οι ειδικοί στην μελέτη επιγραφών, και οι Ιστορικοί, προσπαθούν να εκμαιεύσουν όσο το δυνατόν περισσότερες και ακριβείς πληροφορίες από την κάθε επιγραφή που αναλύουν, επιχειρώντας να ταυτοποιήσουν τον πραγματικό τόπο όπου ένα κείμενο γράφτηκε, μια διαδικασία γνωστή ως ‘γεωγραφική κατανομή’ των επιγραφών. Ωστόσο, αυτή είναι μια απαιτητική και χρονοβόρα διαδικασία. Στην παρούσα διπλωματική εργασία, αξιοποιώντας τις μεθόδους που προέρχονται από τους τομείς της Γλωσσικής Τεχνολογίας και της Επεξεργασίας της Φυσικής Γλώσσας, προσπαθήσαμε να αυτοματοποιήσουμε αυτήν την διαδικασία της γεωγραφικής απόδοσης, εστιάζοντας συγκεκριμένα σε αρχαίες ελληνικές επιγραφές. Για τις ανάγκες αυτής της έρευνας, η γεωγραφική απόδοση θα αντιμετωπιστεί ως ένα πρόβλημα ταξινόμησης, όπου οι πληροφορίες που έχουν συλλεχθεί από ένα σύνολο εγγράφων χρησιμοποιούνται ως δεδομένα εκπαίδευσης προκειμένου να προαχθεί η δημιουργία ενός αυτοματοποιημένου μηχανισμού κατηγοριοποίησης. Για την κατασκευή των μοντέλων ταξινόμησης χρησιμοποιήσαμε τόσο αλγορίθμους μηχανικής μάθησης όσο και αλγορίθμους βαθιάς μάθησης.
Inscriptions are texts inscribed on durable surfaces such as stone, metal, statues, pottery ostraca, etc. They serve as a significantly important historian source since they are utilized for understanding the society, culture and history of the ancient world. Epigraphists, specialists in the study of inscriptions, and ancient historians, try to obtain as much and as accurate information as possible from each inscription they analyze, by attempting to reconstruct the place where a text was originally written, a process known as ‘geographical attribution’ of inscriptions. However, this is a challenging and grinding process. In the present thesis, utilizing the methods that derive from the fields of Language Technology and the Natural Language Processing (NLP), we tried to automate the procedure of geographical attribution, focusing in particular on ancient Greek inscriptions. For the purposes of this study, geographical attribution will be dealt as a classification problem, where the information harvested from a set of documents is used as training data in order to promote a classification mechanism. To construct the classification models, we used both machine learning and deep learning algorithms.

Λέξη κλειδί :	Επιγραφές Τόπος συγγραφής Γεωγραφική κατανομή Επεξεργασία φυσικής γλώσσας Ταξινόμηση κειμένου Inscriptions Place of origin Geographical attribution Natural Language Processing (NLP) Text classification

Διαθέσιμο από :	2020-11-30 14:09:34

Ημερομηνία έκδοσης :	30-10-2020

Ημερομηνία κατάθεσης :	2020-11-30 14:09:34

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Chatzipanagiotou_2020.pdf

Τύπος: application/pdf

Είσοδος