Predictive data mining with neural networks and genetic algorithms
Yapay sinir ağları ve genetik algoritmalar ile öngörü amaçlı veri madenciliği
- Tez No: 104220
- Danışmanlar: YRD. DOÇ. DR. ŞAKİR KOCABAŞ
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2001
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
YAPAY SİNİR AĞLARI VE GENETİK ALGORİTMALAR İLE ÖNGÖRÜ AMAÇLI VERİ MADENCİLİĞİ ÖZET Veri madenciliği büyük miktarda veri içinden işe yarar bilginin elde edilmesidir. Öngörü, veri madenciliğinin en önemli hedeflerinden biridir, öngörü amaçlı veri madenciliği ise büyük miktarda veri içinden geleceğe ilişkin doğru tahminlerin yapılabilmesini sağlayacak güçlü örüntülerin aranmasıdır, öngörü problemleri, eldeki geçmiş verilerle bağıntılı olarak kullanım amaçlarına göre tanımlanır, öngörü problemleri, sınıflandırma ve bağıntılama olarak iki ana kısma ayrılırlar. Yapay sinir ağları, öngörü amaçlı veri madenciliğinde kullanılan en önemli teknolojilerden biridir. Yapay sinir ağlarının mimarilari, öngörü uygulamalarında gösterecekleri performans üzerinde çok büyük etki yapmaktadırlar. Burada yapay sinir ağı mimarisi ile kastedilen, ağın topolojik yapısı, ağ içindeki bağlantılar ve transfer fonksiyonudur. Optimal yapay sinir ağı mimarisini elde etmenin sistematik bir yolu yoktur. Uygulama da deneme-yanılma yolu ile en uygun yapay sinir ağı mimarisi aranır. Bu yöntem çokça zaman kaybına yol açmakla birlikte en elverişli mimari elde edilemeye de bilir. Yapay sinir ağları için optimal mimarinin bulunması problemi; her bir noktası bir yapay sinir ağı mimarisini gösteren bir uzayda en uygun mimarinin aranması olarak formüle edilebilir. Bu çalışmada genetik algoritmaların yapay sinir ağı mimarilerini nasıl ürettiği açıklanmaktadır. Bu çalışmada genetik algoritmalar tarafından üretilen yapay sinir ağlarının çıkışlarının, gene, yeni bir yaklaşım olarak genetik algoritmalar tarafından birleştirilmesi ile doğruluğun daha da arttığı gösterilmektedir. Son olarak, bu çalışmada göterilmektedir ki, genetik algoritmaların kullanımı ile yapay sinir ağlarının öngörü amaçlı uygulamalarındaki başarı seviyeleri kaydadeğer biçimde artmaktadır. vm
Özet (Çeviri)
SUMMARY Data mining is the efficient discovery of valuable, non-obvious information from a large collection of data. Prediction is the strongest goal of data mining. Predictive data mining is a search for very strong patterns in big data that can generalize to accurate future decisions. Prediction problems are described in terms of specific goals, which are related to past records with known answers. The two central types of prediction problems are classification and regression. Artificial neural networks are one of the key technologies used for predictive data mining. The architecture has a significant influence on the predictive performance of the artificial neural networks. The architecture of artificial neural network includes its topological structure, connectivity, and transfer function of each node in the network. There is no systematic way to design a near optimal architecture for a given problem. It is usual practice to use trial and error to find suitable network architecture. This method is not only time consuming also may not generate an optimal network. Design of the optimal architecture for artificial neural networks can be formulated as a search problem in the architecture space where each point of the space represents architecture of the artificial neural networks. In this study is explained how to use genetic algorithms to generate the architecture of artificial neural networks. In this study, it is shown how to increase accuracy of the solution combining the generated artificial neural networks' outputs by genetic algorithms using also genetic algorithms as a new ensemble method. Finally, in this thesis is shown that using genetic algorithms significantly increase the predictive capabilities of artificial neural networks. vu
Benzer Tezler
- Leveraging ai in construction management
İnşaat proje yönetiminde yapay zekadan faydalanma
BARAN AKOL
Yüksek Lisans
İngilizce
2024
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. FATMA PINAR ÇAKMAK
- Araç talep tahmininde kullanılan yöntemlerin karşılaştırılması
Comparison of car demand forecasting models
KÜRŞAT KARACA
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAŞAR ÖZTAYŞİ
- Veri madenciliği aracı olarak genetik algoritmalar ile yapay sinir ağları ve yapay sinir ağı-genetik algoritma melez modelinin müşteri değerlendirilmesinde kullanılması
Genetic algorithms and artificial neural networks as data mining tools and usage of artificial neural-genetic algorithm hybrid model for customer evaluation
OSMAN ARDA MERİÇ
- Multi-product, multi-stage production planning model and decision support system suggestion for F&B industry
Yiyecek içecek sektörü için çok ürünlü, çok aşamalı üretim planlamasına yönelik model ve karar destek sistemi önerisi
GÜZİN TİRKEŞ
Doktora
İngilizce
2016
Endüstri ve Endüstri MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. NEŞE ÇELEBİ
DOÇ. DR. MURAT KOYUNCU
- Knowledge extraction from experimental and computational data for selective CO oxidation and water gas shift reaction using data mining techniques
Seçimli CO oksidasyonu ve su gaz değişim reaksiyonlarına ait deneysel ve hesaplamalı verilerden veri madenciliği teknikleri kullanarak bilgi çıkarımı
MEHMET ERDEM GÜNAY
Doktora
İngilizce
2012
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. RAMAZAN YILDIRIM