Nonlinear dimensionality reduction methods for pattern recognition
Örüntü tanıma için doğrusal olmayan boyut indirgeme metodları
- Tez No: 152519
- Danışmanlar: PROF.DR. ETHEM ALPAYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2004
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
ÖZET ORUNTU TANIMA İÇİN DOĞRUSAL OLMAYAN BOYUT İNDİRGEME METODLARI Boyut indirgemenin amacı verideki önemli bilgileri tutarken, verinin daha az boyutlu ve daha basit gösterimini bulmaktır. İlgili öğeleri çıkarmak ve ilgisiz olanları süzmek için yüksek boyutlu verilere boyut indirgeme uygulamak gereklidir. Bunun sonucunda daha basit modeller ve veri hakkında yararlı bilgiler elde edilir. Bu tezde boyut indirgeme için gözetimsiz, doğrusal olmayan metotları çeşitli stan dart değerlendirme veri kümelerinde deneyerek ele alıyor ve karşılaştırıyoruz. Ayrıca daha önce karşılaşılmamış veri noktaları sorununu çözmek üzere eşleme fonksiyonlarının öğrenimini öneriyoruz. Bu çahşmada, veri dağılımının doğasında bulunan ölçü birimlerinin kullamlmasınm Öklid mesafesinden daha iyi modellemeye olanak sağladığım ve yüksek boyutlu veri modellerinin doğruluklarını arttırdığını gözlemledik.
Özet (Çeviri)
IV ' ABSTRACT NONLINEAR DIMENSIONALITY REDUCTION METHODS FOR PATTERN RECOGNITION The aim of dimensionality reduction is to find a lower dimensional, simpler representation while keeping the important information in the data. It is essential to employ dimensionality reduction for high dimensional data in order to extract relevant features and filter the non-relevant ones. This allows obtaining simpler models and useful knowledge from the data. In this thesis, we discuss and compare several unsupervised nonlinear methods for dimensionality reduction, namely, Isomap, Locally Linear Embedding (LLE), Curvilin ear Component Analysis (CCA), Curvilinear Distance Analysis (CD A) and Stochastic Neighbor Embedding (SNE), by testing their accuracies on standard benchmark data sets. We propose a modification (SNE-Iso Hybrid), and introduce the implicit learning of mapping functions in order to solve the problem of mapping previously unseen data points. We observe that using the metrics inherent in the data distribution allows better modelling than using the Euclidean distance and increases the model accuracies for nonlinear data.
Benzer Tezler
- Hiperspektral görüntülerin eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
GÖKHAN BİLGİN
Doktora
Türkçe
2009
Bilim ve TeknolojiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SARP ERTÜRK
PROF. DR. TÜLAY YILDIRIM
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- FRP sargılı beton elemanların eksenel basınç dayanımının tahmininde farklı makine öğrenimi yöntemlerinin karşılaştırılması
Comparison of different machine learning methods in predicting the axial compressive strength of FRP confined concrete elements
WAJAHAT SAADAT
Yüksek Lisans
Türkçe
2025
İnşaat MühendisliğiGazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN KAYA
- İnsan gen yolaklarında ikâme modelleme ve makine öğrenmesi kullanarak varyant analizi
Variant analysis in human gene networks using surrogate modelling and machine learning
FURKAN AYDIN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA