Geri Dön

Nonlinear dimensionality reduction methods for pattern recognition

Örüntü tanıma için doğrusal olmayan boyut indirgeme metodları

  1. Tez No: 152519
  2. Yazar: BURAK TURHAN
  3. Danışmanlar: PROF.DR. ETHEM ALPAYDIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2004
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Hiperspektral görüntülerin eğiticisiz bölütlenmesi

    Unsupervised segmentation of hyperspectral images

    GÖKHAN BİLGİN

    Doktora

    Türkçe

    Türkçe

    2009

    Bilim ve TeknolojiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SARP ERTÜRK

    PROF. DR. TÜLAY YILDIRIM

  2. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  4. Makine öğrenmesinde boyutsal indirgeme teknikleri ile mobil oyun kullanıcı segmentasyonu

    Mobile game user segmentation with dimensionality reduction techniques in machine learning

    GÜLEN ARIKAN KOKKAYA

    Doktora

    Türkçe

    Türkçe

    2023

    İstatistikMarmara Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. İLKNUR ESEN YILDIRIM

  5. House price prediction using artificial neural network (ANN) with adagrad optimizer

    Adagrad optimizer ile yapay sinir ağı (YSA) kullanarak konut fiyat tahmini

    EHAB SAAD ABDULWAHID AL-MUQDADI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ Abdullahi Abdu IBRAHIM