Matematik tabanlı kümeleme yöntemleri
Mathematical based clustering techniques
- Tez No: 304905
- Danışmanlar: YRD. DOÇ. DR. BURAK ORDİN
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Veri Madenciliği yöntemlerinden bir tanesi olan kümeleme (clustering) de amaç, bir veri kümesini benzer veriler aynı kümede yer alacak şekilde alt kümelere ayırmaktır. Kümeleme probleminin çözümü için k-means algoritması ve varyasyonlarını içeren herustik yöntemler, tabu arama, genetik algoritmalar ve simülasyon benzetimi gibi metaherustikler ve istatistik tabanlı yöntemler bulunmaktadır. Bu yöntemlerin yanısıra dinamik programlama, dal-sınır yöntemi, kesen düzlem yöntemi, iç nokta metodları vb. içeren matematiksel programlama yöntemleride kümeleme problemi için önemli çözüm yaklaşımlarındandır.Bu tezde kümeleme problemi ve çözüm yaklaşımları incelenmiş, küme yapısının belirlenmesinde ?cluster? uzaklık fonksiyonu'nun enküçüklenmesini temel alan yeni bir nonsmoooth optimizasyon yöntemi önerilmiştir. Yapılan hesaplama denemeleri yöntemin yararlılığını ortaya koymaktadır.
Özet (Çeviri)
The main goal of clustering, one of the main techniques of data mining, is to divide the data set into clusters based on the similarity of data points. The solutions to the clustering problem include the k-means algorithm and other heuristic techniques involving its variations as well as metaheuristic and statistical approaches such as tabu search, genetic algorithms and simulated annealing. Besides these techniques, other approaches such as dynamic programming, branch-and-bound method, cutting-plane approach, interior point methods, as well as other techniques in mathematical programming play an important role in delivering efficient solutions to the clustering problem.In this thesis, the clustering problem and different approaches to its solution are explored. In determining the division into subsets, a novel nonsmooth optimization technique based on the minimization of the cluster distance function is presented. Our presented calculations demonstrate the efficiency and usefulness of this new approach.
Benzer Tezler
- Yoğunluk tabanlı veri kümeleme algoritmaları üzerine
On the data clustering algorithms based on density
AYŞE GÜLNAZ KAYA
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. URFAT NURIYEV
- Metin madenciliğinde kümeleme algoritmalarının matematiksel analizi üzerine
On mathematical analysis of clustering algorithms in text mining
OĞUZCAN ULUDAĞ
- Statistical learning with proximity catch digraphs
Yakınlık yakalama yönlü çizgeleri ile istatistiksel öğrenme
ARTÜR MANUKYAN
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. MİNE ÇAĞLAR
- Ensemble based feature selection with hybrid model
Hibrit modeli ile topluluk temelli öznitelik seçimi
CEYLAN DEMİR
Yüksek Lisans
İngilizce
2019
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İZZET GÖKSEL
DOÇ. DR. SÜREYYA AKYÜZ
- OECD ülkelerinde dayanıklı öğrencilerin akademik başarısını etkileyen faktörlerin nonparametrik bayesyen regresyon tahmini
Nonparametric bayesian regression estimation of factors affecting the academic achievement of resilient students in OECD countries
DERYA TOPDAĞ
Doktora
Türkçe
2023
EkonometriMarmara ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. EBRU ÇAĞLAYAN AKAY