Probabilistic time series classification
Olasılıksal zaman serisi sınıflandırma
- Tez No: 338831
- Danışmanlar: PROF. DR. BÜLENT SANKUR, DOÇ. DR. ALİ TAYLAN CEMGİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Bu tezde, olasılıksal zaman serisi sınıflandırma ve topaklandırma yöntemleri üzerine çalışılmıştır. Bu amaçla, Markov modelleri, saklı Markov modelleri, Markov modeli karışımları ve saklı Markov modeli karışımları kullanılmıştır. Ayırıcı Markov modelleri ve ayırıcı saklı Markov modelleri de incelenmiştir. Bu tezde, Markov modeli karışımları ve saklı Markov modeli karışımları öğrenmek için iki yeni algoritma öneriyoruz. Literatürde, karışım modellerinin öğrenilmesi çoğunlukla global optimum bulma garantisi olmayan Beklenti Enbüyütme algoritması ile yapılmaktadır. Biz, yapay öğrenme literatüründe son dönemde popüler olmaya başlayan spektral öğrenme yöntemlerinin kullanılmasını öneriyoruz. Spektral öğrenme algoritmaları saklı değişken modelleri için sadece gözlemlenebilir moment matris veya tensörlerinin özdeğer-özvektör ayrışımını alarak parametre kestirimi yapma olanağı sunmaktadır. Spektral öğrenme algoritmalarının popülerliği, hesap yükü bakımından ucuz olmaları ve lokal optimumlara takılma sorunu olmadan parametre kestirimi yapabilmelerinden kaynaklanmaktadır. Önerdiğimiz algoritmalarının geçerliliğini göstermek için, insan edim videoları üstünde sınıflandırma, insan hareket yakalama (motion capture) ve internet ağı verileri üstünde topaklandırma deneyleri yapıyoruz. Neticede, önerdiğimiz spektral öğrenme tabanlı algoritmaların yüksek topaklandırma başarısı gösteren ve hızlı algoritmalar olduğunu gösteriyoruz.
Özet (Çeviri)
In this thesis, we investigate probabilistic methods for time series classification and clustering problems. For various classification and clustering tasks, we survey different time series models such as Markov models, hidden Markov models (HMM), mixture of Markov models and mixture of HMMs. We also investigate discriminative versions of Markov model and HMM. The novel contribution of this thesis is the derivation of algorithms for learning mixtures of Markov models and mixtures of hidden Markov models. Mixture models are special latent variable models that require the usage of local search heuristics such as Expectation Maximization algorithm, that can only provide locally optimal solutions. In contrast, we make use of the spectral learning algorithms, recently popularized in the machine learning community. Spectral learning algorithms are able to estimate the parameters in latent variable models by solving systems of equations via eigendecompositions of matrices or tensors of observable moments. As such, spectral methods can be viewed as an instance of the method of moments for parameter estimation, an alternative to maximum likelihood. The popularity stems from the fact that these methods provide a computationally cheap and local optima free alternative to EM. We conduct classification experiments on human action sequences extracted from videos, clustering experiments on motion capture data and network traffic data to illustrate the viability of our approach. We conclude that the spectral methods are a practical and useful alternative in terms of computational effort and solution quality to standard iterative techniques such as EM in many application areas.
Benzer Tezler
- Probabilistic discriminative region descriptor for time series classification
Zaman serileri sınıflandırması için olasılıksal ayırt edici bölge bulucu
PINAR SÜNGÜ İŞİAÇIK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Memory-based approaches to problems in probabilistic modeling
Olasılıksal modelleme problemleri için hafıza tabanlı yaklaşımlar
ABDULLAH AKGÜL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- A data adaptive categorical time series representation for supervised learning
Gözetimli öğrenme algoritmaları için yeni bir kategorik zaman serileri veri uyarlamalı temsili gösterimi
HANDE ÇAKIN
Yüksek Lisans
İngilizce
2016
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
- Action quality assessment with multivariate time series
Çok değişkenli zaman serileri ile eylem kalite değerlendirmesi
BURÇİN BUKET OĞUL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE