Bayesci ağlarda öğrenme algoritmalarının karşılaştırılması
The comparison of learning algorithms in Bayesian networks
- Tez No: 341456
- Danışmanlar: DOÇ. DR. MEHMET ALİ CENGİZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Grafiksel Modelleme, Bayesci Ağlar, Öğrenme Yöntemleri, Yapı Öğrenme Algoritmaları, Graphical Modelling, Bayesian Networks, Learning Methods, Structure, Learning Algorithms
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bayesci ağlar değişkenlerin düğümler şeklinde ve nedensel ilişkilerin oklarla gösterildiği grafiksel modellerdir. Bayesci ağlar bir yönlü döngüsüz grafik ve koşullu olasılık tablosu içermektedir. Bayesci ağlarda temel işlem, yönlü döngüsüz grafik (Y.D.G.) oluşturmak ve parametre denilen koşullu olasılık değerlerini elde etmektir. Bu iki işlem öğrenme olarak adlandırılmaktadır. Bayesci ağlarda yapı ve parametre öğrenme olmak üzere iki tür öğrenme yöntemi bulunmaktadır. Özellikle yapı öğrenme işlemi Bayesci ağları oluşturma konusunda önemli bir sorun haline gelmiştir. Bu çalışmada bilinen üç farklı Bayesci ağ kullanılarak yapı öğrenme algoritmaları karşılaştırılmıştır. Birinci bölümde literatür taraması ile birlikte çalışmanın giriş kısmı verilmiştir. İkinci bölümde grafiksel modeller, Bayesci yöntemler ve Bayesci ağlar hakkındaki temel tanımlar verilmiştir. Üçüncü bölümde bu çalışmada kullanılan yapı öğrenme yöntemleri tanıtılmıştır. Dördüncü bölümde yapı öğrenme algoritmalarının performanslarının karşılaştırılması gerçekleştirilmiştir. Beşinci bölümde karşılaştırma sonuçları tartışılmış ve gelecek çalışmalara yönelik öneriler sunulmuştur.
Özet (Çeviri)
Bayesian networks are the graphical models that which variables are shown as nodes and causal relations are shown with arcs. Bayesian networks consist of a directed acyclic graph and a conditional probability table. In Bayesian networks, the main task is constructing D.A.G. and obtaining the conditional probability values which called as parameters. These two operations are called as learning. There are two kinds of learning methods such as structure and parameter learning in Bayesian networks. Especially, structure learning task has become an important problem for constructing the Bayesian networks. In this study the structure learning algorithms are compared using three different well known Bayesian networks. In the first chapter, the introduction part of the study is given with literature review. In the second chapter the basic definitions are given about graphical models, Bayesian methods and Bayesian networks. In the third chapter the structure learning methods are introduced which used in this thesis. In the fourth chapter the comparison of the performance of the structure learning algorithms are performed. In the fifth chapter the results of the comparisons are discussed and the recommendations are provided intended for the future works.
Benzer Tezler
- Bayesci ağlar ve birliktelik analizi ile müşterilerin alışveriş örüntülerinin incelenmesi üzerine bir uygulama
An application on analyzing customer shopping patterns using bayesian networks and association analysis
ASLAN TAHIROV
Yüksek Lisans
Türkçe
2024
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. HAYDAR KOÇ
- Karsinogenezde mutasyonlar arası ilişkilerin veri madenciliği metotları ile tespiti
Determining relations between mutations in carcinogenesis with data mining methods
UĞUR TOPRAK
Yüksek Lisans
Türkçe
2015
BiyoistatistikKaradeniz Teknik ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. KEMAL TURHAN
- Bayesçi ağlarda zamansal değişkenlerin kullanımı
Using time dependent variables in Bayesian networks
ASLI YAMAN
Doktora
Türkçe
2022
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEHMET ALİ CENGİZ
- Conditional computation techniques in deep neural networks with conditional information gain
Derin sinir ağlarında koşullu bilgi kazanımı ile koşullu hesaplama yöntemleri
UFUK CAN BİÇİCİ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. LALE AKARUN ERSOY
- Bayesian model selection for latent variable causal networks by sequential monte carlo
Gizli değişkenli nedensel ağlarda parçacık süzgeci ile Bayesci model seçimi
MEHMET BURAK KURUTMAZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ TAYLAN CEMGİL