Geri Dön

Bayesci ağlarda öğrenme algoritmalarının karşılaştırılması

The comparison of learning algorithms in Bayesian networks

  1. Tez No: 341456
  2. Yazar: EMRE DÜNDER
  3. Danışmanlar: DOÇ. DR. MEHMET ALİ CENGİZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
  6. Anahtar Kelimeler: Grafiksel Modelleme, Bayesci Ağlar, Öğrenme Yöntemleri, Yapı Öğrenme Algoritmaları, Graphical Modelling, Bayesian Networks, Learning Methods, Structure, Learning Algorithms
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2024

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. HAYDAR KOÇ

  2. Karsinogenezde mutasyonlar arası ilişkilerin veri madenciliği metotları ile tespiti

    Determining relations between mutations in carcinogenesis with data mining methods

    UĞUR TOPRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    PROF. DR. KEMAL TURHAN

  3. Bayesçi ağlarda zamansal değişkenlerin kullanımı

    Using time dependent variables in Bayesian networks

    ASLI YAMAN

    Doktora

    Türkçe

    Türkçe

    2022

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MEHMET ALİ CENGİZ

  4. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. LALE AKARUN ERSOY

  5. 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

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ TAYLAN CEMGİL