Geri Dön

Çok boyutlu veriler için kümeleme algoritması geliştirilmesi

Developing clustering algorithm for multidimensional datas

PDF İndir

  1. Tez No: 372015
  2. Yazar: SİNEM ÖREN
  3. Danışmanlar: YRD. DOÇ. DR. HASAN BULUT
  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: 2014
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüzde mikrodizi teknolojisi sayesinde genlerin farklı seviyelerini eş zamanlı olarak ifade etmek mümkün hale gelmiştir. Genler içindeki gizli bilgilerin temsil edilmesi, genlerin anlaşılabilirliğini kolaylaştırmakta; ancak gen sayısının fazla olması ve veri setlerindeki yüksek gürültü miktarı gen verilerinin anlaşılmasını zorlaştırmaktadır. Bunun için genlerin anlaşılabilirliğini kolaylaştırmak amacıyla kümeleme kullanılmaktadır. Mikrodizi verileri çok boyutlu verilere en iyi örneklerdendir. Çok boyutlu verileri kümelendirmek için tez kapsamında geleneksel K-means ve PSO kümeleme algoritmaları için başlangıç küme merkezlerinin seçimine yönelik farklı yöntemler geliştirilmiştir. Ayrıca öbek (coreset) yaklaşımı PSO algoritmasına uyarlanmıştır. Geliştirilen yöntemlerin doğruluğu; literatürde sıkça kullanılan Iris, Breast Cancer, CMC, Glass, Heart, Ionosphere, Wine, Yeast, Zoo veri setleri üzerinde test edilmiş ve bu yaklaşımlar Colon Cancer mikrodizi veri seti üzerinde çalıştırılmıştır. Baz alınan geleneksel K-means ve PSO kümeleme yöntemleri ile geliştirilen yaklaşımlar karşılaştırılmış; performansları çözüme ulaşılan ortalama iterasyon sayısı, toplam uygunluk değeri, Rand ve Silhouette indeksleri kullanılarak değerlendirilmiştir. Deneysel çalışmalarda, geliştirilen yaklaşımların özellik seçimi yapılmış normalize veri setleri üzerinde başarılı sonuçlar verdiği gözlemlenmiştir.

Özet (Çeviri)

Nowadays, thanks to microarray technology, simultaneously expressing different levels of genes is possible. Although representation of confidential information in genes simplify the intelligibility of them; high number of genes and high amount of noise in the data sets make the intelligibility of gene data difficult to understand. In order to facilitate intelligibility of genes, clustering is used. Microarray data is one of the best examples of multidimensional data. In this study, in order to cluster multidimensional data, different methods for selecting initial cluster centers are developed for the conventional K-means and PSO clustering algorithms. Also, coreset approach is adapted for PSO algorithm. Correctness of the developed methods are examined on the Iris, Breast Cancer, CMC, Glass, Heart, Ionosphere, Wine, Yeast, Zoo datasets which are frequently used in the literature, and also these proposed approaches are run on Colon Cancer microarray data set. The performance of the proposed approaches are compared with the traditional K-means and PSO methods by means of average iteration number, fitness value, Rand and Silhouette index metrics. In experimental studies, we observe that proposed methods give superior results on the normalized datasets in which feature selection process is performed.

Benzer Tezler

  1. Tez No

    974328

    Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması

    Analyzing diabetes data set using rough clustering theory and establishing a real-time data analytics system for diagnosis of diabetes disease

    MEHMET YÜKSEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN DEMİRCİ

  2. Tez No

    980448

    Advancing conformal prediction with fuzzy logic and ıts extensions to system ıdentification

    Konformal tahminin bulanik mantik ile geliştirilmesi ve sistem tanimlamadaki kullanimi

    SALEH MSADDI

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. TUFAN KUMBASAR

  3. Tez No

    1022332

    Assessing soil quality using environmental indices via Google Earth engine machine learning in Jordan: The K-means clustering approach

    Google Earth engine makine öğrenimi yoluyla çevresel indeksler kullanılarak Ürdün'de toprak kalitesinin değerlendirilmesi: K-means kümeleme yaklaşımı

    MOHAMMAD OMAR FALAH ALSAAIDEH

    Doktora

    İngilizce

    İngilizce

    2026

    CoğrafyaKarabük Üniversitesi

    Coğrafya Ana Bilim Dalı

    PROF. DR. MÜCAHİT COŞKUN

  4. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  5. Tez No

    479796

    Karma veriler üzerinde etkin kümeleme algoritmalarının geliştirilmesi

    Development of effective clustering algorithms on mixed data

    ELVIN NASIBOV

    Doktora

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Matematik Ana Bilim Dalı

    DOÇ. DR. BURAK ORDİN

Geri Dön