Geri Dön

Clustering and classification methods using unsupervised, semi-supervised and supervised algorithms

Eğitimsiz, yarı-eğitimli ve eğitimli algoritmalar kullanılarak kümeleme ve sınıflandırma yöntemleri

  1. Tez No: 444679
  2. Yazar: BALA MIKAT TYODEN
  3. Danışmanlar: PROF. DR. HAMZA EROL
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 178

Özet

İstatistiksel öğrenme, makine öğrenme ve veri madenciliği çok değişkenli istatistiksel analizle ilgili çalışma alanlarına karşılık gelir. Bu yöntemlerin ortak özellikleri verinin analizi ve yorumu, genelde büyük veri kümelerinin ele alınması ve analizlerde sayısal yöntemlerin kullanılmasıdır. Bunlar, temel amacı doğal olaylara bakış açısı sağlamak olan, parametrik olmayan modeller ve çıkarımsal yöntemleri içeren veri davranışına dair modelleri karşılaştırarak verinin yorumlanmasında kullanılan yöntemlerdir. Tipik uygulamalarda veri yapısı oldukça heterojen ve dağınıktır; bu nedenle çok boyutlu veri tiplerinde kullanılan temel yöntemler etkin olmayabilir. Dolayısıyla farklı veri tipleri bağlamında dayanıklı öğrenme algoritmalarına daha fazla önem verme ihtiyacı doğmuştur. Bu çalışmada büyük verilerin kümelenmesinde daha yüksek sınıflama yüzdesi ve zaman gözlemleri ile karmaşık uzayların tahmini için bir temel sağlayacak eğitmenli olmayan, yarı eğitmenli ve eğitmenli öğrenme algoritmaları aracılığıyla veri madenciliği yöntemlerinin uygulamaları önerilmiştir.

Özet (Çeviri)

Statistical learning, machine learning, and data mining refer to research areas which can all be thought of as products of multivariate statistics. Their common themes are analysis and interpretation of data, often involving large quantities of data, and even more often resorting to numerical methods. These are techniques for interpreting data by comparing them to models for data behaviour which includes nonparametric models and inferential techniques with the fundamental goal of providing insights to natural occurrences. In typical applications, data types are so heterogeneous and diverse that the fundamental methods used for a multidimensional data type may not be effective. Therefore, more emphasis need to be placed on the robust learning algorithms in the context of these different data types. In this research, we propose the application of data mining techniques via clustering and classification methods using unsupervised, semi-supervised and supervised learning algorithms for large data set, which will provide the basis for higher classification accuracy and prediction of complex space and time observations.

Benzer Tezler

  1. Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri

    Semi supervised learning techniques on hyperspectral images

    MUHAMMET SAİD AYDEMİR

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  2. Yassı alüminyum üretiminde kalite sınıflarının makine öğrenmesi yöntemleri ile tahminlenmesi

    Prediction of quality classification in flat rolled aluminium production using machine learning methods

    ALPEREN AYTATLI

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER KİRAZ

  3. Using co-training to empower active learning

    Aktif öğrenmeyi güçlendirmek için eş-öğrenme kullanılması

    PAYAM VAKILZADEH AZAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  4. On networks and their applications: Stability of gene regulatorynetworks and gene function prediction using autoencoders

    Ağar ve uygulamaları üzerine: Gen düzenleyici ağların kararlılığı veotokodlayıcı (autoencoder) kullanarak genlerin fonksiyonlarınıntahmini

    HAMZA ÇOBAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    BiyofizikKoç Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. ALKAN KABAKÇIOĞLU

  5. Makine öğrenme algoritmalarıyla hatalı ürün tahmini

    Prediction of defective product with machine learning algorithms

    ENES ŞANLITÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ