Batch learning of disjoint feature intervals
Ayrık öznitelik bölüntülerini toplu öğrenme
- Tez No: 50002
- Danışmanlar: DOÇ.DR. HALİL ALTAY GÜVENİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: öğrenme, tümevarımsal öğrenme, toplu öğrenme, dene timli öğrenme, öznitelik izdüşümleri, oylama. iv, machine learning, supervised learning, inductive learning, batch learning, feature projections, voting. iii
- Yıl: 1996
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 108
Özet
ÖZET AYRIK ÖZNİTELİK BÖLÜNTÜLERİNİ TOPLU Ö?RENME Aynur Akkuş Bilgisayar ve Enformatik Mühendisliği, Yüksek Lisans Tez Yöneticisi: Doç. Dr. Halil Altay Güvenir Eylül, 1996 Bu tezde öznitelik izdüşümlerine dayalı yeni öğrenme algoritmaları sunulmuş tur. Öznitelik Bölüntülerini Öğrenme (FİL) olarak isimlendirilen bu algorit malar toplu, denetimli ve tümevarımsal öğrenme yöntemlerini kullanırlar ve öğrenme örneklerinin öznitelik izdüşümlerini sınıflama bilgisini çıkarmak için kullanırlar. Bu izdüşümler ayrık öznitelik bölüntülerine genellenir. Böylece, öğrenilen kavram tanımları her öznitelik için ayrık öznitelik bölüntüleri şeklinde gösterilir. Daha önce görülmemiş bir örneğin sınıflandırması için her öznitelik tarafından bir ön sınıflandırma yapılır ve son sınıflama bu ön sınıflandırmaların ağırlıklı çoğunluk oylamasıyla belirlenir. Hatalı örnekleri tespit edebilmek için bölüntülere ağırlık verilerek bazı değişiklikler önerilmiştir. FİL algoritmalarının benzer sistemlerle uygulama sonuçları doğal ve yapay veri kümeleri üzerinde karşılaştırılrmştır. Bu algoritmaların doğruluk oranları daha öncekilere yakın olmasına rağmen ortalama çalışma süreleri çok daha azdır. Bu tezde literatürde yaygın olarak bilinen k en yakın komşu sınıflandırma algoritması (&-NN) yeniden tanımlanmıştır ve &-NNFP, öznitelik izdüşümleri üzerinde k en yakın komşu sınıflandırması, olarak isimlendirilmiştir. k-NNFP algoritmasında sınıflandırma her öznitelikten gelecek olan tahminler arasından çoğunluk oylaması yapılarak belirlenir. &-NNFP ve fe-NN algoritmalarının karşılaştırılması doğal ve yapay veri kümeleri üzerinde yapılmıştır.
Özet (Çeviri)
ABSTRACT BATCH LEARNING OF DISJOINT FEATURE INTERVALS Aynur Akkuş M.S. in Computer Engineering and Information Science Supervisor: Assoc. Prof. Halil Altay Güvenir September, 1996 This thesis presents several learning algorithms for multi-concept descriptions in the form of disjoint feature intervals, called Feature Interval Learning algo rithms (FIL). These algorithms are batch supervised inductive learning algo rithms, and use feature projections of the training instances for the representa tion of the classification knowledge induced. These projections can be general ized into disjoint feature intervals. Therefore, the concept description learned is a set of disjoint intervals separately for each feature. The classification of an unseen instance is based on the weighted majority voting among the local predictions of features. In order to handle noisy instances, several extensions are developed by placing weights to intervals rather than features. Empirical evaluation of the FIL algorithms is presented and compared with some other similar classification algorithms. Although the FIL algorithms achieve compa rable accuracies with other algorithms, their average running times are much more less than the others. This thesis also presents a new adaptation of the well-known &-NN clas sification algorithm to the feature projections approach, called &-NNFP for k-Nearest Neighbor on Feature Projections, based on a majority voting on in dividual classifications made by the projections of the training set on each feature and compares with the fc-NN algorithm on some real-world and artifi cial datasets.
Benzer Tezler
- A taxonomy of artificial neural networks
Yapay sinir ağlari'nin bir taksonomisi
ALP EREN YILMAZ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Predictive maintenance for smart industry
Akıllı endüstri için kestirimci bakım
ASAD ASADZADE
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA AYAV
- Adaptive incremental learning for stock trend forecasting
Uyumlu kademeli öğrenme yöntemi ile hisse senedi trend tahminlemesi
LEYLA HELİN DELİKAYA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET VOLKAN ATALAY
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Makine öğrenmesi yöntemlerini kullanarak bir petrokimya firmasının hisse senedi fiyat tahmini
Stock price prediction of a petrochemical company using machine learning methods
ŞEVVAL TOPRAK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL