Support vector boosting: A large scale parallel SVM approximation
Support vector boostıng: Geniş veri setleri için paralel SVM yakınsaması
- Tez No: 537816
- Danışmanlar: DOÇ. DR. SÜREYYA AKYÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nasıl öğreniriz? Bir konuyu öğrenmek istediğimizde kütüphaneye giderek ilgili tüm kitapları okumayız. Bazı ön hazırlıklar yapar; araştırma alanımızı sınırlar, özet niteliği taşıyan veya temel esere dönüşmüş kaynakları belirler, sonrasında bunları kullanarak öğrenme sürecimizi tamamlarız. Oysa makineler için tasarladığımız öğrenme süreçlerinde oldukça farklı bir yol seçerek; elde edilebilen tüm veriyi kullanarak etkin ve hızlı bir şekilde model eğitiminin tamamlamasını bekliyoruz. Bu tezde, tıpkı kendi öğrenme sürecimizde olduğu gibi“akıllı seçimler”yaparak, yalnızca en çok bilgi taşıyan örnekleri modelleme sürecinin başında belirleyen ve modellemeyi yalnızca bu verileri kullanarak tamamlayan genel bir yapay öğrenme mekanizması önerilmektedir. Doğrusal, doğrusal olmayan ve çok çekirdekli SVM yöntemlerinin hesaplama ve hafızada tutma maliyetlerini azaltan Support Vector Boosting yöntemler ailesi geliştirilmistir.Deneysel sonuçlar önerilen yöntemin, eğitim verisinin yalnızca küçük bir kısmını kullanarak bile asıl modelin sınıflandırma başarısına çok yakın sonuçlar elde edebildiğini göstermektedir. Ayrıca önerilen yöntem tüm eğitim verisinin tek bir makine hafızasına yüklenmesine gerek duymaz. Bu avantajlar SVboosting yöntemini, özellikle devasa genişlikteki verilerin modellenmesi için kullanışlı yapmaktadır.
Özet (Çeviri)
How do we learn? When we want to learn a subject, we do not go to the library to read all the related books. We make some preparations; for instance, limit our field of research, determine publications that have become basic source, and then we complete our learning process by only using these. Whereas, by choosing a very different way in the learning processes, which have designed for machines, it is expected to complete learning fast and efficient by using whole accessible data In this thesis, a general learning mechanism is suggested which can make“smart choices”just as in human learning process to determine only the informative instances at the beginning of the modeling process without spending a considerable calculation time. A family of SVboosting methods has been developed which reduces the time and memory costs of linear, nonlinear and multiple kernel SVM. The empirical results showed that, the proposed method achieves approximately the same classification accuracy by using only a small part of training data. Additionally, the proposed method does not need to keep the whole training data in a single machine's memory. These properties make the SVboosting method useful particularly for huge data sets.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Efficient machine learning models for cancer biology
Kanser biyolojisi için etkin yapay öğrenme modelleri
AYYÜCE BEGÜM BEKTAŞ
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖNEN
- Türk kamu yönetiminde liderlik yaklaşımları üzerine bir araştırma: PTT örneği
A research on leadership approaches inturkish public administration: The PTT example
HAKAN GÜLTEN
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRİ BARAÇLI
- WRF modeli ve makine öğrenmesi kullanılarak rüzgar enerjisi üretiminin tahmini: Akhisar bölgesi uygulaması
Wind energy production forecasting using WRF model and machine learning: A case study for the Akhi̇sar region
MELİKE ANDUV
Yüksek Lisans
Türkçe
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
- Sürdürülebilir tarım arazi değerlemesinin mekânsal karar destek sistemleri ile analizi: Konya kapalı havzası örneği
Analysis of sustainable agricultural land valuation using spatial decision support systems: The Konya closed basin
TANSU ALKAN İLÇİN
Doktora
Türkçe
2026
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SAVAŞ DURDURAN