Doğrusal olmayan temel bileşenler analizi için yapay sinir ağları yaklaşımı
Approach artificial neural network for nonlinear principal components analysis
- Tez No: 550376
- Danışmanlar: PROF. DR. SIDDIK KESKİN
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Doğrusal Olmayan Temel BileĢenler Analizi, Hipotiroidi, Temel BileĢenler Analizi, Biyoistatistik, Doğrusal olmayan analiz, Hipotiroidizm, Temel bileşenler analizi, Yapay sinir ağları, Hypothyroid, Nonlinear Principal Components Analysis, Principal Components Analysis, Bioistatistics, Nonlinear analysis, Hypothyroidism, Artificial neural networks
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Doğrusal Olmayan Temel Bileşenler Analizi (DOTBA), aralarında doğrusal veya doğrusal olmayan ilişki bulunan veri kümeleri için rakamsal ve görsel sonuçlar veren açıklayıcı bir boyut indirgeme yöntemidir. DOTBA'da, sürekli değişkenlerin yanı sıra, kategorik ve sıralı değişkenler de aynı anda analize dâhil edilebilir. Analizde gözlenen değişkenler arasındaki ilişkilerin doğrusal olduğu varsayımına gerek yoktur. Bu çalışmada DOTBA için yapay sinir ağları yaklaşımı açıklanarak uygulama yapılmıştır. Uygulamada veri seti olarak 422 hastaya ait 19 değişkenli hipotiroidi verisi kullanılmıştır. Yapay sinir ağlarında temel bileşenler analizi ile birlikte yapay sinir ağlarında doğrusal olmayan temel bileşenler analizi kullanılarak elde edilen sonuçlar, tablo ve grafikler halinde sunularak yorumlanmıştır. İlk iki temel bileşen, DOTBA' da toplam varyansın %95.65'ini açıklarken, TBA'da %90.08'ini açıklamıştır. Sonuç olarak, DOTBA'nın TBA'ya göre yüksek bir varyans açıklama oranı ile başarılı sonuçlar verdiği ve böylece ileriye dönük yapılacak tahminlerde kullanılabileceği vurgulanmıştır.
Özet (Çeviri)
Nonlinear Principal Component Analysis (NLPCA) is one of the explanatory dimension reducing technique and presents numerical and graphical results for variable set included linear or nonlinear relationships. Nonlinear Principal Component Analysis, categorical and ordinal variables as well as numerical variables can be included to analysis. Linearity assumption for observed variables does not need for Nonlinear Principal Component Analysis. In this study, artificial neural network approach for NLPCA was explained and applied. The hypothyroid data with 19 variables from 422 patients were used in the application. The results obtained using Principle Component Analysis (PCA) together with NLPCA were interpreted by presenting in tables and graphics. The first two principle components explained 95.65% of the total variance in the NLPCA, while they explained 90.08% of the total variance in the PCA. As a result, it was emphasized that NLPCA gives satisfactory results with a high variance explanation rate compared to PCA and thus it can be used for future predictions.
Benzer Tezler
- Physics-informed learning of interpretable surrogates for modeling and control
Modelleme ve kontrol için yorumlanabilir vekil dinamiklerin fizik bilgili öğrenimi
MURAT FURKAN MANSUR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN