Spatiotemporal modeling using machine learning
Yapay öğrenme ile uzam-zamansal modelleme
- Tez No: 567001
- Danışmanlar: DOÇ. DR. MEHMET GÖNEN, PROF. DR. MEHMET ÖNDER ERGÖNÜL
- Tez Türü: Doktora
- Konular: Halk Sağlığı, Mühendislik Bilimleri, Public Health, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Uzam-zamansal modelleme için ideal bir yapay öğrenme algoritması, (i) farklı kaynaklardan hem uzamsal hem de zamansal verileri bir araya getirerek bütünleştirebilmeli, hiç bir insan müdahalesi olmadan (ii) model yapısını ortaya çıkarabilmeli ve (iii) çıkarımda bulunabilmelidir. Gauss süreçleri uzam-zamansal verileri analiz etmek için Bayesçi bir yaklaşım sağlarlar, fakat hesaplama hızı ve saklama alanı karmaşıklıkları, pratikte sınırlayıcı olmuştur. Bu tezde, uzamsal ve zamansal kovarians matrislerinin çarpımlarıyla oluşan kovaryans matrisinin yapısından faydalanarak, ölçekli çıkarım üzerinde odaklanarak, Gauss süreçlerini uzam-zamansal modelleme senaryolarına entegre eden hesaplamalı methodlar önerdik. Uzamsal istatistikle derin bağları olan çekirdek methodlarını kullanarak, yorumlanabilirliği arttırmayı da amaçladık. Çoklu çekirdek öğrenmesinin yapısal Gauss süreçleriyle birleşmesiyle, çıkarımların hem doğruluğunu hem de ifade gücünü arttırdık. Bu methodların kabiliyetlerini geçek regresyon veri kümeleri üzerinde gösterdik. Önerdiğimiz methodları, Türkiye'nin resmi hasta kayıtlarından oluşan, vektörle bulaşan bir hastalığın uzam-zamansal veri kümesine uyguladık. Önerdiğimiz algoritmaların emsallerinden doğruluk açısından daha iyi olduklarını gösterdik. Ayrıca, geliştirdiğimiz methodlar daha açıklayıcıdır, yani, halk sağlığı alanından gelen soruları cevaplayabilirler ve karar alması gereken kişilere planlamada ve kaynakların atanmasında çabuk müdahale için fikir verebilirler.
Özet (Çeviri)
An ideal machine learning algorithm for spatiotemporal modeling should be able (i) to integrate both temporal and spatial data from different sources, (ii) to discover patterns and, (iii) to make inference, without human intervention. Gaussian processes provide a Bayesian framework for analyzing spatiotemporal data, which were used widely to estimate values across space and time, yet their computational and storage complexity have been a limiting factor when it comes to application. In this thesis, we proposed computational frameworks that integrate Gaussian processes into spatiotemporal modeling scenarios with a particular focus on scalable inference by exploiting the structure of the covariance matrix generated by matrix multiplication of spatial and temporal covariance matrices. We also aimed to increase the interpretability using kernel methods, which have deep connections with spatial statistics. With the combination of multiple kernel learning and structured Gaussian processes, we increased both accuracy and expressiveness of the inference. We showed the power of these methods on real-world regression data sets. Our proposed methods were applied to a spatiotemporal data set of a vector-borne disease using official patient records in Turkey. We showed our proposed machine learning algorithms were better than their counterparts in terms of accuracy. In addition, our developed methods are also more interpretable, which means that they are able to answer questions drawn from the domain of public health and give insight to policy makers for quick response planning and resource allocation.
Benzer Tezler
- Spatio-temporal modelling of landslide occurrences accounting for wildfires' effects using machinelearning
Başlık çevirisi yok
CANNUR EROĞLU
Yüksek Lisans
İngilizce
2022
BiyomühendislikUniversity of TwenteDR. LUİGİ LOMBARDO
DR. BASTİAN VAN DEN BOUT
- Arazi örtüsü/arazi kullanımı ve arazi yüzey sıcaklıkları ilişkisinin zamansal-mekansal analizi ve gelecek için modellenmesi
Spatio-temporal analysis of the relationship of land use/land cover and land surface temperatures and its modeling for the future
NAGİHAN ASLAN
Doktora
Türkçe
2023
Astronomi ve Uzay BilimleriAkdeniz ÜniversitesiUzay Bilimleri ve Teknolojisi Ana Bilim Dalı
PROF. DR. DİLEK KOÇ SAN
- Lifelong learning for auditory scene analysis
İşitsel sahne analizi için hayat boyu öğrenme
BARIŞ BAYRAM
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Elektronik izleme uygulanan hükümlülerin hareketliliğinin mekansal-zamansal analizi: İstanbul ili örneği
Spatio-temporal analysis of applied electronic monitoring on parolees of mobility: A case study in Istanbul
YUNUS SERHAT BIÇAKÇI
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Evaluating performance of different remote sensing techniques and various interpolation approaches for soil salinity assessment
Toprak tuzluluğu değerlendirmesi için farklı uzaktan algılama teknikleri ve çeşitli interpolasyon yaklaşımlarının performansının değerlendirilmesi
TAHA GORJI
Doktora
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. AYŞE GÜL TANIK