Akan verilerde aykırı değer tespiti yaklaşımları
Outlier detection approaches in streaming data
- Tez No: 579512
- Danışmanlar: DOÇ. DR. HASAN BULUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Aykırı değer tespiti, veri setindeki anormal davranışları tespit etmek, gürültüyü ortadan kaldırmak ya da anlamlı bilgileri keşfetmek için kullanılan önemli bir veri madenciliği tekniğidir. Saldırı, kredi kartı dolandırıcılığı ve endüstriyel hasar tespiti gibi farklı uygulama alanlarında kullanılan aykırı değer tespitinin birçok avantajı bulunmaktadır. Tez çalışmasında, aykırı değer tespitindeki en önemli sorunlardan biri olan akan verilerde aykırı değer tespiti ele alınmıştır. Bu çalışmada, akan verilerde aykırı değer tespiti için geliştirilmiş olan uzaklık tabanlı MCOD yaklaşımı ile toplu verilerde çalışan yoğunluk tabanlı LOF yaklaşımı temel alınarak MCODLOF yaklaşımı ve sadece toplu verilerde çalışabilen LOF yaklaşımının akan verilere uyarlanması ile LOFStream yaklaşımı geliştirilmiştir. MCOD yaklaşımı ile geliştirilen MCODLOF ve LOFStream yaklaşımları TPR, FPR, PPV, ACC ve F1 ölçütü kullanılarak karşılaştırılmıştır. Dört farklı gerçek veri seti ve sentetik veri seti kullanılarak elde edilen sonuçlar hassaslık, kesinlik, yanlış alarm, doğruluk ve çalışma zamanı açısından değerlendirilmiştir. Deneylere göre önerilen MCODLOF ve LOFStream yaklaşımlarının daha iyi sonuç verdiği gözlemlenmiştir.
Özet (Çeviri)
Outlier detection is an important data mining technique used to detect abnormal behavior, eliminate noise, or discover meaningful information in the data set. There are many advantages of outlier detection used in different areas of application, such as intrusion, credit card fraud and industrial damage detection. In this thesis, outlier detection in streaming data, which is one of the most important problems in outlier detection, is studied. In this study, the MCODLOF approach, which is based on distance-based MCOD and density-based LOF for batch data, and LOFStream approach, which is an adaptation of LOF to streaming data were developed. MCOD approach and the developed MCODLOF and LOFStream approaches were compared by using TPR, FPR, PPV, ACC and F1 metrics. The results obtained using four different real data sets and synthetic data sets were evaluated in terms of sensitivity, precision, false alarm, accuracy and run time. According to the test results, it is observed that the proposed MCODLOF and LOFStream approaches give better results.
Benzer Tezler
- İnsan faaliyetlerinin akış verileri üzerinden aykırılık tespiti
Outlier detection over streaming data of human activities
MOHAMAD AHMAD SABHA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BÜLENT TUĞRUL
- 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
- Gerçek zamanlı akan veri probleminde ağaç veri yapısı ve mikro kümeler ile düzensiz kümeler oluşturmak
Defining irregular clusters by using tree data structure and microclusters in real time streaming data problem
BERFİN ERDİNÇ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT KAYA
DR. ÖĞR. ÜYESİ ALİ ŞENOL
- Akan verilerde anomali tespiti için hibrit tekniklere dayalı bir yöntem tasarımı ve gerçekleştirimi
Design and implementation of a method based on hybrid techniques for anomaly detection in streaming data
ERCAN GÜNBİLEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN BULUT
DR. ÖĞR. ÜYESİ ZÜLEYHA AKUSTA DAĞDEVİREN
- Forsus™ FRD apareyi ile tedavi gören genç erişkin bireylerde yumuşak doku değişimlerinin değerlendirilmesi
The evaluation of soft tissue changes in early adolescence patients treated with forsus appliance
BURÇİN AKAN
Doktora
Türkçe
2016
Diş Hekimliğiİzmir Katip Çelebi ÜniversitesiOrtodonti Ana Bilim Dalı
YRD. DOÇ. DR. İLKNUR VELİ