Anomaly detection in time series
Zaman serilerinde anormallik yakalanması
- Tez No: 594998
- Danışmanlar: ASST. ASSOC. DR. ARİF SELÇUK ÖĞRENCİ
- 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: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 49
Özet
Nesnelerin interneti kavramı herhangi bir fiziksel nesneyi internete bağlamaya dayanır. Bu, teknolojiyi isteklerimiz yönünde kullanmaya sevk ederek günlük hayatımızı etkileyecektir. Böylesi bir dünyada birbirine bağlı cihazların sayısı muazzam olacak ve gerçek zamanda yüksek performanslı veri işlemeye ihtiyaç duyulacaktır. Bu araştırma, zaman serilerinde olay işleme ve makine öğrenmesinin önemi konusuna ışık tutmaktadır. Bir zaman serisinin eğitimi için farklı makine öğrenmesi algoritmaları kullanılmıştır: destek vektör makinesi, karar ağaçları, otokodlayıcı ve K-ortalama öbekleyici. Veri hakkında sağlam bir sonuca varmak için farklı yöntemlerin kıyaslaması yapılmıştır. Bu zaman serisi verisi 15 kişilik bir grubun duygu durumunu ayırt etmeye yarayan ölçümlere dayanmaktadır. Bunlar şu dört durumdan biridir: stresli, eğlenmiş, doğal, üzgün. Bu çalışmada duyguların öngörülmesindeki doğruluk cinsinden algoritmaların performansları karşılaştırılmıştır.
Özet (Çeviri)
The concept of“Internet of Things”is based on connecting any physical object through the internet. This will facilitate our daily lives by dedicating technology in our will. In such a world, the number other interconnected devices is enormous, hence, the need for high performance processing in real-time is huge. This research shines light on the importance of the event processing and machine learning in the time series. A multiple of machine learning algorithms such as support vector machine, decision tree, autoencoder, and K-mean clustering are used for training a time series. A comparison of different methods is analyzed to obtain a robust conclusion about the data. The time series data is used to distinguish the state of emotions for a group of people (15 in total) who participated in an experiment. The state of the emotion may be in one of the four states: stressed, amused, natural, and sad. In this work, we compared the performance of algorithms in terms of their accuracy of predicting the emotions.
Benzer Tezler
- Anomaly detection in time series
Zaman serilerinde olağandışılık sezimi
ONUR POYRAZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ALİ TAYLAN CEMGİL
- IoT tabanlı çok değişkenli zaman serilerinde transformer ağı kullanarak anomali tespiti
Anomaly detection in IoT-based multivariate time-series using transformer network
ABDUL AMIR ALIOGHLI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEYZA YILDIRIM OKAY
- Collective anomaly detection in time series using pitch frequency and dissimilarity features
Pitch frekansı ve benzeşmezlik öznitelikleri kullanılarak zaman serilerinde kolektif anomali tespiti
EKİN CAN ERKUŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. VİLDA PURUTÇUOĞLU
DR. ÖĞR. ÜYESİ AYKUT EKEN
- Fırın sensör verilerini kullanarak fotovoltaik panel üretim sürecinde zaman serisi ve LSTM yöntemi ile anomali tespiti
Anomaly detection in the photovoltaic panel production process using time series and LSTM method with furnace sensor data
YEŞİM GÖRÜR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ALİ EMRE ÖZTÜRK
DR. ERKAN KIYMIK
- Finansal haber içerikleriyle zenginleştirilmiş zaman serisi verilerinde derin öğrenme tabanlı anomali tespiti
Deep learning based anomaly detection in time series data enriched with financial news content
HASAN DEMİR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KÜRŞAT MUSTAFA KARAOĞLAN