Makine öğrenmesi uygulamalarında yapay arı koloni programlama temelli yeni yöntemlerin geliştirilmesi
Development of new methods based on artificial bee colony programming in machine learning applications
- Tez No: 596772
- Danışmanlar: DOÇ. DR. CELAL ÖZTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Otomatik programlama, Genetik Programlama, Yapay Arı Koloni Programlama(ABCP), Dizi Sınıflandırma, Çok Kovanlı ABCP, ABCP-tanımlayıcı, Automatic programming, Genetic Programming, Artificial Bee Colony Programming (ABCP), Sequence Classification, Multi Hive ABCP, ABCP-descriptor
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 142
Özet
Otomatik programlama, bir sistemde girdi ve çıktı değişkenleri arasındaki ilişkiyi model üreterek açıklamaya çalışan bir makine öğrenmesi yaklaşımıdır. Genetik Programlama (GP), Genetik Algoritmanın (GA) uzantısı olarak geliştirilen ve günümüzde en çok kullanılan otomatik programlama yöntemidir. Yapay Arı Koloni Programlama (ABCP), bal arılarının yiyecek kaynağı arama davranışlarını simüle eden Yapay Arı Kolonisi (ABC) algoritmasına dayalı sembolik regresyon problemi için yeni geliştirilen yüksek seviyeli bir otomatik programlama yöntemidir. Bu tezde, ABCP algoritmasının farklı makine öğrenmesi uygulamalarındaki performansını araştırmaya yönelik çalışmalar yapılarak, sonuçlar GP ile kıyaslanmıştır. Ayrıca, ABCP algoritmasına dayalı Çok Kovanlı Yapay Arı Koloni Programlama (MHABCP) ve ABCP-tanımlayıcı ilk kez yeni yöntemler olarak önerilmiştir. MHABCP'de aday çözüm üretilirken standart ABCP'deki bilgi paylaşım mekanizmasının kullanılması ile birlikte Çok Genli Genetik Programlama'da kullanılan iki noktalı yüksek seviyeli çaprazlama operatörünün komşuluk araştırma işlemine adaptasyonundan esinlenilmiştir. MHABCP gürültü eklenmiş/eklenmemiş yüksek boyutlu sembolik regresyon problemlerinin çözümünde; ABCP-tanımlayıcı desen sınıflandırma problemlerinin çözümünde kullanılmıştır. ABCP-tanımlayıcı modelleri, her bir desen setinin sınıflandırılması için eğitim aşamasında rastgele seçtiği iki tane örnek üzerinde kayan pencereler ile çıkarmıştır. Yapılan çalışmada elde edilen sonuçlar, ABCP ve ABCP algoritmasına dayalı yöntemlerin literatürde yer alan birçok problemde kullanılabileceğini göstermektedir.
Özet (Çeviri)
Automatic programming is a machine learning approach that tries to explain the relationship between input and output variables in a system by extracting models. Genetic Programming (GP) is the most widely used automatic programming method developed as an extension of Genetic Algorithm (GA). Artificial Bee Colony Programming (ABCP) is a newly developed high-level automatic programming method for the symbolic regression problem based on the Artificial Bee Colony (ABC) algorithm, which simulates the food source search behavior of honeybees. In this thesis, works were conducted to investigate the performance of ABCP algorithm in machine learning applications and the results were compared with GP. Furthermore, Multi-Hive Artificial Bee Colony Programming (MHABCP) and ABCP-descriptor based on ABCP algorithm were proposed for the first time as new methods. The candidate solution was generated in MHABCP used the information sharing mechanism in the standard ABCP and the adaptation of two-point high-level crossover operator used in Multi-Gene Genetic Programming to the neighborhood research process. MHABCP was used to solve the solution of high dimensional symbolic regression problems with/without noise; ABCP-descriptor was used to solve the texture classification problems. ABCP-descriptor models were extracted by sliding windows on two samples randomly selected during the training phase for the classification of each texture set. The results of this work show that ABCP and ABCP algorithm based algorithms can be used in many problems in the literature.
Benzer Tezler
- Machine learning based network anomaly detection
Makine öğrenmesi tabanlı ağ anomali tespiti
HİLAL HACILAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR
- Network anomaly detection using optimized machine learning algorithm
Optimize edilmiş makine öğrenmesi algoritmaları kullanarak ağ anomali tespiti
TAHIRA KHORRAM
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURDAN BAYKAN
- Yağmur suyu ızgaralarının hidrolik verimliliğinin makine öğrenmesi yöntemleriyle modellenmesi
Modeling of hydraulic efficiency of storm water grate inlets by machine learning methods
KAYHAN BAYHAN
Yüksek Lisans
Türkçe
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÖZGER
- Kötü amaçlı android tabanlı yazılım tespitinin güncel meta-sezgisel algoritmalar ile karşılaştırmalı analizi
Comparative analysis of malicious android based software detection with recent metaheuristic algorithms
MEHMET ŞİRİN BEŞTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM BATUR DİNLER
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ