Gürültü giderici oto-kodlayıcı kullanarak eksik değerlerin tamamlanması
Completing the missing values using a denoising autoencoder
- Tez No: 650042
- Danışmanlar: DR. ÖĞR. ÜYESİ ERSİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Eksik Veri, Veri Atama, Derin Öğrenme, Gürültü Giderici Oto-Kodlayıcı, Sınıflandırma, Missing Values, Imputation, Deep Learning, Denoising Autoencoder, Classification
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Eksik değerlerin varlığı, veri analizinde yaygın bir sorundur. Veri kaybı, eksiksiz veri gerektiren aşağı akış analizini engelleyebilmektedir. Bu eksiklik, ya verilere eksik durumları silen ya da sonradan işleme için veri atanan tamamlanmış verileri oluşturan aşağı akış veri ürünlerinin performansında bir düşüşe neden olmaktadır. Bu nedenle, verileri tam olarak kullanmak ve doğru kullanmak için kaybolan verilerin uygun şekilde işlenmesi zorunludur. Modern veri atama teknikleri genellikle iyi performanslar sağlar, ancak özellikle büyük veri kümeleri için hesaplama açısından pahalıdır. Bu çalışmada, Gürültü Giderici Oto- Kodlayıcı (GGOK) kullanarak eksik verileri atama amacıyla bir derin öğrenme çerçevesi araştırılmaktadır. Ardından, on veri setinde önerilen GGOK performansı karşılaştırılmaktadır, örn. Breast Cancer Wisconsin Diagnostic (BCWD), Discrim, Fisher İris, Reaction, Stockreturns, Titanic, Human Activity Definition using smartphones1, İonosphere, Automobile ve Ovarian Cancers (OVCA) eksik veri oranında % 5,% 15,% 20 ve % 25 ile, dört geleneksel yönteminin yanı sıra altı modern makine öğrenme yöntemiyle, örneğin Destek Vektör Makinesi, Güçlü regresyon, Ridge regresyonu, K-En Yakın Komşu, Yapay Sinir Ağı ve Olasılıksal Sinir Ağıdır. Önerilen GGOK veri atama, göreceli doğruluk açısından diğer yöntemlere kıyasla çok daha iyi sonuçlar göstermektedir.
Özet (Çeviri)
The presence of missing values is a common problem in data analysis. Data loss can hinder downstream analysis that requires complete data. This missingness results in data, a decrease in the performance of downstream data products that either delete incomplete cases or create imputed completed data for post-processing. It is therefore imperative that the lost data be treated appropriately in order to fully utilize and use the data properly. Modern imputation techniques usually achieve good performances, but are computationally expensive especially for large datasets. In this work, we investigate a deep learning framework for the purpose of imputation missing data by using Denoising AutoEncoder (DAE). Then, we compare the proposed DAE performance on ten datasets e.g., Breast Cancer Wisconsin Diagnostic (BCWD), Discrim, Fisher İris, Reaction, Stockreturns, Titanic, Human activity recognition using smartphones1, İonosphere, Automobile and Ovarian Cancers (OVCA) with data missingness at a rate 5%, 15%, 20% and 25%, by using four traditional methods as well as to six modern machine learning methods used in the literature, e.g., support vector machine, robust regression, ridge regression, k-nearest neighbor, artifitial neural network and probabilistic neural network. The proposed DAE based imputation shows much better results compared than other methods in terms of relative accuracy.
Benzer Tezler
- Evrişimsel sinir ağları tabanlı gürültü giderici otomatik kodlayıcı kullanarak görüntüyü gürültüden arındırma
Image denoising using deep convolutional based on denoising autoencoder
MOHAMMED SHAMIL IBRAHIM IBRAHIM
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL UZBAŞ
- Supervised and unsupervised models of brain networks for brain decoding
Beyin durumu tanıma için gözetimli ve gözetimsiz olarak oluşturulan beyin ağları
ABDULLAH N.A. ALCHIHABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Unsupervised anomaly detection on brain fractional anisotropymaps by inpainting with denoising diffusion probabilistic models
Gürültü giderici difüzyon olasılık modelleri ile iç boyamayoluyla beyin fraksiyonel anizotropi haritalarındadenetimsiz anormallik tespiti
BURHAN YUSUF ARAT
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiYeditepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANDAÇ HAMAMCI
- Farksal gelişim algoritması kullanılarak adaptif gürültü giderici
Adaptive noise canceller by using differential evolution algorithms
NALAN YİĞİT
Yüksek Lisans
Türkçe
2007
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NURHAN KARABOĞA