Non- incremental classification learning algorithms based on voting feature intervals
Oylayan öznitelik bölüntülerine dayalı toplu sınıflandırma öğrenme algoritmaları
- Tez No: 65024
- Danışmanlar: DOÇ. DR. H. ALTAY GÜVENİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: öğrenme, tümevarımsal öğrenme, sınıflandırma, toplu öğrenme, denetimli öğrenme, öznitelik izdüşümleri, oylama, genetik algoritmalar. iv, machine learning, supervised learning, classification, inductive learning, non-incremental learning, feature intervals, voting, genetic algorithms. iii
- Yıl: 1997
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 178
Özet
ÖZET OYLAYAN ÖZNİTELİK BÖLÜNTÜLERİNE DAYALI TOPLU SINIFLANDIRMA ÖĞRENME ALGORİTMALARI Gülsen Demiröz Bilgisayar ve Enformatik Mühendisliği, Yüksek Lisans Tez Yöneticisi: Doç. Dr. Halil Altay Güvenir Ağustos, 1997 Öğrenmek akıllı bir bireyin en gerekli özelliklerinden biridir. Bu tezde çoklu kavram tanımlarını öznitelik aralıkları şeklinde öğrenen yeni algoritmalar önerilmektedir. Oylayan Öznitelik Aralıkları ( VFT) olarak isimlendirilen bu algoritmalar toplu sınıflandırma öğrenme algoritmalarıdırlar. Daha önceden sınıflandırılmış olan örneklerden sınıflandırma bilgisini çıkarmak için öznitelik izdüşümlerine dayalı bilgi gösterim yöntemini kullanırlar. Öğrenilen kavram tanımı her öznitelik için ayrı ayrı öğrenilen aralıklar şeklindedir. Her bir aralık bütün sınıflar için sınıflandırma bilgisi içerir. Yeni bir örneğin sınıflandırılması her özniteliğin oyunu bütün sınıflara dağıttığı bir oylama sistemine dayanır. Gerçek hayattan alınan veri kümeleri üzerinde yapılan deneylerde VFI algoritmaları daha önce geliştirilmiş öznitelik izdüşümlerine dayalı diğer metodlardan daha yüksek sınıflandırma doğruluğu elde etmişlerdir. Ayrıca sınıflandırma doğruluğunu daha çok arttırmak için optimum öznitelik ağırlıklarını öğrenen genetik algoritmalar geliştirilmiştir. Aynı zamanda bu genetik algoritmalarda kullanılmak üzere yeni bir çaprazlama operatörü de geliştirilmiştir. Bir öğrenme sisteminin açıklama yeteneği de en az doğruluğu kadar önemli olduğundan, YFI algoritmaları öğrendiklerini insanların anlayabileceği bir şe kilde gösterebilmektedirler.
Özet (Çeviri)
ABSTRACT NON-INCREMENTAL CLASSIFICATION LEARNING ALGORITHMS BASED ON VOTING FEATURE INTERVALS Gülsen Demiröz M.S. in Computer Engineering and Information Science Supervisor: Assoc. Prof. Halil Altay Güvenir August, 1997 Learning is one of the necessary abilities of an intelligent agent. This thesis proposes several learning algorithms for multi-concept descriptions in the form of feature intervals, called Voting Feature Intervals (VFI) algorithms. These algorithms are non-incremental classification learning algorithms, and use fea ture projection based knowledge representation for the classification knowledge induced from a set of preclassified examples. The concept description learned is a set of intervals constructed separately for each feature. Each interval car ries classification information for all classes. The classification of an unseen instance is based on a voting scheme, where each feature distributes its vote among all classes. Empirical evaluation of the VFI algorithms have shown that they are the best performing algorithms among other previously developed fea ture projection based methods in terms of classification accuracy. In order to further improve the accuracy, genetic algorithms are developed to learn the op timum feature weights for any given classifier. Also a new crossover operator, called continuous uniform crossover, to be used in this weight learning genetic algorithm is proposed and developed during this thesis. Since the explanation ability of a learning system is as much important as its accuracy, VFI classi fiers are supplemented with a facility to convey what they have learned in a comprehensible way to humans.
Benzer Tezler
- Emitter identification with incremental learning using symbolic representations
Kademeli öğrenme ve sembolik gösterimler ile radar kimliklendirme
AYBÜKE EROL
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- Real-time emotion recognition from EEG signals using one electrode device
Tek elektrotlu cihaz ile EEG sinyallerinden gerçek zamanlı duygu tanıma
MEHMET ALİ SARIKAYA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- Incremental learning with ensemble based SVM classifiers for non-stationary environments
Dinamik ortamlarda SVM sınıflayıcı topluluğu ile aşamalı öğrenme
AYCAN YALÇIN
Yüksek Lisans
İngilizce
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET GÜRGEN
- Active learning based human in the loop deep object detectionfor scalable data annotation
Ölçeklenebilir veri etiketlenmesi için aktif öğrenme tabanlı insan katılımlı derin nesne tespiti sistemi
ATABERK ARMAN KAYHAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE