Geri Dön

A modified autoencoder approach for feature selection

Öznitelik seçimi için modifiye edilmiş bir otokodlayıcı yaklaşımı

  1. Tez No: 733018
  2. Yazar: GÖZDE ÖZSERT YİĞİT
  3. Danışmanlar: DOÇ. DR. MUSTAFA ORAL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makine Öğrenme, Derin Öğrenme, Öznitelik Seçimi, İlaç-hedef Etkileşimi, Otokodlayıcılar, Machine learning, Deep learning, feature selection, drug-target interaction, autoencoders
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 162

Özet

Teknoloji ilerledikçe, veri boyutları da büyümeye başladı. Bu da anlamlı bilginin çıkarılmasında çeşitli zorlukları beraberinde getirdi. Bunun sonucunda yeni veri analiz yöntemleri ortaya çıkmıştır. Veri toplama günlük hayatımızın her yerinde olduğu için, veriler de birçok gereksiz ve fazla kayıt içermektedir. Verilerin kullanışlı kısımlarını belirlemek için, öznitelik seçme algoritmaları uzun zamandır kullanılmaktadır. Ancak, bu algoritmalar büyük ölçekli verilerle başa çıkmak için daha da geliştirilmelidir. Bu tezde otomatik kodlayıcı tabanlı yeni bir öznitelik seçme algoritması geliştirdik. Otomatik kodlayıcının geleneksel kullanımından farklı olarak, bu çalışmada dönüştürülmüş veriler yerine eğitilmiş ağırlık değerleri kullanılmıştır. Bu önerdiğimiz yöntemin arkasındaki ana fikir, bir girdinin ortalama ağırlığının yüksek olması durumunda kullanışlı bir özellik olması gerektiğidir. Bu basit ama etkili yöntem 5 farklı veri seti üzerinde test edilmiştir. 3 tanesi Kaggle ve UCI depolarından alınan standart veri kümeleridir. Biri ise verilerin dengesiz doğası nedeniyle sınıflandırılması çok zor olan ilaç hedefi tahmin veri setidir. Önerilen yöntem, standart veri setleri üzerinde iyi sonuçlar verirken, sadece önerilen yöntem değil, aynı zamanda test edilen diğer tüm yöntemler de, veri setinin dengesiz doğası nedeniyle ilaç-hedef etkileşimi veri setinde çok düşük sonuçlar vermiştir.

Özet (Çeviri)

As the technology improves, data sizes have become huge. This also brought difficulties in extraction of meaningful information. As a result, new data analysis methods have emerged. Since data collection is everywhere in our daily life, data includes many redundant and unnecessary records and features. To identify useful part of data, feature selection algorithms have been used for a long time. However, those algorithms should be improved to deal with large scale data. In this thesis, we developed a new autoencoder based feature selection algorithm. Unlike traditional use of autoencoder, in this study, trained weight values are utilized instead of transformed data. The main idea behind the method is if the average weight of an input is high, it should be a useful feature. This simple but effective method was tested on 5 different datasets. 4 of them are standard datasets from Kaggle and UCI repositories. One of them is drug-target prediction dataset which is very difficult to classify due to imbalance nature of the data. While proposed method provided good results on standard datasets, not only proposed method but also all other tested methods provided very low results on drug-target interaction dataset due to the imbalanced nature of the dataset.

Benzer Tezler

  1. Deep convolutional neural networks for image inpainting

    Derin evrişimsel sinir ağları ile resimlerde içboyama

    UĞUR DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  2. Hayvan seslerini ayrıştırmak için modifiye edilmiş bir otokodlayıcı mimarisi yaklaşımı

    A modified autoencoder architecture approach for separating animal sounds

    AHMET SİNAN ÖZBAYGIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN OKTAY ALTUN

  3. Modelling and control of cardiovascular systems diagnostics and prediction of their anomalies

    Kardiyovasküler sistemlerin modellenmesi ve kontrolü ile anomalilerin teşhis ve tahmini

    MEHMET İŞCAN

    Doktora

    İngilizce

    İngilizce

    2023

    BiyomühendislikYıldız Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYDIN YEŞİLDİREK

    DOÇ. DR. ABDURRAHMAN KAMURAN KADIPAŞAOĞLU

  4. Transfer learning based facial emotion recognition and action unit detection

    Transfer öğrenme tabanlı yüz ifadesinden duygu tanıma ve eylem birimi tespiti

    SÜLEYMAN ENGİN BAĞLAYİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  5. A Modified driver for salient pole permanent magnet synchrondus motors

    Geliştirilmiş çıkıntı kutuplu sabit mıknatıslı senkron motor sürücüsü

    MUSTAFA CAN ALTUNGÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ARİF ERTAŞ