Derin özkodlayıcı ağlar ile öneri sistemlerinde tahmin doğruluğunun artırılması
Increasing prediction accuracy in recommender systems with deep autoencoders
- Tez No: 746633
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: KTO Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 58
Özet
Bilgiye erişimin her geçen gün daha fazla hızlanması, internette bulunan veri miktarını da giderek artırmaktadır. Bu büyük veri içerisinden ihtiyaç duyulana kolay erişim de önemli hale gelmektedir. Öneri Sistemleri günümüzde kullanıcıların istedikleri veriye hızlı ve doğru bir şekilde ulaşması için birçok farklı alanda kullanılmaktadır. Bu kapsamda kullanıcıların daha önce yapmış olduğu tercihler göz önünde tutularak gelecekte olası tercihleri tahmin etmeye çalışırlar. Öneri sistemlerinde farklı yöntemler kullanılmakta olup bunların başında İşbirlikçi Filtreleme yöntemi gelmektedir. İşbirlikçi filtreleme, birbirine yakın kullanıcıların benzer ilgi ve beğenilere sahip olacağı yaklaşımı ile çalışır. İşbirlikçi filtreleme yöntemi, Bellek tabanlı ve Model tabanlı olarak sınıflandırılabilir. Bu çalışmada işbirlikçi filtreleme algoritmalarından model bazlı tahmin hesaplama adımı için Derin Özkodlayıcı Ağlar ile Gürütlü Giderici Özkodlayıcı Ağlar kullanılarak Öneri Sistemlerinin performansında iyileştirme hedeflenmiştir. Farklı gürültü oranları ile karşılaştırılan ağlardan 0,3 gürültü oranına sahip model en başarılı model olmuştur. Belirlenen parametreler kullanılarak oluşturulan modellerle yapılan testlerde Özkodlayıcı Ağların bir kolu olan Gürültü Giderici Özkodlayıcı Ağların daha başarılı sonuçlar verdiği görülmüştür.
Özet (Çeviri)
The fact that access to information becomes more important day by day increases the amount of data available on the Internet. Easy access to the information needed from this big data is also becoming important. Suggestion Systems are used in many different areas today so that users can access the data they want quickly and accurately. In this context, it is tried to predict possible preferences in the future by taking into account the preferences that the users have made before. Different methods are used in recommendation systems, and the first of these is the Collaborative Filtering method. Collaborative filtering works on the principle that close users will have similar interests and likes. Collaborative filtering method can be classified as Memory-based and Model-based. In this study, it is aimed to improve the performance of the Recommender Systems by using Deep Autocoders and Denoising Autoencoders for the model-based prediction calculation step, which is one of the collaborative filtering algorithms. Among the networks compared with different noise ratios, the model with a noise ratio of 0.3 was the most successful model. In the tests made with the models created by using the determined parameters, it has been seen that the Denoising Autoencoders, which is a branch of the Autocoders, give more successful results.
Benzer Tezler
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Baskı devre kartlarında lehim hatası denetimi
Solder joint inspection on printed circuit boards
FURKAN ÜLGER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- Derin sinir ağı temelli üst özkodlayıcıların yapay öğrenme yöntemleriyle eğitilmesi
Training deep neural network based hyper autoencoders with machine learning methods
DERYA SOYDANER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NALAN CİNEMRE
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN