Sürekli Bayesci ağlar için genelleştirilmiş lineer modeller yaklaşımı
Generalized linear models approach for continuous Bayesian networks
- Tez No: 765058
- Danışmanlar: PROF. DR. MEHMET ALİ CENGİZ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Bayes istatistiksel karar teorisi, Gama dağılımı, Gauss dağılımı, Normal dağılım, Normal olmayan dağılım, Sürekli zaman genelleştirilmiş öngörülü denetim, Veri yorumlama-istatistiksel, Önsel dağılım, İstatistik dağılımlar, İstatistiksel dağılım, Bayesian statistical decision theory, Gamma distribution, Gaussian distribution, Normal distribution, Nonnormality distribution, Continuous-time generalized predictive control, Data interpretation-statistical, Prior distribution, Statistical distributions, Statistical distribution
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bayesci Ağlar, değişkenler arasında olası ilişkilerin belirlenmesi ve karar verme sürecinde hem uzman hem de verilere dayalı grafiksel bir yöntemdir. Bu yöntem kesikli veriler üzerinde oldukça yaygın kullanılmaktadır. Sürekli verilerin mevcut olması durumunda, Klasik Bayesci Ağlar yönteminin kullanımı ile oluşturulan modeller doğru ve güçlü performans gösteremezler. Ancak, gerçek hayatta ekonomi, sağlık, biyoloji, kimya vb. gibi birçok alandaki problemlerin içerdiği veri setleri sürekli değişkenlerden oluşmaktadır. Genelleştirilmiş Lineer Modeller yaklaşımı ile oluşturulmuş Bayesci Ağlar, birçok problemin çözümünü, karar verme ve planlama sürecini daha ekonomik, hızlı, etkin, ve güvenilir bir biçimde gerçekleştirilebilmektedir. Bu amaçla kullanılan Tweedie sınıfına ait olan Tweedie Bayesci Ağlar yöntemi, yakın zamanda keşfedilmiş ve literatüre kazandırılmış bir yöntemdir. Bu çalışmada, yine Genelleştirilmiş Lineer Modeller çatısı altında Bayesci Ağlar incelenmiş ve Normal Bayesci Ağlar'a karşı olan gücü ve üstünlüğü hem gerçek bir veri üzerinde hem de simülasyon çalışmalarıyla sunulmuştur. Ayrıca, konum, ölçek ve şekil için Genelleştirilmiş Toplamsal Model yöntemi ile Bayesci Ağlar entegre edilerek, sürekli verilerle ile oluşturulabilecek alternatif yöntem test edilmiştir. Çalışma kapsamında kullanılan veri seti ile oluşturulan modeller karşılaştırılarak yöntemler sunulmuştur.
Özet (Çeviri)
Bayesian Networks are both expert and data-based graphical methods in the determination of possible relationships between variables and in the decision-making process. This method is widely used on discrete data. In the presence of continuous data, models created using the Classical Bayesian Networks method cannot perform accurately and strongly. However, in real life it can be used in economics, health, biology, chemistry, etc. The data sets included in the problem in many areas such as these consist of continuous variables. Bayesian Networks, created with the Generalized Linear Models approach, can perform the solution of many problems, decision making and planning processes in a more economical, fast, effective, and reliable way. The Tweedie Bayesian Networks method, which belongs to the Tweedie class used for this purpose, is a method that was recently discovered and brought to the literature. In this study, Bayesian Networks are examined under the umbrella of Generalized Linear Models and their strength and superiority over Normal Bayesian Networks are presented both on a real data and simulation studies. In addition, the alternative method that can be created with continuous data by integrating the Generalized Additive Model method and Bayesian Networks for position, scale and shape is tested. The methods are presented by comparing the models created with the data set used in the study.
Benzer Tezler
- 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
- Bayesçi ağlarda zamansal değişkenlerin kullanımı
Using time dependent variables in Bayesian networks
ASLI YAMAN
Doktora
Türkçe
2022
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEHMET ALİ CENGİZ
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Nörolojiİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Physics-informed learning of interpretable surrogates for modeling and control
Modelleme ve kontrol için yorumlanabilir vekil dinamiklerin fizik bilgili öğrenimi
MURAT FURKAN MANSUR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Veri madenciliği sınıflama yöntemlerinin başarılarının; bağımlı değişken prevelansı, örneklem büyüklüğü ve bağımsız değişkenler arası ilişki yapısına göre karşılaştırılması
Comparison of the performances of data mining classification methods based on prevalence of the dependent variable, sample size and the correlation of the independent variables
MUHSİN ÖZGÜR DOLGUN
Doktora
Türkçe
2014
İstatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. OSMAN SARAÇBAŞI