Novel clustering algorithms: entropy based neighborhood merging (ENM) and simultaneous feature selective clustering (SFSC)
Özgün kümeleme algoritmaları: Entropi tabanlı komşuluk birleştirme ve eş zamanlı öznitelik seçici kümeleme
- Tez No: 797264
- Danışmanlar: PROF. DR. NİHAL ERGİNEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 151
Özet
Kümeleme, veri biliminde araştırmacılar tarafından sıklıkla kullanılan gözetimsiz bir makine öğrenmesi yaklaşımıdır. Bir veri kümesini, benzer öğeler aynı alt kümede ve/veya benzer olmayan öğeler farklı alt kümelerde olacak şekilde alt kümelere ayırma işlemi olarak tanımlanabilir. Kümeleme literatürünün en son durumunda, kümeleme metodolojileri keyfi geometrik şekilli kümeler, yoğunluk değişimleri, çok boyutlu öznitelik uzayı gibi bazı sorunlarla karşı karşıyadır ve bunları daha düşük hesaplama karmaşıklığı içinde ve kullanıcı dostu bir ortamda aşmak popüler araştırma alanlarıdır. Bu tezde, yoğunluk değişimleri ile birlikte keyfi geometrik şekilli kümeler ve çok boyutlu öznitelik uzayı için özgün kümeleme algoritmaları (Entropi Tabanlı Komşuluk Birleştirme (ENM) ve Eşzamanlı Öznitelik Seçici Kümeleme (SFSC) geliştirilmiştir. Bu algoritmalar, Shannon Entropisi, Simetrik Bağıl Entropi ve İzotropik Konum gibi bazı istatistiksel kavramlara dayanmaktadır. Hem ENM hem de SFSC'nin, kümeleme problemlerinde uygulanabilirliği ve etkinliği göstermek için kıyaslayıcı veri setleri üzerinde deneysel analizi gerçekleştirilmiştir. Ayrıca, her iki algoritmanın da gerçek zamanlı uygulaması olarak iki vaka çalışması (sismik bölge tespiti ve müşteri kaybı analizi) verilmiştir. Deneysel analizler ve vaka çalışmaları, ENM ve SFSC'nin ilgili zorlayıcı konular için etkili metodolojiler olduğunu ve yüksek düzeyde uygulanabilirliğe, yorumlanabilirliğe ve kullanıcı dostu karaktere sahip olduğunu göstermiştir.
Özet (Çeviri)
Clustering is an unsupervised machine learning approach that is frequently used by researchers in data science. It can be defined as the process of dividing a data set into subsets such that similar elements are in the same subset and/or dissimilar elements are in different subsets. In the state of art for clustering literature, clustering methodologies are challenged by some issues such as arbitrary geometric shaped clusters, density variations, multidimensional feature space and overcoming these issues within reasonable computational complexity and within a user friendly environment. In this thesis, novel clustering methodologies (Entropy Based Neighborhood Merging – ENM and Simultaneous Feature Selective Clustering - SFSC), are proposed for arbitrary geometric shaped clusters along with the density variations and multidimensional feature space respectively. These algorithms are based on some statistical concepts such as Shannon's Entropy, Symmetric Relative Entropy and Isotropic Position. Experimental analysis of both ENM and SFSC are carried out on benchmark datasets to show their applicability and efficiency on clustering. Furthermore, two case studies are given (seismic zone detection and churn analysis) for the real-time applications of both algorithms. The experimental analyzes and the case studies showed that, ENM and SFSC are efficient methodologies for the relevant challenging issues and they have high levels of applicability, interpretability and user friendly character.
Benzer Tezler
- Context aware real-time clustering with cortical coding method
Kortikal kodlama yöntemi ile bağlama duyarlı gerçek zamanlı kümeleme
SELİM EREN ERYILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Entropy-based direction-of-arrival estimation methods for rigid spherical microphone arrays
Mikrofon dizinler ̇için entropi temelli varış yönükestirme yöntemleri
ORHUN OLGUN
Yüksek Lisans
İngilizce
2019
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiModelleme ve Simülasyon Ana Bilim Dalı
DOÇ. DR. HÜSEYİN HACIHABİBOĞLU
- Yerel öznitelikler kullanarak görüntü indeksleme ve eşleme
Image indexing and matching using local features
ONUR ÇALIKUŞ
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Olasılıksal sembolik motif tanıma
Probabilistic symbolic pattern recognition
OĞUZ AKBİLGİÇ
Doktora
Türkçe
2022
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EYLEM DENİZ HOWE
- A metric learning based system for retail product recognition and novel class discovery
Metrik öğrenme tabanlı ürün tanıma ve yeni ürün keşfetme sistemi
İBRAHİM ŞAMİL YALÇINER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL