Özellik önemine göre otomatik tanımlama sistemi verilerindeki eksik kalıpları yükleme
Imputing missing values in automatic identification system data by feature importance
- Tez No: 809617
- Danışmanlar: DOÇ. DR. FATMA PATLAR AKBULUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: AIS, Gemi Sınıflandırması, Eksik Verilerin Tamamlanması, Özellik Önemi, AIS, Ship Classification, Imputation of Missing Values, Feature Importance
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 52
Özet
Denizcilik sektöründe, AIS (Otomatik Tanımlama Sistemi) verileri, deniz güvenliği, deniz trafiği yönetimi, liman operasyonları, deniz araştırmaları ve çevre izleme, deniz ticareti ve lojistik gibi birçok alanda önemli bir rol oynamaktadır. AIS, gemilerin konum, hız, rotasyon ve diğer ilgili bilgilerini gerçek zamanlı olarak ileten bir sistemdir. Ancak, AIS verilerinin toplandığı süreçte veya iletim sırasında eksik verilerin ortaya çıkması oldukça yaygın bir durumdur. Eksik AIS verilerinin oluşması, gemi sınıflandırması ve diğer denizcilik uygulamaları için önemli bir sorun oluşturur. Özellikle gemi sınıflandırma modelleri, gemilerin tipini doğru bir şekilde tahmin etmek için çeşitli veri özelliklerine ihtiyaç duyar. Statik verilerdeki eksiklikler, modelin doğruluğunu ve performansını olumsuz yönde etkileyebilir. Bu çalışma, gerçek AIS verileri kullanılarak gemi sınıflandırması yapan bir modelin girdileri olan statik verilerdeki eksik verilerin özellik önemine göre tamamlanması sağlayarak modele etkileri paylaşılmıştır. Eksik AIS verilerinin tamamlanması, aynı zamanda veri setindeki azınlık sınıflarının model tarafından daha iyi öğrenilmesini de hedeflemektedir. Elde edilen sonuçlar, eksik verilerin tahmine dayalı bir şekilde tamamlanması yaklaşımının modelin doğruluğunu ve performansını artırabildiğini göstermektedir. Bu çalışma, eksik verilerin tamamlanması için kullanılan yaklaşımın uygulanabilir olduğunu ve açıklayıcı bir şekilde sunulabileceğini göstermektedir.
Özet (Çeviri)
In the maritime industry, AIS (Automatic Identification System) data plays an important role in many areas such as maritime safety, maritime traffic management, port operations, marine research and environmental monitoring, maritime trade, and logistics. AIS is a system that transmits ships' position, speed, rotation, and other relevant information in real-time. However, it is quite common for missing data to appear during the collection or transmission of AIS data. The generation of missing AIS data poses a significant problem for ship classification and other marine applications. Ship classification models, in particular, require a variety of data features to accurately predict the type of ships. Missing static data can adversely affect model accuracy and performance. In this study, the effects on the model were shared by imputing the missing data in the static data, which are the inputs of a model that makes ship classification using real AIS data, according to the feature importance. Imputing the missing AIS data also aims to better learn the minority classes in the data set by the model. The results show that the predictive imputation of the missing data approach can improve the accuracy and performance of the model. This study shows that the approach used to impute the missing data is applicable and can be presented in an explanatory way.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Face recognition using eigenfaces
Başlık çevirisi yok
İLKER ATALAY
Yüksek Lisans
İngilizce
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. MUHİTTİN GÖKMEN
- Formalization of information requirements for implementing building information modeling based on model uses
Yapı bilgileri modellemesinin model kullanımlarına göre uygulanması için bilgi gereksinimlerinin formalizasyonu
RAIF ALSHORAFA
Doktora
İngilizce
2021
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ESİN ERGEN PEHLEVAN