Müşteri ilişkileri yönetimi için manifold öğrenme ile denetimli doğrusal olmayan boyut indirgeme
Başlık çevirisi mevcut değil.
- Tez No: 834012
- 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: Belirtilmemiş.
- 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: Belirtilmemiş.
Özet
Veri hacimleri katlanarak artmasından dolayı, yüksek boyutlu veri setleri, analiz ve modellemenin yanı sıra görselleştirme ve yorumlama adımlarındaki performanslarında zorluklar ortaya çıkmaya başladı. Bu zorluğun bir sonucu olarak, onu tanımlamak için“boyutsallığın laneti”türetilmiştir. Çeşitli öğrenme yöntemleri, içsel bağlantılarını korurken veri setlerinin boyutlarını azaltarak boyutsallığın lanetini hafifletmeyi amaçladıkları için bu çalışmanın konusudur. Çoklu öğrenme algoritmalarının boyutsallığı düşürmedeki başarısına ilişkin çalışmalar cesaret verici olsa da bu çalışmanın büyük çoğunluğu ya hayali ya da sayısal veri setleriyle yürütülmüştür. Sonuç olarak, bu algoritmaların kategorik verilerle kullanım için uyarlanmasına yönelik araştırmalarda çok büyük bir boşluk vardır. Bu boşluğu doldurmak için, bu tezde önce kategorik veri kümeleri üzerinde öne çıkan manifold öğrenme algoritmalarını seçilmiş ve değerlendirilmiş, ardından sonuçlar derinlemesine analiz edilerek sunulmuştur. Manifold öğrenme teknikleri Çekirdek Temel Birleşen Analizi, İzomap, Lokal Doğrusal Gömme (LLE) (diğer 3 varyantı ile), t-Dağıtılmış Stokastik Komşu Gömme (t-SNE) ve Standart Manifold Yaklaşımı ve Projeksiyonu (UMAP) bu tez için seçilmiştir. Araştırmacılar, bir dizi farklı alandaki başarıları nedeniyle bu algoritmalara çok dikkat etmişlerdir. Bu çalışma, kategorik veriler bağlamında faydalarını keşfederek, boyut indirgeme yöntemlerine ilişkin artan bilgi birikimine katkıda bulunmaktadır. Bu çeşitli öğrenme algoritmalarının, kategorik veri setlerindeki temel yapıyı ve ilişkileri ne kadar iyi yakaladığını ve koruduğunu incelemek, bu yöntemleri değerlendirmenin önemli bir parçasıdır. Performansı değerlendirmek için çeşitli değerlendirme ölçüm teknikleri kullanılmıştır. Bulgular, kategorik verilere uygulandığında manifold öğrenme algoritmalarının güçlü yanlarını ve sınırlamalarını ortaya çıkararak, çeşitli veri türleriyle uğraşan araştırmacılar için yararlı bilgiler sağlamayı hedefler. Bu çalışmadan elde edilen bulgular, boyutluluk indirgeme yöntemlerinin kullanımını geliştirerek, yüksek boyutlu kategorik veri kümelerinin daha doğru modellenmesine ve yorumlanmasına yol açacaktır.
Özet (Çeviri)
High-dimensional datasets have presented difficulties in terms of performance during analysis and modeling, as well as visualization and interpretation, as data volumes have increased at an exponential rate. As a result of this difficulty, the curse of dimensionality has been coined to describe it. Manifold learning methods are the topic of this study since they seek to alleviate the curse of dimensionality by decreasing the data sets' dimensions while maintaining their inherent linkages. While studies on the effectiveness of manifold learning algorithms in lowering dimensionality have been encouraging, most of this work has been conducted with either imagine or numerical datasets. As a result, there is an enormous gap in the research on adapting these algorithms for use with categorical data. To fill this void, this thesis first selects and evaluates prominent manifold learning algorithms on categorical datasets, then analyzes and discusses these results in depth. Manifold learning techniques Kernel PCA, Isomap, Locally Linear Embedding (LLE) (and its 3 variants) -, t-Distribution Stochastic Neighbor Embedding (t-SNE), and Uniform manifold approximation and projection (UMAP) were selected for this investigation. Researchers have paid close attention to these algorithms because of their success in several different fields. This study contributes to the growing body of knowledge regarding dimensionality reduction methods by exploring their utility in the context of categorical data. Examining how well these manifold learning algorithms capture and retain the underlying structure and relationships in categorical datasets is an essential part of evaluating these methods. Different evaluation measurement techniques are utilized to evaluate performance. The findings provide useful insights for researchers dealing with varied data types by revealing the strengths and limitations of manifold learning algorithms when applied to categorical data. The findings from this study will enhance the use of dimensionality reduction methods, leading to more accurate modeling and interpretation of high-dimensional categorical datasets.
Benzer Tezler
- Müşteri ilişkileri yönetimi için bloglar üzerinde fikir madenciliği
Opinion mining on blogs for customer relationship management
ÇİĞDEM AYTEKİN
Doktora
Türkçe
2011
İletişim BilimleriMarmara Üniversitesiİletişim Bilimleri Ana Bilim Dalı
PROF. DR. ÖZHAN TINGÖY
- Müşteri ilişkileri yönetimi için veri madenciliği kullanılması ve sigortacılık sektörü üzerine bir uygulama
Using data mining for customer relationship management and an application on the insurance sector
BAHAR EROL
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. BUKET DOĞAN
DOÇ. DR. ALİ BULDU
- Sigorta sektöründe elementer branşlarda müşteri ilişkileri yönetimi ve Türkiye için model önerisi
Customer relationship management in elementary branches of the insurance sector and model proposal for Turkey
ÖZGÜR AKPINAR
- Sınıflandırılmış müşteri grupları ile akıllı müşteri ilişkileri yönetimi stratejileri geliştirmek için bir model önerisi
A model proposal for developing smart customer relationship management strategies with classified customer groups
NIJAT ABASBAYLI
Yüksek Lisans
Türkçe
2020
Ulaşımİstanbul ÜniversitesiUlaştırma ve Lojistik Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABİT BALIN
- Customer relationship management system design for METU-Online
METU-Online sistemi için müşteri ilişkileri yönetimi sistem tasarımı
FİLİZ ÇETİN
Yüksek Lisans
İngilizce
2003
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. GÜLSER KÖKSAL
PROF. DR. NEŞE YALABIK