Geri Dön

Müşteri ilişkileri yönetimi için manifold öğrenme ile denetimli doğrusal olmayan boyut indirgeme

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 834012
  2. Yazar: BEYTULLAH YILMAZ
  3. Danışmanlar: DOÇ. DR. FATMA PATLAR AKBULUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Kültür Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 72

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

  1. Tez No

    154952

    Data mining techniques for customer relationship management: A case study for Doğuş otomotiv

    Müşteri ilişkileri yönetimi için veri madenciliği teknikleri: Doğuş otomotiv vaka analizi

    OLGA UFUK GÖREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2003

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. SIDDIK YARMAN

  2. Tez No

    291483

    Müşteri ilişkileri yönetimi için bloglar üzerinde fikir madenciliği

    Opinion mining on blogs for customer relationship management

    ÇİĞDEM AYTEKİN

    Doktora

    Türkçe

    Türkçe

    2011

    İletişim BilimleriMarmara Üniversitesi

    İletişim Bilimleri Ana Bilim Dalı

    PROF. DR. ÖZHAN TINGÖY

  3. Tez No

    338961

    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

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. BUKET DOĞAN

    DOÇ. DR. ALİ BULDU

  4. Tez No

    328460

    Decision support system for a customer relationship management case study

    Müşteri ilişkileri yönetimi için karar destek sistemi oluşturulması

    ÖZGE KART

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP KUT

  5. Tez No

    522783

    Development of a decision support tool for analytic customer relationship management integrating data mining and multi criteria decision making methods

    Analitik müşteri ilişkileri yönetimi için veri madenciliği ve çok kriterli karar verme yöntemlerini birleştiren bir karar destek aracı geliştirilmesi

    SEDEF ÇALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Endüstri ve Endüstri MühendisliğiDokuz Eylül Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞEBNEM YILMAZ BALAMAN

Geri Dön