Geri Dön

Makine öğrenmesinde açıklanabilirlik kavramına derin pekiştirmeli öğrenme ve sembolik regresyon ile hibrit yaklaşım: Algoritmik ticaret örneği

A hybrid approach to explainability in machine learning with deep reinforcement learning and symbolic regression: Algorithmic trading example

  1. Tez No: 851577
  2. Yazar: VOLKAN ETEMAN
  3. Danışmanlar: PROF. DR. ERKAN IŞIĞIÇOK
  4. Tez Türü: Doktora
  5. Konular: Ekonometri, İstatistik, Econometrics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 191

Özet

Verinin enformasyona enformasyonun bilgiye bilginin ise bilgeliğe dönüştürülme süreci günümüzde üretilen veri miktarları göz önüne alındığında baş edilmesi güç bir sürece evrilmiştir. Yüksek boyutlu veri trafiği ile ve bu verilerin işlenerek karar vermede kullanılabilmesi amacıyla geliştirilen yüksek işlem gücüne sahip bilgisayarlar ve gelişen algoritmalar verinin artış hızına yetişmekte zorlanmakla birlikte daha genelleştirilebilir yaklaşımların ve algoritmaların elde edilmesine olan ihtiyacı gün yüzüne çıkarmıştır. Bu çalışmada genelleştirilebilir ve yorumlanabilir denklemlerin elde edilmesi amacıyla pekiştirmeli öğrenme, derin öğrenme ve sembolik regresyon bağlamında hibrit bir yaklaşım ve algoritma önerilmiştir. Algoritma, finansal alanda karar verme kavramı altında yer alan algoritmik ticaret bağlamında ve bitcoin özelinde incelenmiştir. Çalışma, yapay öğrenme ile eğitilen bir modelin genelleştirilebilir ve yorumlanabilir bir formunun elde edilip edilemeyeceği kavramı etrafındaki hipotez ve araştırma sorularını incelemektedir. Çalışma sonunda, derin pekiştirmeli öğrenme ile elde edilen eğitilmiş modelin sembolik regresyon ile yorumlanabilir bir formu elde edilmiş ve elde edilen denklemlerin derin pekiştirmeli öğrenme modeline ilişkin performansı %88 oranında karşılayabildiği belirlenmiştir.

Özet (Çeviri)

The process of transforming data into information, information into knowledge and knowledge into wisdom has evolved to a process that is difficult cope with considering the amount of data produced today. Algorithms and computers with high processing power developed to handle high-dimensional data traffic and to process this data and use it in decision making have difficulty keeping up with the rate of increase in data. As a result, the need to obtain more generalizable approaches and algorithms has come to light. In this study, a hybrid approach and algorithm are proposed in the context of reinforcement learning, deep learning, and symbolic regression to obtain generalisable and interpretable equations. The algorithm is evaluated in the context of algorithmic trading under the concept of decision making in the financial field and its specific case is bitcoin. The study examines hypotheses and research questions around the concept of whether a generalisable and interpretable form of a model trained by machine learning can be obtained. At the end of the study a form interpretable trained model by symbolic regression was obtained by machine learning and it was determined that the resulting equations met the performance of the deep reinforcement learning model at a rate of 88%.

Benzer Tezler

  1. Hybrid reciprocal recommendation with advanced feature representations

    Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri

    EZGİ YILDIRIM

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  2. Pıhtı dalga formu analizi kullanarak makine öğrenmesi temelli mortalite tahminleme modeli geliştirilmesi

    Development of a machine learning based mortality prediction model using clot waveform analysis

    VELİ İYİLİKCİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    BiyokimyaSağlık Bilimleri Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. AYFER ÇOLAK

  3. Makine öğrenmesinde ayrık öbekleme ve sınıflandırma algoritmaları

    Discrete clustering and classifications in machine learning

    KEREM KABİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ATABEY KAYGUN

  4. An investigation of the impact of different data cleaning techniques on metric result quality in machine learning

    Makine öğrenmesinde, farklı veri temizleme tekniklerlerinin sonuç ölçevleri üzerindeki etkisinin incelenmesi

    ISRAA MUSTAFA ABBAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SACİP TOKER

  5. A study on some dimensionality reduction algorithms in machine learning

    Makine öğrenmesinde bazı boyut indirgeme algoritmalarının incelenmesi

    MADAA ALHAJI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SADULLAH SAKALLIOĞLU