Makine öğrenmesi kullanarak seyrek doğrusal sistemler için bölüm sayısını tahmin etme
Predicting sparse linear systems partition number using machinelearning
- Tez No: 898299
- Danışmanlar: DR. ÖĞR. ÜYESİ FAHREDDİN ŞÜKRÜ TORUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu tez, bilim ve mühendislikte yaygın bir problem olan seyrek doğrusal sistemleri çözmek için bir makine öğrenimi yaklaşımı önermektedir. Yöntemimiz, blok Cimmino yöntemi için gereken optimal bölümlerin sayısını tahmin etmek amacıyla makine öğrenimini kullanmaktadır. Geleneksel yöntemler genellikle deneme yanılma yöntemine veya en iyi blok sayısını belirlemek için maksimum çekirdek sayısını bölüm olarak seçmeye dayanır. Ancak, eğitimli bir makine öğrenimi modeli kullanmak bu süreci ortadan kaldırır. Bu çalışmada, iki model sunuyoruz: biri, blok Cimmino yöntemi için AUC skoru %89 olan iki bölüm sayısını, diğeri ise AUC skoru %76 olan birden fazla bölüm sayısını tahmin ediyor. Bunu, literatürde daha önce tanımlanmış özellikleri kullanarak ve bunları yeni bir bağlamda uygulayarak başarıyoruz. Modellerimizi çeşitli matris setlerini kullanarak eğittik ve test ettik, özellik seçimini de dahil ederek, yerleşik özelliklerin yeni uygulamalarda kullanılmasının etkinliğini ve modelimizin seyrek doğrusal sistemlerin bölümlenmesi zorluklarını ele almaktaki sağlamlığını gösterdik. Önerdiğimiz yöntem, geleneksel yöntemlerden önemli ölçüde daha hızlı ve daha etkilidir.
Özet (Çeviri)
This thesis proposes a machine learning approach to solve sparse linear systems, a common problem in science and engineering. Our method uses machine learning to predict the optimal number of partitions needed for the block cimmino method. Traditional methods typically rely on trial and error or choosing the maximum number of cores as partitions to determine the best number of blocks. However, using a trained machine learning model eliminates this process. In this work, we present two models: one predicts two partition numbers with an AUC score of 89%, and the other predicts multiple partition numbers with an AUC score of 76% for the block cimmino method. We achieve this by using previously identified features in the literature and applying them in a novel context. We trained and tested our models using a diverse set of matrices, incorporating feature selection, demonstrating the effectiveness of leveraging established features in new applications and the robustness of our model in addressing the challenges of partitioning sparse linear systems. Our proposed method is faster and more effective than traditional methods.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Dictionary ensemble based active learning for multiple instance image classification
Çoklu örnekli görüntü sınıflandırması için sözlük topluluğu tabanlı aktif öğrenme
GÖKHAN KOÇYİĞİT
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN
- Developing learning algorithms for enhancing industrial machine vision systems and improving task accuracy of robotic manipulators
Endüstriyel yapay görme sistemlerini iyileştirmek ve robotik manipülatörlerin görev doğruluğunu artırmak için öğrenme algoritmalarının geliştirilmesi
DIYAR KHALIS BILAL
Doktora
İngilizce
2021
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. IŞIN ERER