Kolektif öğrenmede alt küme bölümlendirmesine yenilikçi bir yaklaşım
An innovative approach to subset partitioning in ensemble learning
- Tez No: 938312
- Danışmanlar: PROF. DR. AYDIN ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Makine öğrenmesi, son yıllarda artan veri hacmiyle birlikte sınıflandırma, regresyon ve öngörülemeyen desenleri keşfetme gibi görevlerde yaygın olarak kullanılmaktadır. Ancak tekil öğrenme algoritmaları, genellikle sınırlı genelleme yetenekleri ve belirli veri yapılarındaki performans düşüklüğü nedeniyle yetersiz kalabilmektedir. Bu kapsamda, bireysel modellerin zayıflıklarını dengeleyerek daha sağlam kararlar üretmeyi amaçlayan kolektif öğrenme yaklaşımları öne çıkmaktadır. Bu tezde, kolektif öğrenmenin etkinliğini artırmaya yönelik olarak literatürde yaygın biçimde kullanılan örnek tabanlı alt kümeleme yöntemlerine alternatif bir çözüm olarak, öznitelik tabanlı alt kümeleme temelli yeni bir yöntem önerilmiştir. Önerilen yaklaşımda, veri kümesi özniteliklerine göre parçalara ayrılarak, her bir alt küme üzerinde farklı öğrenme algoritmaları eğitilmiş ve sonrasında bu modeller kolektif bir yapı içinde birleştirilmiştir. Böylece her model farklı bilgi alanlarına odaklanmış, sistemin çeşitliliği artırılmış ve genel performansı iyileştirilmiştir. Yöntem, iki aşamalı bir yapıda kurgulanmış; ilk aşamada dikey alt kümeleme yoluyla ön işleme yapılmış, ikinci aşamada ise heterojen sınıflayıcılardan oluşan kolektif model eğitilmiştir. Deneysel çalışmalar sonucunda, önerilen yöntemin özellikle F1-skoru ve zaman karmaşıklığı açısından klasik kolektif yöntemlere göre üstün performans gösterdiği gözlemlenmiştir. Çalışma, kolektif öğrenme sistemlerine yeni bir bakış açısı kazandırmakta ve disiplinler arası uygulamalarda değerlendirilebilecek güçlü bir yöntem ortaya koymaktadır.
Özet (Çeviri)
Machine learning has been widely adopted in recent years for tasks such as classification, regression, and the discovery of complex, unforeseen patterns, especially due to the rapid increase in data volume. However, individual learning algorithms often fall short in terms of generalization capability and performance across diverse data structures. To address these limitations, ensemble learning approaches have gained prominence by combining multiple models to produce more robust and accurate predictions. This thesis proposes a novel ensemble learning method aimed at improving performance by introducing an alternative to the commonly used sample-based sub-setting techniques in the literature. Instead, it utilizes a feature-based subsetting approach, in which the dataset is partitioned according to feature groups. Separate learning algorithms are then trained on each subset and later integrated into a collective model. This strategy allows each base learner to specialize in different feature spaces, thereby increasing model diversity and overall predictive performance. The proposed method is structured in two stages: a preprocessing phase involving vertical subsetting, followed by a training phase utilizing heterogeneous classifiers within an ensemble framework. Experimental results demonstrate that the proposed approach outperforms traditional ensemble techniques, particularly in terms of F1-score and time complexity. The findings suggest that the method provides a new perspective to ensemble learning and introduces a powerful and adaptable approach that can be evaluated across a wide range of interdisciplinary smart system applications.
Benzer Tezler
- Diagnosis and prognosis of Covid-19 from medica images using deep learning
Tıbbi görüntülerden derin öğrenme kullanılarak covid-19 tanısı ve hastalığın seyrinin belirlenmesi
NOURAN ASHRAF AHMED FADLALLAH
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Bilgi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET DENKER
- Öğrenen organizasyonlar
Learning organizations
DOĞAN ARSLAN
Yüksek Lisans
Türkçe
2001
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiYRD. DOÇ. DR. UFUK CEBECİ
- Cryptocurrency trading based on heuristic guided approach with feature engineering
Öznitelik mühendisliği ile sezgisel kılavuzlu yaklaşıma dayalı kripto ticaret işlemleri
ÇAĞRI KARAHAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Sınıftaki öğretime ve öğrenci öğrenmelerine okul müdürü liderliğinin etkisi: Öğrenmede aracı yolların incelenmesi
Effect of school manager leadership in classroom teaching and student learning: Investigation of learning tool ways
MAHMUT KARAKAYA
Doktora
Türkçe
2018
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET KORKMAZ
- Öğretmenlerin görüşlerine göre okulların mesleki öğrenme topluluğu olma durumları
The status of schools as a professional learning community in regard to the views of teachers
ASLIHAN UZUN
Yüksek Lisans
Türkçe
2022
Eğitim ve ÖğretimYıldız Teknik ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. İBRAHİM KOCABAŞ