Yazar "Çomak, Emre" seçeneğine göre listele
Listeleniyor 1 - 2 / 2
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Destek vektör makineleri çoklu sınıf problemleri için çözüm önerileri(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2004-07-22) Çomak, Emre; Arslan, AhmetVeri kaynaklan, akıllı bir işlem karan vermek için kullanılabilir. Yapay zekâ; insan gibi düşünen, karar verebilen yani, insanı model alarak bu tip problemleri çözmeyi amaçlayan bir bilim dalı haline gelmiştir. Bunun için de bazı temel işlemleri yerine getirmeye çalışır. Makine öğrenmesi konusu; elde ettiği tecrübeleri otomatik olarak çalıştırabilen bilgisayar programlarının nasıl yapılandırılacağı ile ilgilenir. Son yıllarda birçok makine öğrenmesi uygulaması başarıyla geliştirildi. Kredi.kartı işlemlerinden bilgi filtreleme sistemlerine kadar çeşitli konularda uygulamalar geliştirildi. Aynı zamanda, teorik yapı ve algoritmalardaki önemli gelişmelerle birlikte bu alanlardaki ilerleme alt yapı bakımından da güçlenmiş oldu. Yukarıda değindiğimiz temel işlemlerden bahsedelim. Sınıflandırma; bizim ilgilendiğimiz problem açısından önemli olan veri sınıflarının tanınması işleminin modeller kurularak yerine getirilmesidir. Sınıflandırma tahminden farklıdır. Sınıflandırma modelleri kategorisel etiketleri tahmin ederken, tahmin modelleri sürekli değerli fonksiyonlar üzerinde gelecekteki veri eğilimlerini bulmaya çalışır. Makine öğrenmesi sınıflandırıcıları tarafından uzman sistemler, istatistiksel metotlar ve hücresel biyoloji alanlarında birçok sınıflandırma metodu önerildi. Makine öğrenmesinin etkili bir şekilde kullanılabilmesi için istatistik, yapay zekâ, filozofik, bilgi teorisi, biyoloji, kontrol teorisi gibi birçok alandan da yararlanılmalıdır. Destek vektör makineleri metodu da bu disiplinlerden istatistik alam üzerine kurulmuş bir metottur. Genel olarak istatistiksel öğrenmede 2 durumu ayırt etmeliyiz: 1- eğitme örneklerinden öğrenme/hesaplama işlemi, 2- test örnekleri (sonradan karşılaşılacak örnekler) için tahminde bulunma işlemi. İstatistik kısmında yapılan tanıma göre eğitme ve test verileri aynı istatistiksel dağılımda olmalıdır. İstatistikte öğrenme işlemleri aşağıdaki üç grupta toplanabilir;. Sınıflandırma veya örüntü tanıma,. Regresyon veya gürültülü örneklerden sürekli fonksiyonun hesaplanması,. Örneklerin kullanılarak olasılık yoğunluğunun tahmin edilmesi. Destek Vektör Makineleri-DVM (Support Vector Machines (SVM)) metodu da bu işlemleri yapabilecek alt yapıya sahiptir. DVM '1er orijinal olarak kendine has formüllerle iki ayrı sınıfı direk ayırabilir. Fakat gerçek uygulamaların çoğunda iki sınıfa ayrılan sınıflandırma işlemlerinden çok çoklu sınıf sınıflandırma problemleriyle karşılaşmaktayız. DVM 'lerdeki ilk önemli problem bu noktada ortaya çıkmıştır. Çünkü DVM '1er teorik olarak iki sınıflı sınıflandırma durumları düşünülerek tasarlanmışlardır. Daha sonra yapılan araştırmalarda DVM 'leri çoklu sınıflı sınıflandırma durumuna genişletmek için bazı yaklaşımlar önerildi. Bu yaklaşımlara daha sonraki bölümlerimizde detaylı bir şekilde değineceğiz. Bu yaklaşımlardan hangisi uygulanırsa uygulansın DVM 'lerde sınıflandırılamayan bölgeler oluşmaktadır. Çalışmamızda bu problemin çözülmesini hedefleyen yeni bir teknik geliştirmeye çalıştık.Öğe Destek vektör makinelerinin etkin eğitimi için yeni yaklaşımlar(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2008-06-04) Çomak, Emre; Arslan, AhmetSınıflandırma; yeni karşılaşılan veri örneklerinin önceden karşılaşılmış olan verilerden elde edilen bilgilerle fikir yürütülerek farklı sınıflara ayrıştırılması işlemidir. Sınıflandırma işleminin amacı, veri gruplarını oluşturan sınıf özellikleri ve bu sınıfların çıkış karakterleri arasındaki ilişkilerin keşfedilerek, bu ilişkiler ile yeni bir veri örneğinin sınıf etiketini tahmin etmektir. Sınıflandırıcılar, eğiticili ve eğiticisiz olmak üzere ikiye ayrılır. Eğiticili öğrenmede, verilerle birlikte ait olduğu sınıflar da önceden sisteme bildirilir. Eğiticisiz öğrenmede ise, sınıflar önceden bilinmez ancak tahmin edilebilirler. Genellikle kümeleme metotları eğiticisiz olarak çalışırlar. Makine öğrenmesi yöntemleri, eğiticili (sınıflandırma ve regresyon) ve eğiticisiz (kümeleme) öğrenme problemlerinde kullanılmaktadır. Destek Vektör Makineleri ise, eğiticili veya yarı eğiticili olarak çalışabilen ve sınıflandırma ile regresyon uygulamalarında kullanılan bir makine öğrenmesi yöntemidir. Destek Vektör Makineleri (DVM), güçlü bir teorik alt yapıya sahiptir. Çünkü istatistiksel öğrenme teorisinden yararlanan Vapnik-Chervonenkis boyutu ve Yapısal Risk Minimizasyonu prensipleri üzerine kurulmuş olan bir yöntemdir. Bu yaklaşımlar DVM'ne üstün bir genelleme yeteneği kazandırmaktadır. Bu yüzden birçok uygulama alanında başarıyla kullanılmaktadır. Fakat bazı zayıf yönleri de bulunmaktadır. Gerçekleştirilen tez çalışmasında, bu zayıf yönlerin kuvvetlendirilmesi hedeflenmiştir. Bu çerçevede; K-En Yakın Komşuluk (KEYK), Renyi entropi ve en küçük kareler regresyonu gibi metotlar yeni DVM eğitim algoritmaları geliştirilmesinde yardımcı metotlar olarak kullanılmıştır. Ayrıca, bu yardımcı metotlardan elde edilen ölçülerin değerlendirilmesinde Öklit uzaklıklarından da faydalanılmıştır. Bu yardımcı metotlar, DVM'ne yerel kontrol özelliği katmak için kullanılmış ve bu metotların yardımı ile zayıf yönleri kuvvetlendirilen yeni DVM eğitim algoritmaları geliştirilmiştir. Geliştirilen metotlar (KKDVM, RKKDVM ve parametre düzenleyici yaklaşım) UCI (California Üniversitesi Bilimsel Veri Tabanı) ndan alınan İris, Şarap, Araç ve Tiroid veri kümeleri üzerinde ve Fırat Tıp Merkezi Kardiyoloji bölümünden elde edilen Dopler kalp kapakçıkları işaretlerine uygulanmıştır. DVM çeşitleri arasında, aynı amaç çerçevesinde geliştirilmiş olan En Küçük Kareler Destek Vektör Makineleri (EKKDVM) metodu ile de aynı veri kümeleri kullanılarak uygulamalar yapıldı. Tiroid veri kümesinde EKKDVM %95.62, KKDVM %96.62 ve RKKDVM %97.26, İris veri kümesinde EKKDVM %94.66, KKDVM %98.67 ve RKKDVM %100.00, Şarap veri kümesinde EKKDVM %96.59, KKDVM %97.73 ve RKKDVM %96.59 ve Araç veri kümesinde EKKDVM %68.72 ve RKKDVM %83.88 sınıflandırma doğruluğu test edilmiştir. Parametre düzenleyici yaklaşımın ise, en iyi parametre değerlerine başarıyla ulaştığı gözlenmiştir. Bu uygulama sonuçlarıyla, geliştirilen metodların üstünlüğü ortaya çıkarılmıştır.
