Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: OLCAY TOSUN
Danışman: RECEP ERYİĞİT
Özet:Veri boyutlarının büyümesi ve verinin hızla yenilenmesi sınıflandırma problemlerinde çevrim içi öğrenmeyi daha fazla kullanır hale getirmiştir. Hızlı model oluşturma konusunda popülerliğini koruyan ELM tabanlı OS-ELM çevrim içi öğrenme alanında sıklıkla kullanılmaktadır. ELM tabanlı algoritmaların gizli katman parametrelerini rastgele ataması gizli katmanların etkili kullanımını engellemektedir. Bu tez çalışmasında gizli katman parametrelerinin rastgele atanması yerine sınıflar arası uzaklığı baz alan CELM yöntemini kullanarak daha iyi genelleme performansına sahip Çevrim İçi Sıralı Kısıtlı Aşırı Öğrenme Makinesi (OS-CELM) isminde yeni bir çevrim içi öğrenme modeli sunulmuştur. OS-CELM modelinin ve OS-ELM modelinin üç farklı veri seti üzerinde başarım oranları ve eğitim süreleri karşılaştırılmıştır. Karşılaştırmaların sonucunda önerilen modelin daha iyi başarım oranlarının olduğu görülmüştür. The growth of data sizes and the rapid renewal of data have made online learning more used in classification problems. Maintaining its popularity in model training speed, ELM-based OS-ELM is one of the most frequently used in online learning. Despite the fast training ability, random assignment of hidden layer parameters by ELM-based algorithms prevents the effective use of hidden layers. In this study, a new online learning model called Online Sequential Constrained Extreme Learning Machine (OS-CELM) with better generalization performance using the CELM method based on the distance between classes instead of random assignment of hidden layer parameters is presented. OS-CELM model and OS-ELM are compared on three different data sets, in terms of performance rates and training times. As a result of the comparisons, it is seen that the proposed model has better generalization and accuracy performance.