Kümeleme ve yerel aykırı faktör tabanlı aktif öğrenme yaklaşımları: Otomotiv sektöründe bir uygulama
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, Endüstri Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: FATMA SANİYE KOYUNCU
Danışman: Tülin İnkaya
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dijitalleşme ile birlikte küreselleşme; imalat, finans, enerji, sağlık gibi çeşitli üretim ve hizmet sistemlerinde toplanan verinin artmasını sağlamıştır. Bu sistemlerin verimli ve etkin bir şekilde yönetilebilmesi için yapay zekâ teknikleri kullanılarak toplanan veri ile tahmin ve çıkarımlar yapılmaktadır. Yapay zekâ yöntemleri, öğrenme sürecinde yeterli miktarda etiketli veriye ihtiyaç duymaktadır. Diğer yandan gerçek hayattaki sistemlerde verilerin çoğu etiketsizdir ve etiketleme işlemi maliyetli veya zordur. Bu amaçla aktif öğrenme çözüm yaklaşımı olarak kullanılmaktadır. Aktif öğrenme, modelin çevre ile etkileşime girdiği ve bilgilendirici örneklerin etiketlendiği makine öğrenmesi yöntemlerinden biridir. Bu tezde, zaman serisi sınıflandırma problemi için aktif öğrenme yaklaşımları önerilmiştir. Bu kapsamda, verinin tamamının etiketsiz olduğu durum ele alınmıştır ve iki başlangıç yaklaşımı önerilmiştir. Önerilen başlangıç yaklaşımlarında önce gürültü ya da aykırı veriler başlangıç eğitim kümesinden çıkarılmıştır, sonrasında kalan verilerdeki temsilci örnekler kümeleme ile belirlenmiştir. İlk yaklaşımda gürültüyü tespit etmek amacıyla DBSCAN algoritması; ikinci yaklaşımda ise aykırı verileri tespit etmek amacıyla yerel aykırı faktör (LOF) algoritması kullanılmıştır. Her iki yaklaşımda da veri kümesindeki temsilci örnekleri belirlemek için k-ortalamalar kümeleme yöntemi uygulanmıştır. Belirlenen temsilci örnekler başlangıç aşamasında uzman tarafından etiketlenmiştir. Zaman serilerinin sınıflandırmasında k-en yakın komşu (KNN) algoritması ve aktif öğrenmede sorgu seçimi için belirsizlik örneklemesi kullanılmıştır. Önerilen yaklaşımların performansları, üretim ve sağlık sistemlerinden toplanan dört adet sensör veri kümesi üzerinde test edilmiştir. Deneysel çalışmalarda kümeleme yöntemi, sınıflandırma algoritması ve sorgu sayısının etkileri analiz edilmiştir. Performans kriterleri olarak doğruluk ve ağırlıklı F-ölçütü kullanılmıştır. Ayrıca önerilen yaklaşımlar bir otomobil üreticisinde tedarikçilerin risk tahmininde uygulanmıştır. Deneysel çalışmalar, önerilen yaklaşımların başlangıç eğitim kümesinin belirlenmesinde etkili olduğunu göstermiştir.