ÇOK GÖRÜNÜMLÜ KÜMELEME İÇİN KARINCA KOLONİ OPTİMİZASYONU TEMELLİ BİR YAKLAŞIM

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, Endüstri Mühendisliği, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: MELİKE ERTÜRK

Danışman: Tülin İnkaya

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde sensör teknolojilerinin gelişmesi ve nesnelerin internetinin yaygın olarak kullanılması ile veriler farklı kaynaklardan farklı türlerde gelebilmektedir. Bu nedenle, farklı bakış açılarını ve/veya farklı veri kaynaklarını bütünleştiren çok görünümlü veri ile bu veri için geliştirilmiş makine öğrenmesi yöntemleri önem kazanmaktadır. Bu çalışmada, gözetimsiz öğrenme yaklaşımlarından biri olan çok görünümlü kümeleme problemi ele alınmıştır. Bu doğrultuda, çalışmada verideki farklı görünümleri bütünleşik ele alarak aynı kümedeki nesnelerin birbirlerine benzer, farklı kümelerdeki nesnelerin birbirlerinden farklı olacak şekilde gruplandırılması amaçlanmıştır. Bu doğrultuda, problemin çözümü için sürü zekasına dayalı meta-sezgisel yöntemlerden biri olan karınca koloni optimizasyonu (KKO) kullanılmıştır ve KKO temelli çok görünümlü kümeleme yaklaşımı önerilmiştir. Önerilen yaklaşım ile farklı görünümler için görünüm ağırlıkları optimize edilerek her kümedeki en iyi temsilci nesne belirlenmiştir. Önerilen yaklaşımın performansının değerlendirilmesi için karşılaştırmalı veri kümeleri ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalarda önerilen yaklaşımın performansı, klasik tek görünümlü kümeleme algoritmalarının performansı ile karşılaştırılmıştır ve çok görünümlü kümelemenin tamamlayıcı etkisi ile faydası değerlendirilmiştir. Ayrıca, önerilen algoritma sağlık sektöründe anomali tespitinde kullanılmıştır.