Show simple item record

dc.contributor.advisorGüvenir, Halil Altay
dc.contributor.authorŞirin, İzzet
dc.date.accessioned2020-12-02T12:51:31Z
dc.date.available2020-12-02T12:51:31Z
dc.date.submitted1993
dc.date.issued2018-08-06
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/37406
dc.description.abstractÖZET ÖZNİTELİK BÖLÜNTÜLERİ İLE Ö?RENME İzzet Şirin Bilgisayar ve Enformatik Mühendisliği, Yüksek Lisans Danışman: Y. Doç. Dr. Halil Altay Güvenir Ağustos, 1993 Bu çalışmada öznitelik bölünmesine dayalı yeni bir mekanik öğrenme yöntemi sunulmuştur. Bu yöntem kullanılarak bir sınıflama algoritması olan Öznitelik Bölüntüleri ile Sınıflayım CFP'nin yazılımı hazırlanmıştır. CFP algoritması mekanik öğrenmeyi tümevarım ve artırımlı öğrenme yöntemlerini kullanarak sağlar. CFP algoritmasında bölütü elemanları temel gösterim unsurlarıdır. Başlangıçta bölüntü elemanları bir boyutlu uzayda bir noktayı ifade ederken, zaman içinde bu elemanlar genişleyerek bir aralığı ifade ederler. Bölüntü el emanları parçalanarak özelleştirilirler. CFP algoritmasının kuramsal analizi yaklaşık olarak doğru kuramına (PAC-model) göre yapılmıştır ve benzer sis temlerle uygulama sonuçları karşılaştırılmıştır. Anahtar Sözcükler: Mekanik öğrenme, tümevarımsal öğrenme, artırımsal öğrenme, denetimli öğrenme, öznitelik bölüntüleme. iv
dc.description.abstractABSTRACT LEARNING WITH FEATURE PARTITIONS İzzet Şirin M.S. in Computer Engineering and Information Science Advisor: Asst. Prof. Halil Altay Güvenir August, 1993 This thesis presents a new methodology of learning from examples, based on feature ?partitioning. Classification by Feature Partitioning (CFP) is a particu lar implementation of this technique, which is an inductive, incremental, and supervised learning method. Learning in CFP is accomplished by storing the objects separately in each feature dimension as disjoint partitions of values. A partition, a basic unit of representation which is initially a point in the feature dimension, is expanded through generalization. The CFP algorithm special izes a partition by subdividing it into two subpartitions. Theoretical (with respect to PAC-model) and empirical evaluation of the CFP is presented and compared with some other similar techniques. Keywords: Machine learning, inductive learning, incremental learning, super vised learning, feature partitioning. inen_US
dc.languageEnglish
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontroltr_TR
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleLearning with feature partitions
dc.title.alternativeÖznitelik bütüntüleri ile öğrenme
dc.typemasterThesis
dc.date.updated2018-08-06
dc.contributor.departmentDiğer
dc.subject.ytmAlgorithms
dc.subject.ytmComputer assisted instruction
dc.subject.ytmComputer assisted education
dc.subject.ytmComputer softwares
dc.identifier.yokid29938
dc.publisher.instituteMühendislik ve Fen Bilimleri Enstitüsü
dc.publisher.universityİHSAN DOĞRAMACI BİLKENT ÜNİVERSİTESİ
dc.identifier.thesisid29938
dc.description.pages88
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/embargoedAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/embargoedAccess