Learning with feature partitions
dc.contributor.advisor | Güvenir, Halil Altay | |
dc.contributor.author | Şirin, İzzet | |
dc.date.accessioned | 2020-12-02T12:51:31Z | |
dc.date.available | 2020-12-02T12:51:31Z | |
dc.date.submitted | 1993 | |
dc.date.issued | 2018-08-06 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/37406 | |
dc.description.abstract | ÖZET 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.abstract | ABSTRACT 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. in | en_US |
dc.language | English | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/embargoedAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | tr_TR |
dc.subject | Computer Engineering and Computer Science and Control | en_US |
dc.title | Learning with feature partitions | |
dc.title.alternative | Öznitelik bütüntüleri ile öğrenme | |
dc.type | masterThesis | |
dc.date.updated | 2018-08-06 | |
dc.contributor.department | Diğer | |
dc.subject.ytm | Algorithms | |
dc.subject.ytm | Computer assisted instruction | |
dc.subject.ytm | Computer assisted education | |
dc.subject.ytm | Computer softwares | |
dc.identifier.yokid | 29938 | |
dc.publisher.institute | Mühendislik ve Fen Bilimleri Enstitüsü | |
dc.publisher.university | İHSAN DOĞRAMACI BİLKENT ÜNİVERSİTESİ | |
dc.identifier.thesisid | 29938 | |
dc.description.pages | 88 | |
dc.publisher.discipline | Diğer |