TY  - BOOK
AU  - Üçer,Serkan
AU  - Özyer,Tansel
ED  - TOBB Ekonomi ve Teknoloji Üniversitesi.
TI  - Sosyal ağ analizi tabanlı özgün görselleştirilebilir aykırı veri tespiti, öznitelik seçimi ve gözetimli öğrenme yöntemleri
PY  - 2022///
CY  - Ankara
PB  - TOBB ETÜ Fen Bilimleri Enstitüsü
KW  - Sosyal ağ analizi
KW  - Çizge kuramı
KW  - Keşifsel veri analizi
KW  - Gözetimli öğrenme
KW  - Görsel anlamlandırma
KW  - Açıklanabir yapay zeka
KW  - Social network analysis
KW  - Graph theory
KW  - Exploratory data analysis
KW  - Supervised learning
KW  - Visual reasoning
KW  - Explainable artificial intelligence
N1  - Tez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2022
N2  - İnsanın karar verme işlevine yardımcı olan gözetimli makine öğrenmesi teknikleri, günümüzde veri toplama cihazlarının gelişmesi, veri miktarının artması ve veriye ulaşımın kolaylaşması ile birlikte yaygınlaşmıştır. Makine öğrenmesi modelleri giderek artan bir başarı oranı göstermekle birlikte, bu modellerin anlaşılabilirliği ve yaptıkları sınıflandırma tahminlerinin yorumlanabilirliği giderek azalmaktadır. Görsel modeller insanın sezgisel kavrayışına uygun modellerdir. Bir görsel ifade şekli olarak çizgeler, makine öğrenmesinde çeşitli şekillerde uygulama alanı bulabilmişlerdir. Bu tez kapsamında, makine öğrenmesi (eğitim) verisinin ağ çizgelerine dönüştürülerek görselleştirilmesi, ardından çizgelerin sosyal ağ analizi ve çizge kuramı teknikleri yoluyla işlenmesi neticesinde, görsel anlamlandırmaya uygun çeşitli öğrenme teknikleri geliştirilmiştir. Bu tekniklerden ilki bir aykırı veri tespit sistemi, ikincisi öznitelik çıkarımı ve seçimi modeli, üçüncüsü ise görsel bir kategorik öğrenici modelidir. Önerilen bu modeller, makine öğrenmesi sınıflandırma görevinde çeşitli problemler üzerinde uygulanmış, başarımları rakip yöntemler ile karşılaştırmalı gösterilmiştir. Bununla birlikte, geliştirilen modellerin makine öğrenmesi sistemlerinin anlaşılabilirliğine olan katkıları da tez kapsamında tartışılmıştır. Deney sonuçları, önerilen bu sistemlerin makine öğrenmesinde başarım ve anlaşılabilirlik ölçütlerinde tercih edilebilecek yeni yöntemler olarak değerlendirilebileceklerini göstermektedir; Supervised machine learning techniques, which help human decision-making, have become widespread today with the development of data collection devices, the increase in the amount of data and the ease of access to data. Although machine learning models show an increasing success rate, the intelligibility of these models and the interpretability of their classification predictions are declining. Visual models are models suitable for human intuitive understanding. Graphs as a form of visual expression objects, have been able to find application in various ways in machine learning. Within the scope of this thesis various learning techniques suitable for visual interpretation have been developed by first visualization machine learning (training) data through conversion of it to network diagrams, and then processing the resulting graphs through social network analysis and graph theory techniques. The first of these techniques is an outlier data detection system, second one is a feature extraction and selection model, the third one is a visual categorical learner model. These proposed models are applied on various problems in machine learning classification task, and performances are shown in comparison with competing methods. In addition, the contributions of the developed models to the intelligibility of machine learning systems are also discussed within the scope of the thesis. Experimental results show that these proposed systems can be evaluated as new methods that can be preferred in machine learning by both performance and intelligibility criteria
ER  -