Kolektif öğrenmede alt küme bölümlendirmesine yenilikçi bir yaklaşım
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MEERIM KUBATOVA
Danışman: AYDIN ÇETİN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Makine öğrenmesi, son yıllarda artan veri hacmiyle birlikte sınıflandırma, regresyon ve öngörülemeyen desenleri keşfetme gibi görevlerde yaygın olarak kullanılmaktadır. Ancak tekil öğrenme algoritmaları, genellikle sınırlı genelleme yetenekleri ve belirli veri yapılarındaki performans düşüklüğü nedeniyle yetersiz kalabilmektedir. Bu kapsamda, bireysel modellerin zayıflıklarını dengeleyerek daha sağlam kararlar üretmeyi amaçlayan kolektif öğrenme yaklaşımları öne çıkmaktadır. Bu tezde, kolektif öğrenmenin etkinliğini artırmaya yönelik olarak literatürde yaygın biçimde kullanılan örnek tabanlı alt kümeleme yöntemlerine alternatif bir çözüm olarak, öznitelik tabanlı alt kümeleme temelli yeni bir yöntem önerilmiştir. Önerilen yaklaşımda, veri kümesi özniteliklerine göre parçalara ayrılarak, her bir alt küme üzerinde farklı öğrenme algoritmaları eğitilmiş ve sonrasında bu modeller kolektif bir yapı içinde birleştirilmiştir. Böylece her model farklı bilgi alanlarına odaklanmış, sistemin çeşitliliği artırılmış ve genel performansı iyileştirilmiştir. Yöntem, iki aşamalı bir yapıda kurgulanmış; ilk aşamada dikey alt kümeleme yoluyla ön işleme yapılmış, ikinci aşamada ise heterojen sınıflayıcılardan oluşan kolektif model eğitilmiştir. Deneysel çalışmalar sonucunda, önerilen yöntemin özellikle F1-skoru ve zaman karmaşıklığı açısından klasik kolektif yöntemlere göre üstün performans gösterdiği gözlemlenmiştir. Çalışma, kolektif öğrenme sistemlerine yeni bir bakış açısı kazandırmakta ve disiplinler arası uygulamalarda değerlendirilebilecek güçlü bir yöntem ortaya koymaktadır.