Akıllı Şehir Uygulamalarında Dağıtık Makine Öğrenmesi Yöntemleriyle Veri Analizi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Bilişim Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: Nawaf Abdulla
Asıl Danışman (Eş Danışmanlı Tezler İçin): Mehmet Demirci
Eş Danışman: Suat Özdemir
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu doktora tezi, dinamik tahmin gereksinimleri, kavram sapması ve sürekli değişen akış verileri gibi zorlukların üstesinden gelmeye odaklanarak uyarlanabilir öğrenmenin çeşitli alanlardaki uygulamasını araştırmıştır. Çalışma, Nesnelerin İnterneti (IoT) iş uygulamalarında otonom uyarlanabilir öğrenme yaklaşımlarının önemini vurgulamıştır. İlk bölüm, gecikmeyi en aza indirmek ve performansı artırmak için önerilen işbirlikçi bir sis bulutu mimarisiyle zaman serisi akış verilerindeki kavram sapmasına odaklanmıştır. Deneysel bulgular, temel modellerle karşılaştırıldığında eğitim süresinde ve tahmin hatasında önemli bir azalma olduğunu göstermektedir. İkinci bölüm, çift yönlü LSTM modellerinin pratikliğini ve uyarlanabilir öğrenmenin önemini vurgulayarak derin öğrenme tekniklerinin hava tahmininde uygulanmasını araştırmıştır. Sonuçlar, uyarlanabilir öğrenmenin tahmin hatalarını yaklaşık 45% oranında azaltabileceğini ve tek değişkenli modellerin hesaplama verimliliği faydaları sağladığını göstermektedir. Üçüncü bölüm, kıyı topluluklarındaki taşkın tahminlerini inceleyip iklim değişikliğini dikkate alan kesin tahminlerin kritik doğasını vurgulamıştır. Tahmin doğruluğunu artırmak için çift yönlü LSTM ve uyarlanabilir öğrenmeyi birleştiren uyarlanabilir bir derin öğrenme metodolojisi sunulmuştur. Önerilen sistem temel modellerden 40% daha iyi performans göstermektedir. Son bölüm, kısa vadeli konut enerji tüketimi tahminini ele almış, model doğruluğu, gizlilik ve ölçeklenebilirlik konularını ele almıştır. Uyarlanabilir öğrenmeyi, birleştirilmiş öğrenmeyi ve uç bilişimi entegre eden bir çerçeve önerilenmiş; bu da eğitim süresinin azalmasına, 8% tahmin hatası oranlarına, kullanıcı gizliliğinin korunmasına ve iletişim gecikmesine yol açmıştır. Özetle, bu doktora tezi geniş bir uyarlanabilir öğrenme uygulamaları ve metodolojileri yelpazesini kapsamakta olup, bunların tahmin doğruluğunu iyileştirme, hataları azaltma ve çeşitli alanlarda model performansını artırmadaki etkinliğine odaklanmaktadır.