Makine Öğrenmesinde Yeni Problemler

Slides:



Advertisements
Benzer bir sunumlar
Veri Kaynakları, Göstergeler ve Veri Kaynak Matrisi
Advertisements

ZAMAN SERİLERİ MADENCİLİĞİ KULLANILARAK NÜFUS ARTIŞI TAHMİN UYGULAMASI
SORU-CEVAP YÖNTEMİ Tuba Koç Gülpınar Gökşen.
Hayat Biçimini Seçmektir
ALPER LAÇİN SERDAR TAŞAN
MATLAB Bilgisayar Programlama Yrd.Doç. Dr. Aslıhan KURNUÇ
MIT563 Yapay Zeka ve Makine Öğrenmesi
AKM WEB SAYFASI ONLINE KİŞİ İŞLEMLERİ YARDIM MENÜSÜ
M.Fatih AMASYALI Yapay Zeka Ders Notları
MIT563 Yapay Zeka ve Makine Öğrenmesi
YAPAY ZEKA ÖDEV - 3 Kenan KILIÇASLAN Trakya Üniversitesi Fen Bilimleri Enstitüsü Makina Mühendisliği Doktora Programı.
Asansör Simülatörünün Ürettiği Sonuçlar Üzerinde Yapılan K-means++ Kümeleme Çalışması ile Trafik Türünün Tahmini M. Fatih ADAK Bilgisayar Mühendisliği.
Nesneye Dayalı Programlama
Öğretim Teknolojileri ve Materyal Tasarımı Öğretim Materyallerinin Tasarlanması, Hazırlanması ve Seçimi Dr. Süleyman Sadi SEFEROĞLU Hacettepe Üniversitesi,
Bellek Tabanlı Sınıflandırma
MIT563 Yapay Zeka ve Makine Öğrenmesi
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Karar Ağaçları.
İstatistiksel Sınıflandırma
TARTIŞMA YÖNTEMİ.
Simülasyonların Kullanımı
Bilgisayar Destekli Öğretim
  İLKÖĞRETİM BİLİŞİM TEKNOLOJİLERİ DERSİ ÖĞRETİM PROGRAMININ DEĞERLENDİRİLMESİ Hasan KARAL a*; İlknur REİSOĞLU b; Ebru GÜNAYDIN a a Karadeniz Teknik Üniversitesi,
BİYOİNFORMATİK NEDİR? BİYOİNFORMATİKTE KULLANILAN SINIFLAMA YÖNTEMLERİ
ÖNGÖRÜMLEME (Forecasting)
YAPAY SİNİR AĞLARI VE BAYES SINIFLAYICI
M.Fatih AMASYALI Uzman Sistemler Ders Notları
Matematiğe merakı olan arkadaşlar, lütfen aşağıdaki soruyu çok dikkatle inceleyiniz ve hemen cevaba bakmayınız !!! Aşağıdaki soru Barcelona Üniversitesi.
SONLU ELEMANLAR YÖNTEMİ
Dermatolojide Tanı Belirlemeye Yardımcı Uzman Sistem Gerçekleştirimi
TRABZON İL MİLLİ EĞİTİM MÜDÜRLÜĞÜ AR-GE BİRİMİ
Yıldız Teknik Üniversitesi Makina Müh. Bölümü
ARAŞTIRMA YÖNTEM VE TEKNİKLERİ
ULUSAL MESLEKİ BİLGİ SİSTEMİ
ÖĞRENME AMAÇLARI Veri analizi kavramı ve sağladığı işlevleri hakkında bilgi edinmek Pazarlama araştırmalarında kullanılan istatistiksel analizlerin.
Bilişim Teknolojileri için İşletme İstatistiği Yrd. Doç. Dr. Halil İbrahim CEBECİ B.
ÖĞRENME AMAÇLARI Çeşitli veri toplama yöntemlerinin avantaj ve dezavantajlarını anlamak. Kişisel görüşme, telefonla anket ve çevrim içi anketleri.
Bilgisayar Mühendisliğine Giriş
BİLGİSAYAR MİMARİLERİ 4.Hafta: Bellek Hiyerarşisi-2
Veri Madenciligi . Sınıflandırma ve Regresyon Ağaçları ( CART )
Adım Adım Algoritma.
ÖĞRENME AMAÇLARI Tahmin kavramını anlamak Pazarlama araştırmacılarının regresyon analizinden nasıl faydalandığını öğrenmek Pazarlama araştırmacılarının.
Yapay Zeka Desteği ile Parfüm Öneri Sistemi
Maliye’de SPSS Uygulamaları
BİL3112 Makine Öğrenimi (Machine Learning)
Makine Öğrenmesinde Yeni Problemler YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ.
O R T L G İ M A A Ve Akış şemaları.
Bölüm 4 : VERİ MADENCİLİĞİ
BAPSİS ÜZERİNDEN GENEL SATIN ALMA TALEBİ OLUŞTURMAK
Makine Öğrenmesinde Yeni Problemler YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ.
Araştırma Özetinin Konu Başlığı
BİLİMSEL ARAŞTIRMA YÖNTEMLERİ ÜNİTE 6
Örüntü Tanıma.
ÖLÇME VE DEĞERLENDİRME DERSİ
ARAÇLAR VE AÇIK-UÇLU ÖĞRENME ORTAMLARI
Kümeleme Modeli (Clustering)
Turgutlu Meslek Yüksek Okulu Bilgisayar Programcılığı
M A T E M A T İ K.
Kümeleme ve Regresyon Problemleri için Kolektif Öğrenme
Bölüm 1 Mühendislik Ekonomisi Kararları
Bilgi? Öğrenme, araştırma veya gözlem yolu ile elde edilen gerçek,
Makine Öğrenmesinde Yeni Problemler
Hastane Bilgi Sistemlerinde Veri Madenciliği
sayısı 2 sayısından 2 fazladır..
Yapay Öğrenme Teorisi Bölüm-1
ÖĞRENCİ AD SOYAD, ÖĞRENCİ AD SOYAD, ÖĞRENCİ AD SOYAD
Yapay Öğrenme Teorisi Bölüm-2
PROJE BAŞLIĞI NECMETTİN ERBAKAN ÜNİVERSİTESİ
TEST.
Sunum transkripti:

Makine Öğrenmesinde Yeni Problemler YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Aktif Öğrenme (Active Learning) Eğitim örneklerinin etiketlerinin başta belli olmadığı, algoritmanın etiketini istediği örnekleri seçtiği problemlerdir. Amaç: veri etiketleme maliyetini azaltmak Yöntem: Tüm eğitim seti yerine bir kısmını kullanmak. Belirli bir test seti üzerinde; tüm eğitim setini kullanmış olmamıza göre benzer, kabul edilebilir derecede düşük ya da daha yüksek başarı elde etmek YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Aktif Öğrenme Adımlar A: Küçük bir eğitim setiyle (E) başla. (eğitim kümesinin az bir kısmının etiketlerini iste) B: Bir model üret. Bu modele göre etiketsiz eğitim örneklerine (EE) dair tahminlerini üret. C: Bu tahminlere göre bu örneklerden bir kısmını seç (tahmin kesinliğine göre) ve etiketlerini iste. (EE’den çıkar, E’ye ekle) B ve C adımlarını tekrar et YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Aktif Öğrenme Sorular İlk eğitim setinin (E) seçiminin önemi var mı? EE’deki örneklerin sınıflandırma problemlerinde tahmin kesinliği nasıl hesaplanır? Tahmin kesinliği Regresyon problemlerinde nasıl ölçülebilir? Kolektif öğrenme nerede kullanılabilir? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Yarı Eğiticili Öğrenme (Semisupervised Learning) Modelin oluşturulmasında etiketli verilerin yanında etiketsiz verilerinde kullanıldığı problemlerdir. Temel fikir: Elde hem etiketli hem de etiketsiz veriler var. Belirli bir test seti üzerinde, sadece etiketli verileri kullanmak yerine, etiketsizleri de kullanmak daha olur. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Yarı Eğiticili Öğrenmede Sorular Etiketsiz örneklerin tahmini sınıfları nasıl hesaplanır? Regresyon problemlerinde nasıl hesaplanır? Kolektif öğrenme nerede kullanılabilir? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Kısmı Etiketler (Partial labels) Örneklerin birden fazla etiketi var. Sadece 1 i doğru. İçinde birden fazla kişinin olduğu resimler ve kişilerin isimleri var. Hangisi hangisinin ismi belli değil. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Çok Etiketli Verilerde Öğrenme (Multi-label learning) Bir örneğin birden fazla doğru etiketinin olduğu durumlar. Bir kişi hem baba, hem öğretmen, hem şişman olabilir. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Kalabalıktan Öğrenme (Learning from crowds) Örneklerin çok sayıda öğretmenin etiketlediği, hangisinin doğru olduğunun bilinmediği durumlar. 100 kişiye elinizdeki verileri etiketletiyorsunuz. Kişilerin genel güvenilirlikleri belli / değil Kişilerin belirli tür örnekler için güvenilirlikleri farklı/ eşit YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bütçeli Öğrenme (Budgeted learning) Elinde bir bütçe var. Bununla elindeki eğitim kümesinin örneklerini, örneklerin özelliklerini satın alıyorsun. Amaç eldeki bütçe (minimum data) en iyi test performansını elde etmek YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ