Tez No	İndirme	Tez Künye	Durumu
335290		Veri kümelerindeki eksik değerlerin yeni yaklaşımlar kullanılarak hesaplanması / Estimating missing values in datasets using novel hybrid approaches Yazar:İBRAHİM BERKAN AYDİLEK Danışman: PROF. DR. AHMET ARSLAN Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Eksik veri = Missing data ; Hibrit yöntem = Hybrid method ; Veri madenciliği = Data mining ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2013 100 s.
Veri kümeleri; veri madenciliği, makine öğrenmesi veya yapay zeka gibi disiplinlerin uygulanabilmesi için gereklidir. Veri kümelerindeki verinin kalitesi, doğru araştırma sonuçları elde edebilmek adına önemli bir konudur. Veri kümelerinde çeşitli nedenlerle veri kalitesini azaltan değeri olmayan nitelikler bulunabilmektedir. Değeri olmayan bu eksik değerler yapılmak istenen çalışmaya ait sonuçların güvenirliğini riske atabilmektedir. Bu nedenle veri kalitesini artırmaya yönelik yöntemler ile veri kümelerindeki eksik değer probleminin giderilmesi gerekmektedir. Bu tez çalışmasında eksik değer hesaplamasında kullanılan klasik yöntemlerden bahsedilerek alternatif gelişmiş yöntemler önerilmiştir. Daha önce konuyla ilgili yapılmış olan çalışmaların faydalarından bahsedilerek eksik değer hesaplamasının önemi vurgulanmıştır. Bulanık c-ortalamaları, destek vektör regresyonu ve genetik algoritmaların hibrit kullanımı ile geliştirilen bir yaklaşım ve ayrıca en yakın k-komşu ve yapay sinir ağlarının hibrit kullanımı sonucu geliştirilen bir diğer yaklaşım önerilmiştir. Bu yaklaşımlarda kullanılan temel algoritmalar olan bulanık c-ortalamaları ve en yakın k-komşu algoritmaları için en uygun parametre değerlerini bulan otomatik bir model önerilmiştir. Önerilen yaklaşımlar literatürde yaygın kullanılan veri kümeleri ile test edilmiş ve benzer diğer yaklaşımlar ile kıyaslanmıştır. Benzer yöntemlerin eksikliklerine karşı önerilen hibrit yaklaşımların literatüre kattığı yenilikler anlatılmıştır. Elde edilen araştırma sonuçlarında, önerilen hibrit yaklaşımların performanslarının benzer yöntemlere göre daha üstün ve tutarlı olduğunu görülmüştür.
Data mining, machine learning or artificial intelligence algorithms need a dataset to produce and evaluate research results. Data quality is a significant issue to obtain accurate research results. Many datasets may contain one or more missing values in a row due to various reasons. Missing values reduce data quality and even may jeopardize research results. Therefore, before using missing values in data mining or machine learning methods, they should be handled and estimated without reduce the data quality. In this paper basic conventional and computational intelligence imputation techniques are mentioned. Advantages of closer literature researches bring out the importance of dealing with missing values in datasets. A novel hybrid approach using fuzzy c-means, support vector regression and genetic algorithms is proposed. Also another novel hybrid approach k-nearest neighbors, artificial neural networks is also proposed. Fuzzy c-means and k-nearest neighbors algorithms? parameters are automatically optimized. Approaches tested with different kinds of datasets, which are frequently used in literature and additionally proposed approaches are compared with other closer methods in literature. Disadvantages of closer methods are mentioned in order to assess the originality of the proposed approaches. Findings showed that new novel proposed hybrid approaches performances are more stable and better than the other closer methods.