Tez No	İndirme	Tez Künye	Durumu
338501		Decision fusion for supervised, unsupervised and semi-supervised learning / Denetimli, denetimsiz ve yarı-denetimli öğrenme için veri füzyonu Yazar:METE ÖZAY Danışman: PROF. DR. FATOŞ TUNAY YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2013 198 s.
Bu tez çalışmasında, Denetimli, Denetimsiz ve Yarı-denetimli Oğrenme problemleri icin veri fuzyonu yaklaşımları incelenmiştir. Denetimli Oğrenme icin, sınıflandırma veya genelleştirme hatasını azaltma problemi, bir sınıflandırma algoritmasının sınıflandırma hatasının iki kısımda analiz edilmesiyle incelenmiştir. İlk kısımda, k-NN algoritmasının N sayıda ornek ve cok sayıda ornek kullanılarak elde edilen sınıflandırma hataları arasındaki farkın azaltılması, Bulanık Yığılmış Genelleme Algoritması olarak adlandırılan bir hiyerarşik sınıflandırma algoritması kullanılarak sağlanmıştır. Daha sonra, cok sayıda ornek kullanılarak hesaplanan sınıflandırma hatası ve Bayes Hatası arasındaki farkı Bulanık Yığılmış Genelleme algoritmasında azaltmak amacıyla, bir ağırlıklı karar fuzyonu ve iki ornek secim algoritması sunulmuştur. Denetimsiz goruntu bolutlenmesi problemi, farklı bolutleme algoritma kararlarının fuzyonu icin incelenmiştir. Bolutleme Fuzyonu (BF) olarak adlandırılan bir karar fuzyonu ile birlikte iki uzaklık oğrenme metodu onerilmiştir. Ayrıca, bir ağırlıklı karar fuzyonu metodu sunulmuştur. Algoritma parametrelerinin ve farklı bolutleme etiketlerinin sayısının kestirimi icin iki algoritma onerilmiştir. Yarı-denetimli Bolutleme Fuzyonu olarak adlandırılan yeni bir karar fuzyonu algoritması kullanılarak BF algoritmasına verilerin istatistiksel ozellikleri hakkında on bilgiler ve yan bilgiler entegre edilmiştir. Onerilen algoritmalar ve metodlar, hem sentetik hem de gercek veri kumeleri uzerinde analiz edilmiş ve incelenmiştir.
In this thesis, Decision Fusion approaches have been analyzed for Supervised, Unsupervised and Semi-supervised Learning problems. In Supervised Learning, classification or generalization error minimization problem has been studied by analyzing the classification error of a classification algorithm into two parts. In the first part, the minimization of the difference between N-sample and large-sample classification error of k-NN has been studied using a hierarchical decision fusion algorithm called Fuzzy Stacked Generalization (FSG). Then, a weighted decision fusion and two sample selection algorithms are proposed to minimize the difference between large-sample error and Bayes Error in FSG. Unsupervised image segmentation problem has been analyzed for the fusion of decisions of different segmentation algorithms. An unsupervised decision fusion algorithm called Segmentation Fusion (SF) is proposed together with two distance learning methods. In addition, a weighted decision fusion method has been introduced. Two algorithms are suggested for the estimation of algorithm parameters and the number of different segmentation labels. The prior and side information about the statistical properties of data are integrated to SF using a new decision fusion algorithm called Semi-supervised Segmentation Fusion. The proposed algorithms and methods have been analyzed and examined on both synthetic and real-world datasets.