Tez No	İndirme	Tez Künye	Durumu
406106		Yapay arı koloni algoritması ile kural tabanlı sınıflandırma yöntemlerinin geliştirilmesi / Developing rule based classification approaches using artificial bee colony algorithm Yazar:FEHİM KÖYLÜ Danışman: PROF. DR. DERVİŞ KARABOĞA Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Metasezgiseller = Metaheuristics ; Veri madenciliği = Data mining	Onaylandı Doktora Türkçe 2015 316 s.
Veri madenciliği, veri yığınları üzerinden anlamlı, ilginç, bilinmeyen bilginin farklı biçimlerde çıkartılması süreçlerine verilen genel isimdir. Kolay ve ekonomik biçimde toplanan ve çok büyük boyutlara ulaşan verinin işlenmesi gereken önemli bir ham maddeye dönüştüğü günümüz bilgi çağında, veri madenciliği; daha önce anlaşılamamış bir çok karmaşık problemin çözümlenmesi ve karar destek sistemlerinde kullanılmaktadır. Klasik sezgisel algoritmalar, veriler arasında ortak özellikleri istatistik hesaplamalar (bilgi kazancı, entropi vb.) yardımıyla çıkarıp sınıflandırma kurallarını öğrenir. Verideki gürültü, çok boyutlu problem için yetersiz ve çözüm uzayına dengeli dağılmayan veri gibi nedenler kural öğrenmenin zorluklarıdır. Çok fazla ihtimalin olduğu sınırsız boyutlu karmaşık problemler için, en iyi çözüme kısa sürede yakınsayabilen stokastik meta-sezgisel araştırma yöntemleri literatürde kural öğrenimi için de sıklıkla kullanılmıştır. Bu algoritmalar, doğadaki kimyasal, fiziksel, biyolojik, genetik ve sürü davranışı gibi zeki sistemlerden esinlenmiştir. Yapay Arı Koloni algoritması, optimizasyon problemlerinde diğer meta-sezgisel algoritmalara göre daha yüksek performans sergilemektedir. Bu tez çalışmasında, Yapay Arı Koloni Algoritması'na dayalı 3 farklı sınıflandırma öğrenme algoritması geliştirilmiştir. Geliştirilen algoritmalar, literatürde sıklıkla kullanılan test problemleri üzerinde test edilerek, sonuçları diğer kural öğrenme algoritmaları ile karşılaştırılmıştır. Geliştirilen algoritmalar, daha yüksek başarı oranlarına sahip probleme bağımlı olmadan genel kurallar keşfedebilmiştir.
Data mining is the process of extracting the meaningful, interesting, and unknown information from datasets. Nowadays, acquiring and storing the vast amount of data are cheap and easy. Information age gives the advantage of analysing and giving decisions for different complex problems which are not apprehensible before. Classical heuristic algorithms extract the common features between data with the help of the statistical measurements (entropy, information gain, etc.) and build the rules. The noise, multi-dimensionality, insufficient data, and unbalanced observations decreases the performance of classical methods. Stochastic meta-heuristic search methods converge to the global solution of complex problems with infinite dimensions and probabilities in a short time. These algorithms were inspired by chemical, physical, biological, genetic, and swarm based intelligent behaivoral systems. In literature, meta-heuristic algorithms are used for rule learning. Artificial Bee Colony (ABC) algorithm is one of the swarm-based algorithms and it is applied on many optimization problems successfully. This thesis proposes three different ABC based classification algorithms. Algorithms are evaulated on most popular test problems used in the literature. The results are compared with the state-of-the-art rule learning algorithms. The results show that the proposed algorithms can discover classification rules efficiently.