Tez No	İndirme	Tez Künye	Durumu
387373		Human activity recognition with wireless sensor networks using machine learning / Kablosuz algılayıcı ağlar ile makıne öğrenmesi kullanarak insan aktivitesi anlama Yazar:HANDE ALEMDAR Danışman: PROF. DR. CEM ERSOY Yer Bilgisi: Boğaziçi 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 2015 153 s.
Otomatik insan davranışı tanıma, akıllı evler, sağlık izleme uygulamaları ve acil durum servisleri gibi birçok çevresel zeka uygulaması için önemlidir. Sağlık izleme sistemlerini sürdürülebilir yapmak için insan aktivitelerinin otomatik olarak algılandığı akıllı ortamlara ihtiyaç vardır. İnsan davranışlarını anlamak için, akıllı ortamlardan toplanan veriler üzerinde makine öğrenmesi yöntemlerini kullanabiliriz ancak bu yöntemler işaretlenmiş eğitim kümelerine ihtiyaç duyarlar. Bu kümeleri oluşturmak insan çabası gerektirdiğinden pahalıdır. Ayrıca, insan faaliyetlerinin karmaşık yapısı, onları doğru bir şekilde modellemeyi zorlaştırır. Hiyerarşik modeller daha doğru temsil için bir çare olabilir, ancak uygun karmaşıklık düzeylerini bulmak kolay değildir. Son olarak, otomatik insan davranışı izleme sistemlerini dünya ölçeğinde uygulanabilir kılmak için model davranışını her farklı evin sakinlerinin davranışlarını yansıtacak şekilde ayarlamak gereklidir. Her ev için haftalarca eğitim kümesi toplamaktansa, zaman içinde sadece en çok bilgi içeren noktalar için etiket toplayarak, etiketleme eforunu azaltırken öğrenme yönteminin yararlılığını artıracak bir mekanizma geliştirilebilir. Bu tezde, (i) tüm araştırmacılara açık, karşılaştırma amacıyla kullanılabilir veri kümeleri oluşturarak, (ii) makine öğrenmesi modelinde, her aktiviteye özel olarak hiyerarşi seviyesi belirlemek için bir yöntem önererek, (iii) farklı yaklaşımların ve modellerin değerlendirilmesini, alanın özel ihtiyaçlarını gözetecek şekilde geliştirerek, (iv) evde birden fazla kişinin yaşadığı durumları kullanıcılara ek yük getirmeyecek şekilde ele alan yöntemler önererek, (v) geniş ölçekli kurulumlarda etiketleme eforunu azaltmak için aktif ve yarı-denetimli öğrenme teknikleri kullanarak, yukarıda bahsedilen konuları hedef alan çalışmalar yapılmıştır.
Recognizing human behavior in an automated manner is essential in many ambient intelligence applications such as smart homes, health monitoring applications and emergency services. In order to make such long term health monitoring systems sustainable, we need smart environments in which the human activities are recognized automatically. In order to infer the human behavior, we can use machine learning methods on the data collected from the smart environments but those methods require annotated datasets to be trained on. Recording and annotating such datasets are costly since they require time and human effort. Moreover, the complex nature of human activities makes it difficult to accurately model them. While hierarchical models can be a remedy for more accurate representation, finding suitable complexity levels is not a trivial task. Finally, when we deploy automatic human behavior monitoring systems on a world-wide scale, we need to fine tune the model behavior for each new house to accurately reflect the residents' behavior for that specific house. Rather than annotating a dataset consisting of several weeks of data, an algorithm can be used to decide for which point in time it would be most informative to obtain annotation in order to minimize the need for annotation and maximize the usefulness of annotation. This thesis addresses the above mentioned issues by (i) collecting publicly available benchmark datasets, (ii) proposing a methodology for incorporating a hierarchy into the model that is tailored for various activities individually, (iii) improving the ways of evaluating different approaches and models considering the domain specific needs, (iv) handling multi-resident environments in an unobtrusive manner and, (v) using active and semi-supervised learning techniques in order to reduce the annotation effort in large scale deployments.