Tez No	İndirme	Tez Künye	Durumu
315854		Transfer öğrenmede yeni yaklaşımlar / New approaches in transfer learning Yazar:BARIŞ KOÇER 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:Genetik algoritma tekniği = Genetic algorithm technique ; Hibrit yöntem = Hybrid method ; Yapay sinir ağları = Artificial neural networks ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2012 93 s.
Klasik makine öğrenmesi teknikleri, sadece yeterli miktarda ve uygun eğitim verisi olduğunda verimli çalışabilmektedir. Gerçek hayatta ise makine öğrenmesi yöntemlerini tam anlamıyla verimli bir şekilde çalıştıracak, tüm durumları kapsayan eğitim verisi bulmak bazı durumlarda zor, bazı durumlarda ise maliyetli bir iştir. Ayrıca koşulların değişmesiyle eldeki eğitim verisi güncelliğini kaybederek artık kullanılamaz duruma da gelebilir. Bu gibi durumlarda benzer görevler arası bilgi alışverişine olanak sağlayarak makine öğrenmesi için gerekli eğitim verisine olan ihtiyacı azaltmaya çalışan yaklaşımların bütününe ?Transfer Öğrenme? denir. Bu tez çalışmasında transfer öğrenmeye, optimizasyon problemleri penceresinden bakılarak yeni yaklaşımlar geliştirilmiştir. Ayrıca optimizasyon problemleri için geliştirilen yaklaşımları sınıflandırma problemlerinde de kullanabilmek amacıyla genetik algoritmalar - yapay sinir ağları hibrit yaklaşımı kullanılmıştır. Bu çalışmalara ek olarak ?örnek transferi? yaklaşımı için genetik algoritmalardan faydalanılarak yeni bir ağırlıklandırma metodu geliştirilmiştir. Son olarak, transfer öğrenme yaklaşımlarından ?parametre transferi? ve ?örnek transferi? yaklaşımları birleştirilerek yüksek performanslı bir transfer yaklaşımı geliştirilmiş ve mevcut yöntemle karşılaştırılmıştır. Sonuç olarak bu tez çalışmasında transfer öğrenmenin temel sorunlarına çözüm olabilecek ve transfer öğrenmenin performansını arttırabilecek yeni yaklaşımlar ortaya konulmuş, transfer öğrenmenin avantajlarının optimizasyon problemlerinde de kullanılabilmesine olanak sağlayacak yöntemler geliştirilmiştir.
Traditional machine learning techniques can work efficiently if it has enough training data. But in some cases, it is may be difficult or costly to find suitable training data which provides machine learning techniques work efficiently. Also, training data may become outdated because of changed conditions and so it can't be used in new case. Approaches which try to transfer knowledge between related domains to reduce the need for training data in machine learning are named as ?Transfer Learning?. In this thesis, transfer learning is evaluated for optimization problems by developing new approaches. Proposed approaches are also applied to classification problems by genetic algorithms - artificial neural network hybrid approaches. Additionaly a new weighting method for instance transfer is also proposed by using genetic algorithms. Finally in this thesis a high performance transfer learning approach is developed by combining two transfer learning approaches, "instance transfer" and "parameter transfer" and the test results are compared to existing approach. As the result, new approaches which can solve the main problems of transfer learning and improve the performance of the transfer learning are proposed and it is also provided to take advantage of transfer learning methods for optimization tasks.