Yazar
Ayvaz, Demet
Basım Tarihi
2019-07-31
Konu
Derin öğrenme, Sınıflandırma, Özellik çıkarma
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
2277ed17-8f09-489b-a479-0063d1177a17
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2019-07-31
Örnek Metin
Şirketler müşterileriyle uzun vadeli bir ilişki kurmak için etkileşime girer. Doğru ürünle doğru hedef kitleyi hedeflemek, müşterilere daha iyi hizmet vermek, onların şirkete olan bağlılıklarını artırmak ve yüksek kâr elde etmek için büyük önem taşıyor. Bu nedenle şirketler, çoğunlukla kurallara dayalı ve büyük ölçüde iş anlayışına ve insan uzmanlığına dayanan kampanya yönetim sistemleri oluşturmak için büyük yatırımlar yapıyor. Son on yılda öneri sistemleri, müşterilerin çıkarlarını anlamak ve tahmin etmek için genellikle derin öğrenme gibi modelleme tekniklerini kullanıyor. Klasik derin sinir ağları, veriler içindeki gizli ilişkileri öğrenmede (genelleme) iyidir; ancak ezberleme yetenekleri sınırlıdır. Başlangıçta Google Play Uygulaması için önerilen Geniş ve Derin ağ modeli. Tavsiye, Geniş ve Derin ağ modellerini ortak bir ağda birleştirerek bu sorunu çözer. Ancak bu model, ezberlemeden faydalanmak için alan uzmanı bilgisi ve manuel olarak hazırlanmış özellikler gerektirir. Bu tezde, özellikle telekomünikasyon alanında kampanya katılım tahmini için Geniş ve Derin ağ modellerinin kullanılmasını savunuyoruz. Bahsi geçen sorunu bu modelle ele almak için bu tez, kombinatoryal özelliklerin (mevcut özelliklerin çapraz ürün dönüşümleri) insan uzmanlardan talep edilmesi yerine otomatik olarak oluşturulması için karar ağaçlarının kullanılması fikrini ortaya koymaktadır. Önde gelen bir GSM sağlayıcısının kampanya katılım verileri üzerinde bir dizi kapsamlı deney yapıldı. Sonuçlar, otomatik olarak hazırlanmış özelliklerin doğrulukta önemli bir artış sağladığını ve manuel olarak hazırlanmış özelliklere sahip Deep ve Wide & Deep modellerinden daha iyi performans gösterdiğini göstermiştir. Ayrıca, müşterilere sınırlı sayıda erişime izin verildiğinden, müşteriler tarafından kabul edilebilecek, iyi hedeflenmiş teklifler yapmak çok önemli bir rol oynamaktadır. Bu nedenle etkili bir kampanya katılım tahmini, yanlış pozitif tahminlerden kaçınılmasını gerektirir. Buna göre, başarısız olup olmayacaklarını tahmin edebilecek ağ modelleri oluşturmak için araştırmamızı sınıflandırma belirsizliğine doğru genişlettik. Sonuç olarak, tahmindeki belirsizliği yakalamak için kanıta dayalı derin öğrenme modellerini benimsiyoruz. Tahmin belirsizliğine ilişkin deneysel değerlendirmemiz, önerilen yaklaşımın doğru tahminler açısından daha güvenilir, yanlış tahminler için ise daha belirsiz olduğunu göstermiştir. Do gru kitleyi yapmak gru urunle hede emek, mu sterilere daha iyi hizmet sunarak sirkete olan bağ l klar n art rma ve dolay s yla sirket gelirlerini art rma noktas nda kritik onem ta s r. Bu nedenle sirketler, günlük kural bazl çal san ve insan uzmanl g na günlük kampanya yönetim sistemleri oluturmak i cin büyük yat rmlar yapmaktad r. Son y lda oneri sistemlerde genellikle sterilerin görüntülenmesi ve tahmin edilmesi amac yla derin o grenme gibi parça tekniklerini de kullanmaktadr. Klasik derin sinir a glar verisi içindeki gizli ili kayakları o grenmede bulundu ca ba sar l d r (genelleme) ancak hat rlama noktaları nda daha s n rl eldeleri vard r. Aslen Google Play uygulamalarının tasarladığı Wide & Deep o yeşil model Wide ve Deep modellerini tek bir model ve seride birle karıştırarak bu soruna çözüm sunuyor. Bununla birlikte, bu model, uzman bilgisine ve gelişmiş taraftan birden fazla verinin bir araya getirilmesi ile haz rlanmının girilenlere ihtiya cına duyarlıdır. Bu tezde, özel olarak telekomünikasyon alanında, kampanya kat l m tahmin i cin Wide & Deep a g modellerini kullanarak oneriyoruz. Tez kapsamnda, modellerde uzman bilgisine ihtiyaç duyulan kald rmak amac yla, bag ms z de gi skenler aras ndaki capraz ili skileri otomatik olarak olu sturmak i cin karar a gaclar n kullanan bir yontem geli stirilmi s ve GSM mu sterilerinin kampanya kat l m n i ceren ger cek veri uzerinde kapsaml bir de gerlendirme yap lm st r. Yap lan kar ın son rma sonucu onerilen yontem ile Wide & Deep model performansı n n onemli oranda art r etiketlendi ve Deep, Wide & Deep modellerinden daha iyi sonuç açıklanarak elde edilen gi gozlemlenmi karıştırıldı. Ayr ca, kampanya sistemlerinde sadece s n rl say da çok steri eri sime izin verildiginden, kabul edilme ihtimali en yüksek olan tekli erin çok steriye sunulmas kritik onem ta smaktad r. Dolay s yla, kampanya kat l m n n ba sar yla tahmin edilebilmesi için hatal tahminlerden ka c nmay da gereklidir. Bu nedenle, ba sar s olup olmayacaklar n tahmin edilebilecek bir g modelleri olu sturmak amac yla ara st rmam z s n ve rma belirsizli gi konusunda geni sleterek kan ta gün derin o grenme modellerini cal smam za dahil etmişlerdi. Sonu clar, onerilen modelin gru s n ve r lm s o geler uzerinde en du suk performansı de gerine sahip olduğu gunu, yanl s n ve rd g o geler uzerinde ise daha yksek belirsiklikle karar vermi s oldugunu gostermektedir.
