Yazar
Özöğür Akyüz, S., Üstünkar, Gürkan, Weber, G. W.
Basım Tarihi
2016-05
Basım Yeri
-
Dünya Bilimsel Yayıncılık Şirketi
Konu
Sonsuz çekirdek öğrenmesi, Destek vektör makineleri, Optimizasyon, Çok yerel prosedür, Çoklu çekirdek öğrenmesi, Tavlama benzetimi
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
1793-6381
Kayıt Numarası
d89fd08e-ba26-4217-afe4-ec2bbaee161f
Tarih
2016-05
Notlar
Telif hakkı kısıtlamaları nedeniyle bu makalenin tam metnine erişim yalnızca abonelik yoluyla mümkündür.
Örnek Metin
Makine öğrenimi (ML) ve optimizasyon yöntemlerinin etkileşimi, yapay zekanın yeni ortaya çıkan bir alanıdır. Hem makine öğrenimi hem de optimizasyon, gerçek dünya sorunlarıyla ilgili sistemlerin modellenmesiyle ilgilidir. Sınıflandırma modelleri için parametre seçimi, ML algoritmaları için önemli bir görevdir. İstatistiksel öğrenme teorisinde en bilinen model seçim yöntemi olan çapraz doğrulama (CV), büyük veri setleri için oldukça zaman alıcı olabilmektedir. Destek vektör makineleri (SVM'ler) için geliştirilen son model seçim tekniklerinden biri, gözlemlenen test noktası marjlarına dayanmaktadır. Bu çalışmada, gözlemlenen marj stratejisi, yeni sonsuz çekirdek öğrenme (IKL) algoritmamıza, küresel çözüm bulmak için bir optimizasyon tekniği olan çok yerel prosedür (MLP) ile birlikte entegre edilmiştir. Deneysel sonuçlar, çoklu çekirdek öğrenimi (MKL) ve CV'li yarı sonsuz doğrusal programlama (SILP) ile karşılaştırıldığında doğruluk ve hızdaki iyileşmeleri göstermektedir.
DOI
10.1142/S0218001416510046
Cilt
30
