Clustering
109 theses under this subject heading
Distributed iterative cluster localization in wireless sensor networks
We designed a distributed algorithm for iterative cluster localization. Because this algorithm is especially designed for large scale networks, increase in the number of sensor nodes has no inefficiency effect on sensor node performances. A node has the information regarding every node within some vertices which are in range of the node. In the presented techniques every node only focused on localizing itself, however in our algorithm every node can localize itself individually or they obtain localization information from other nodes. And we see that each node likely to localizes itself after it has localized other nodes in its cluster which obviously shows the contribution of coordinate sharing. Although our algorithm is mostly dependent on sharing information, we show the messaging overhead is quite reasonable.
Kümelenme ile Isparta meyvecilik sektörünün rekabet gücünün geliştirilmesi arayışları
Kümelenme, en basit ve geleneksel tanımıyla, belirli bir sektördeki coğrafi yoğunlaşmadır. Teorik çerçevesi, Michael Eugene Porter'ın 1990'lardaki çalışmaları ile şekillenmiş ve günümüzde de hem akademik çalışmalarda hem uygulamada popülerliği devam eden bir çalışma alanıdır. Porter öncesindeki çalışmalar, kümelenmeye sadece coğrafi yığılma açısından yaklaşırken Porter kümelenmeye inovasyon ve işbirliği içinde rekabet terimlerini kazandırmıştır. Ayrıca oyuncular arası ilişkiler ile ilgili ve destekleyici kuruluşların önemine değinmiştir. Bu çalışmanın ana amacı, Isparta'da önemli bir sektör olan meyveciliğin rekabet gücünün artırılarak geliştirilmesinde kümelenme yaklaşımının uygulanabilirliğini değerlendirmektir. Bu amaca ulaşmak için Porter'ın ulusal ve sektörel rekabetçiliği ortaya koymak için geliştirdiği Karo Modeli kullanılmıştır. Bu amaca yönelik olarak öncelikle kümelenmenin teorik çerçevesi çizilmiş, Isparta'da önemli bir ekonomik faaliyet olan meyvecilik sektörünün mevcut durumu ortaya konulmuş ve meyvecilik sektörü ile doğrudan ve/ya dolaylı olarak ilişkili sektörler/iş kolları belirtilmiştir. Karo Modeli faktörleri çerçevesinde sorular belirlenerek 47 büyük meyve üreticisiyle yüz yüze anket ve ilgili diğer sektörlerin temsilcileri ile de görüşmeler yapılmıştır. Toplanan verilerin analizi ile sektörün avantaj ve dezavantajlı yönlerinin belirlendiği bir SWOT Analizi ve buna göre sektörün uygulaması gereken stratejileri belirleyen bir SOR Analizi yapılmıştır. Belirlenen bu içsel faktörlerin yanı sıra doğal afetler, petrol-fiyat şokları, dünya finans piyasalarındaki dalgalanmaların özellikle girdi maliyetlerini artırması gibi dışsal tehditler de söz konusudur. Sonuç olarak, Isparta meyvecilik sektörü ve ilişkili diğer sektörler aynı coğrafi bölgede doğal kaynağa ve girdilere yakın bir şekilde konumlanmış fakat bir yığın olmanın ötesine gidememiştir. Bu durum, sektörün bölgesel rekabet şansını azaltmaktadır. Sektörün tehditleri karşılayabilecek gücünün olduğu, fakat atağa geçebilmesi için mevcut gücünün yanında eğitim, danışmanlık, ortak bir marka ve hedefler belirleme konusunda birlikte hareket edebilmelerini ve daha kaliteli ürün ve hizmet verebilmelerini sağlayacak stratejilere ihtiyacı vardır. Birlikte çalışma kültürü gelişememekle birlikte sektördeki tüm aktörler arasında kolay ve sürekli bir iletişimin olması ve kümelenmeye yönelik devlet desteklerinden yararlanmak için zorunlu olan aktörlerin bölgedeki mevcudiyeti Isparta'da meyvecilikteki yığın oluşumunun kümeye dönüşümünde ve bölgesel rekabet gücünü artırmada önemli bir avantaj olarak değerlendirilmelidir.
Alacadağ tabiatı koruma alanı yöresinde çok yıllık bitki türlerine göre orman yetişme ortamı sınıflandırılması
Karmaşık yapıdaki orman alanlarının, planlı ve sürdürülebilir yönetimi açısından sınıflandırılması önem arz etmektedir. Bu aşamada ormanlarda vejetasyon sınıflandırma ve haritalama çalışmaları gereklidir. Bu tez çalışmasında yüksek bitki tür zenginliğine sahip Alacadağ TKA yöresinde çok yıllık bitki türlerinin dağılımlarına göre vejetasyon sınıflandırılmıştır. Ayrılan vejetasyon grupları, çevresel faktörler ile modellenmiştir. Elde edilen modeller kullanılarak hiyerarşik sınıflandırma esasına göre vejetasyon toplumları haritalanmıştır. Çalışmada 100 m x 100 m hücre büyüklüğünde karelaj şebekesi oluşturulup bunlar içerisinde temsil yeteneğine sahip 20 m x 20 m ebatlarında 150 örnek alan alınmıştır. Arazi çalışmalarında bitki türlerinin kaplama alanı değerleri Braun-Blanquet skalasına göre kaydedilmiştir. Ayrıca örnek alanlara ait yetişme ortamı verileri kayıt altına alınarak hazırlanmış ve analiz sürecine başlanmıştır. Vejetasyon toplumlarının sınıflandırmasında ikili hiyerarşik sınıflandırma esasına göre kümeleme analizi uygulanmıştır. Kümeleme analiz grupları Sınıflandırma Ağacı Tekniği kullanılarak çevresel değişkenler ile modellenmiştir. Kümeleme analizi ve modelleme sonucunda elde edilen vejetasyon gruplarının uyumu her bir ayrım aşamasında ki-kare, kappa ve çoklu permutasyon analiziyle test edilmiştir. Anlamlı sonuç veren (P<0.05) model grupları kestirim değerleri itibariyle sayısal altlıklar üzerinde yaygınlaştırılarak haritalar oluşturulmuştur. Vejetasyon grupları için ayırt edici türler gösterge analizi ile tespit edilmiştir. Bu süreç sonucunda Alacadağ TKA yöresi 4 farklı vejetasyon grubuna ayrılmıştır. Vejetasyon gruplarının ayrımında yükselti ve buna bağlı olarak iklim en etkili çevresel değişken olmuştur. Ayrıca yine yörede engebelilik indeksi, gölgelenme indeksi, sıcaklık indeksi ve pürüzlülük indeksi vejetasyon toplumlarının ayrımında etkili olan diğer önemli çevresel değişkenlerdir. Sonuç olarak bu çalışma ile Alacadağ TKA yöresinin korunması, sürdürülebilirliği, geliştirilmesi ve geleceğe yönelik olarak planlanması için orman yetişme ortamı sınıflandırılmıştır.
Kayıp veri içeren veri setlerinde kümeleme uygulamaları
Kayıp veriler yapılan çalışmalarda olası bir durumdur. Kümeleme analizi nesnelerin doğal gruplarını bulmak için kullanılan bir yöntemdir. Birçok alanda kümeleme analizi veri çözümlemesinde en çok kullanılan yaklaşımlardan biridir. Çözümlenen veri setlerinde çeşitli oranlarda kayıp veri olabilir. Sayısal verilerde tamamen rastgele olan kayıp veri içeren veri setlerinin analizi için kullanılabilecek kümeleme yöntemleri içinde hangisinin en iyi olduğu ile ilgili kesin bir bilgi bulunmamaktadır. Veri sayısına ve veri yapısına göre her bir yöntemin birbirine üstünlükleri ve eksiklikleri vardır. Bu çalışmada sürekli tam ve kayıp veri içeren verilerin kümelenmesi incelenmiştir. Bölmeli kümeleme tekniklerinden k-ortalamalar ve yapay sinir ağı tabanlı kümeleme tekniklerinden öz düzenleyici haritalar (SOM) ve doğrusal vektör parçalama (LVQ) yöntemleri kullanılarak kümeleme analizleri yapılmış ve elde edilen sonuçlar karşılaştırılmıştır. Nitelikli bir karşılaştırma yapmak için literatürde bu tür karşılaştırmaların yapılmasında yaygın olarak kullanılan on bir gerçek veri setlinden yararlanılmıştır. Analiz sonuçlarına göre tüm yöntemlerde kayıp veri oranı arttıkça doğru sınıflandırma oranlarının düştüğü ve yedi veri setinde SOM kümeleme yönteminin k-ortalamalar ve LVQ yöntemlerine göre daha iyi performans gösterdiği görülmektedir. Dört veri setinde ise verilerin yapısına bağlı olarak LVQ'nun daha iyi performans gösterdiği tespit edilmiştir. Bu çalışmada, ifade edilen sınırlılıklar dahilinde kayıp veri ile çalışma alternatifi sunularak en iyi yöntem önerilerinde bulunulmuştur.
Elektron korelasyon yöntemleri için molekül içi küme yaklaşımı
Molekül içi küme (Cluster-in-Molecule, CIM) yaklaşımı, fragmantasyon temelli bir lokal korelasyon yöntemidir. Lokal korelasyon yöntemlerinin arkasındaki temel ilke, uzak lokalize moleküler orbitaller (Localized Molecular Orbital, LMO) arasındaki etkileşimin korelasyon enerjisine katkısının ihmal edilebilir olmasıdır. Bu tez çalışmasının amacı, Moller-Plesset (MP), yüksek maliyetli tekli ve ikili uyarılmış bağlanmış küme (Coupled Cluster Singles and Doubles, CCSD) ve pertürbatif üçlü uyarılmaları içeren CCSD [CCSD with perturbative triples, CCSD(T)] yöntemlerine CIM ve yoğunluk fit edilmesi (Density Fitting, DF) yaklaşımlarının uygulanmasıyla, doğrusal-ölçekli (linear-scaling), yani sistem boyutuyla doğrusal maliyet artışı gösteren CIM-DF-MP2, CIM-DF-MP2.5, CIM-DF-MP3, CIM-DF-CCSD ve CIM-DF-CCSD(T) yöntemlerinin geliştirilmesi ve kimyasal sistemlere uygulanabilmesi için bilgisayar ortamında C++ programlama dili ile programlanmasıdır.
Reliability analysis based on optimal location partition of communication network
Clustering a network enables the individuals to separate the network in to number of subnetworks. K-mean clustering is one of the most well-known clustering techniques, known for its simplicity. Basically the K-mean depends on the nodes' geographical locations and the Euclidian distance between them to create the clusters. In this work, a new algorithm has been proposed as a development for the K-mean clustering algorithm in order to increase the clustering results accuracy, by depending not only on the geographical location and distance but also on the connectivity between nodes. Network reliability is the probability that a network and all its subnetworks will perfectly complete the task that intend to perform under the conditions defined for a period of time specified between a source and destination (target). It is difficult to calculate and control networks faults and predict failure consequences especially when the network contains massive number of nodes. In order to reduce the network computational complexity, a simplification method has been proposed like clustering to separate the network into smaller subnetworks that are easy to handle.
Count based clustering and classification of RNA-seq data
In molecular biology, gene-expression based studies are frequently used for examining transcriptional activities in different tissue samples or cell populations. Gene expression data can be used for different tasks; e.g differential expression, classification and clustering. In this thesis we focused on clustering and classification of gene expression data obtained from RNA sequencing experiment. Poisson (PLDA) and negative binomial (NBLDA) linear discriminant analyses are selected as discrete, and nearest shrunken centroids (NSC) are selected as continuous classifiers in classification part. We proposed an extension of NBLDA as sparse classifier and compared its performance with other classifiers. In clustering part, we used k-means and hierarchical clustering as continuous, and Poisson and negative binomial clustering as discrete approaches. A comprehensive simulation study is conducted for classification part under different scenarios. Furthermore, we used three different real data sets. Simulation results showed that overdispersion has an important effect on model performances. Overall, discrete models performed better in classification. Among discrete classifiers, NBLDA outperformed PLDA when data set is highly overdispersed. Moreover, our proposed algorithm performed better than NBLDA algorithm in terms of prediction accuracy and sparsity. We also applied the same classifiers to three real data sets and found that results agree with the simulation results. Clustering, on the other hand, is applied to real data sets only. Unlike classification, discrete and continuous clustering approaches performed similar on two real data sets. We did not perform a simulation study for clustering scenarios due to several reasons: (i) simulations were computationally intensive, and (ii) dissimilarity matrices cannot be calculated when data set had several thousands of features. Therefore, we were not able to generalize clustering results. In conclusion, discrete statistical approaches should be preferred for classification while discrete or continuous approaches can be preferred for clustering purpose. However, if visualizing data is of interest in clustering, data should be transformed for better graphical results.
Parametrik olmayan Bayesci yöntemlerle iki indis üzerinden öbekleme
Multiway clustering is a popular analysis method due to its several potential applications. Various techniques have been developed to cluster different entities of a data matrix simultaneously by taking relational entries into account. Many of those techniques assume that the number of clusters to be discovered is known prior to the clustering operation. However, in real-world problems we have limited knowledge about the number of clusters before discovering them. Nonparametric methods, on the other hand, perform biclustering and learn the number of clusters concurrently. In this thesis, we introduce two nonparametric Bayesian biclustering methods that are applicable on two-way data. In the first method we model the rows and columns of the two-way data using Dirichlet Process Mixture Models and cluster them simultaneously, whereas in the second one we cluster the entities separately after applying spectral matrix decomposition on the data. We apply the biclustering algorithms on four different datasets; a simulated dataset created by a generative Gaussian model, a dataset of animals and their attributes, a cross-national trade and diplomacy dataset with five different relational networks, and a biological dataset from a microarray study of lung cancer. Since there are few real world data annotated with ground truth biclusters, we generally utilize link prediction in order to evaluate biclustering performances. We randomly remove data entries and predict them based on the fact that the entries in the same bicluster are similar to each other. First biclustering method results in higher accuracy since it makes use of all relational information in the data while the spectral method reduces dimensionality of the data prior to the clustering operation. On the other hand, computational complexity of spectral method is far less due to the reduction in the data entries to process.
Sosyal medya mesajlarında veri madenciliği ile bilgi keşfi ve görsel analitik ortamda sunulması: COVID-19 tweet veri seti örneği
Günümüzde, sosyal medya iletişim ve kişisel ilgi alanlarını oluşturmak için en etkili araçtır. Akıllı cihazların ve sosyal platformların yaygın kullanımıyla, sosyal medyanın önemi artmış ve birçok kişi tarafından tercih edilir hale gelmiştir. Sosyal medya, insanlar arasındaki etkileşimi destekleyerek, yapılandırılmamış, ayrıntılı ve büyük ölçekli dijital verilerin kaynağı haline gelmiştir. COVID-19 pandemisi, çağımızın en önemli küresel krizi olarak kabul edilmektedir. Bu pandemi, başlangıçta bir sağlık krizi olarak başlamış olsa da hızla tüm dünyaya yayılan benzersiz bir sosyo-ekonomik ve çevresel krize dönüşmüştür. Pandemi yönetiminin büyük bir kısmını mekânsal gelişimin takibi oluşturmaktadır. Salgınların kontrol altına alınması, temas takibi ve yayılımın önlenmesi için etkili bir toplum müdahalesinin sağlanabilmesi adına mekânsal bilgilere olan ihtiyaç oldukça büyüktür. Kriz yönetimi için kaliteli veri ve istatistiksel sonuçlar büyük önem taşımaktadır. Mekânsal görsel analitik, kullanıcıların mekânsal verileri kullanarak örüntüleri tespit etmeleri ve gelecekteki sonuçları tahmin etmeleri için kartografya, veri yönetimini, veri madenciliğini, arayüz tasarımı ve bilişsel bilim vb. farklı disiplinlerden yararlanmaktadır. Bu tez çalışmasının temel amacı, bilgi biliminin ve kartografyanın etkileşimli yapısını yansıtan Web tabanlı mekânsal görsel analitik uygulama örneği geliştirilmesidir. Bu doğrultuda,eski adıyla Twitter yeni adıyla X sosyal medya platformunda COVID-19 pandemi döneminde aşılar hakkında oluşturulan tweet veri seti kullanılmıştır. Tweet verilerinin mekânsal gelişiminin izlenmesi amacıyla konum bilgisi çıkarımı gerçekleştirilmiştir. Daha sonra, tweet veri setinde yer alan saklı örüntülerin keşfi gerçekleştirilmiştir. Veri setinde keşfi yapılan yeni bilgiler kullanılarak, K-ortalamalar ve Ward yöntemiyle kümeleme analizi gerçekleştirilmiştir. Mesajların oluşturulduğu ülkelerin benzerlikleri ve farklılıkları ortaya konmuştur. Tweet veri setinde yer alan mesajların, veri setinden keşfedilen yeni bilgilerin, kümeleme analizi sonucu elde edilen bilgiler ile üretilen tematik haritaların birbirleriyle etkileşim içinde olduğu, araştırmacının belirlediği sorgulamalar kapsamında filtrele araçlarının yer aldığı, veri setindeki mesajların mekânsal - zamansal gelişiminin aynı ekran üzerinden takip edildiği ve araştırmaya ait sonuçların farklı grafiksel araçlarla kullanıcıya aktarıldığı Web tabanlı interaktif bir uygulama geliştirilmiştir
Spektral kümeleme ve farklı uzaklıklık fonksiyonlarının spetral kümelemeye etkisinin incelenmesi
Bu tezde spektral kümeleme ve farklı uzaklık fonksiyonlarının spektral kümelemeye etkisi incelenecektir. Spektral kümelemede kullanılan Öklid metriği yerine farklı uzaklık fonksiyonları ele alarak daha başarılı bir kümeleme elde edip edilemeyeceğini örnek veri setleri üzerinden incelenecektir. Birinci bölümde spektral kümelemenin tarihinden bahsedilecek ve spektral kümelemeye giriş yapılacaktır. İkinci bölümde benzerlik grafları anlatılacaktır. Üçüncü bölümde Laplasyen matrisleri anlatılacaktır. Dördüncü bölümde graf kesitleri incelenecektir. Beşinci bölümde spektral kümeleme algoritmalarını anlatılacaktır. Altıncı bölümde ise Python ile 3 veri seti üzerinde farklı uzaklık fonksiyonları ele alınarak uygulama yapılacaktır.
Outlier detection over streaming data of human activities
Nowadays, due to the continuous generation of huge volumes of data from many devices spread around the world, the term "Data Stream" comes into existence. Data Stream refers to an unbounded continuous flow of data happening at different rates, and coming in an open-ended fashion. New challenges emerged with streaming data in regards to outlier detection due to the special characteristics this data has in comparison with Static Data. Stream Data characteristics can include the following: massive infinite size, multi-dimensionality, high arrival rate, and more. Hence, there is high demand for solutions and frameworks that are highly effective in processing large-scale data in real-time (scalable, fast & fault-tolerant, etc.), and achieve outlier detection in real-time. This thesis addresses the problem of outlier detection in real-time over streaming data by proposing a pipeline methodology capable of meeting the high demand for streaming data solutions. The proposed methodology was evaluated by implementing it in a solution for a real-life problem. The methodology-based solution and its Machine Learning model was successfully capable of detecting outliers in human activities in real-time utilizing the continuous stream of data from a smart phone's built-in accelerometer. The Machine Learning model was developed with Isolation Forest algorithm as the outlier detection algorithm. The selection of Isolation Forest was due to the limitations of other algorithms in dealing with high dimensional, unbalanced data, high memory usage, and time consumption challenges as presented in literature. Moreover, Apache Spark was utilized as big data distributed processing unified engine for its capability of providing high fault tolerance, applying machine learning, and execute complex computations in real-time over streaming data. Also, Apache Kafka was employed as a messaging system for its capability of providing a scalable pipeline with high throughput, low latency, and decoupling features over data streams. The principles of Apache Spark and Kafka form the underlying infrastructure of our developed pipeline. The obtained evaluation results of our proposed methodology prove the adequacy and effectiveness of the developed pipeline with achieved accuracy of 97% in performing outlier detection in real-time.
An unsupervised and refractoriness-supported algorithm design for real-time spike sorting
Neural spike sorting algorithms have been used to group the action potentials in electrophysiological signals according to their characteristics to use them in neuroscience studies. In this study, we developed an unsupervised and online spike sorting algorithm that performs better than existing online and unsupervised sorting algorithms, calculates thresholds variably, and can be used for real-time studies when applied on FPGA boards. A template matching algorithm OSort, based on Euclidean distance, functioned as the base for this algorithm. We used the NEO method to detect the spikes and the Windowed Sinc Interpolation method to upsample the detected spikes four times. We developed a refractoriness control mechanism that works according to the peak points of the spikes to prevent assigning a spike to the wrong cluster. We designed a second block that considers the probability of a spike belonging to the second closest cluster to itself. It controls this issue to prevent assigning a spike to the wrong cluster if the spike waveforms of the different neurons are similar. We avoided using more complex mathematical operations like calculating standard deviation with the aim of future real-time studies on cheaper FPGA boards. When we compared the performance of our algorithm with the well-known algorithms in the literature, we saw that ours performed significantly better than the online ones and insignificantly worse than offline ones. The presented thesis shows that more accurate online and unsupervised spike sorting is possible without complex algorithms. It is expected that this kind of algorithms will support the increment in the number of neuroscience studies that use spike sorting.
Sınıflandırma performans değerlendirme kriterlerinin melez kümeleme yöntemleri kullanılarak iyileştirilmesi
Günümüzde teknolojinin gelişmesiyle birlikte, üretilen veri miktarı da büyük bir hızla artmaktadır. Üretilen verilerden anlamlı bilgiler elde edebilmek için verilerin işlenmesi gerekmektedir. Karmaşık veriyi anlamlı hale getirmek, bilgi edinme ve karar verebilme sürecini kısaltmaktadır. Bu sebeple araştırmacılar anlamlı bilgi edinmenin yollarını araştırmaktadır. Sınıflandırma, kümeleme gibi teknikleri içeren veri madenciliği yöntemleri de verilerin işlenmesi ile verilere anlam kazandırmak için gerekli işlemler yapılarak bilgiye dönüştürülmesini kapsamaktadır. Tez kapsamında yapılan çalışmanın amacı literatürde sıklıkla kullanılan veri setlerine doğrudan uygulanan sınıflandırma algoritmalarının performansları ve önerilen yöntemler ile sınıflandırma algoritmalarının performanslarını karşılaştırmak, ayrıca en iyi performansı gösteren yöntemi tespit etmektir. Çalışmada belirlenen orta ve büyük veri setleri ilk olarak ön işlemeye tabi tutulmuş ve sonrasında sadece ön işleme yapılmış veriler ile, K-ortalamalar kümeleme yöntemi ile, önerilen melez kümeleme yöntemi ile sınıflandırma işlemleri olmak üzere üç aşama halinde yöntemler uygulanıp elde edilen performans değerlendirme kriterleri karşılaştırılmıştır. Her aşamanın sonunda parametre optimizasyonu ile iyileştirme oranlarının daha yukarıya çekilmesi sağlanmıştır. Tez kapsamında önerilen melez yöntemin veri setlerinin önemli bir kısmında iyileştirme sağladığı gözlemlenmiştir.
Sınıflandırma problemleri için matematiksel programlama temelli çözüm yaklaşımları
Yeni teknolojiler, araçlar ve yöntemler insan hayatını kolaylaştırmak amacıyla geliştirilmiş ve geliştirilmeye de devam etmektedir. Örneğin görüntü tanıma yöntemiyle kimlik tespiti, bir hastalığın teşhis edilmesi, el yazılarının metine dönüştürülmesi gibi konular araştırmacıların ilgisini çekmiş ve bu konularda daha hızlı ve doğru sonuç verecek yöntemler geliştirmeye yönlenmiştir. Bu çalışmada bu amaçlara hizmet edebilecek Çok Yüzlü Konik Fonksiyonlar algoritmalarına yeni matematiksel modeller eklenerek sınıflandırıcıların oluşturulması, özellikle de bu yaklaşım temelli yeni modeller geliştirilerek yaklaşımlarının incelenmesi ve yeni bir yaklaşım önerilmesi, son olarak da Çok Yüzlü Konik Fonksiyonlar temelli algoritmaların kümeleme temelli yaklaşımlarla geliştirilmesi üzerine çalışılmıştır. Süre ve başarı oranlarında verimlilik sağlanmaya çalışılmıştır.
Kafes sistemlerin optimizasyonunda k-ortalama algoritması ile otomatik eleman gruplama
Yapısal optimizasyonun temel konusu, mümkün olan en az yapı malzemesi ile istenen yükleri taşıyabilen bir sistem belirlemektir. Kafes sistemlerde optimizasyon türleri topoloji, şekil ve boyut optimizasyonudur. Topoloji optimizasyonu kafes yapıya çubuk elemanlar ya da düğümler ekleyerek/çıkararak optimal konfigürasyonu bulmayı hedefler. Şekil optimizasyonu kafes sistemin optimal şeklini elde etmeyi amaçlar. Boyut optimizasyonunda amaç, çubuk elemanların optimum kesit alanlarına ulaşmaktır. Bu üç optimizasyon türü, mümkün olan en iyi (optimal) kafes sistem tasarımını bulmak için eşzamanlı olarak uygulanabilmektedir. Gerçek dünya kafes sistem optimizasyon problemlerinde hem imalat kısıtları hem de yapım kısıtları hesaba katılmalıdır. Karmaşık kafes yapı tasarımlarında elemanların sayısı genellikle fazladır. Makul sayıda kesit tipi kullanılacak şekilde elemanları gruplandırmak gerekir ve bu en önemli imalat kısıtlarından biridir. Farklı kesitlerin sayısı arttıkça bir tasarımın üretilmesi, işçilik ve satın alma zorlukları nedeniyle neredeyse imkânsız hale gelir. Bu kısıtın sağlanması için çubuk elemanlar gruplandırılır. Gruplanan elemanlar için seçilen kesit tipi aynıdır. Ancak burada bir elemanın hangi gruba atanacağına karar verilmesi gerekmektedir. Bu karar özellikle karmaşık tasarımlar için ekonomik olmayan çözümlere yol açabilmektedir. Öte yandan, eleman gruplamanın optimizasyon sürecine genel geçer yöntemler ile dahil edilmesi hesaplama yükünü artırmaktadır. Bu çalışmada, eleman gruplama problemine çözüm olarak sunulan bir yöntem, popüler kafes sistem optimizasyon problemleri (117 çubuklu uzay kafes, 72 çubuklu uzay kafes, 25 çubuklu uzay kafes ve 10 çubuklu düzlem kafes) üzerinde test edilmiş ve analiz sonuçları sunulmuştur.
A study of innovative clusters formation using system dynamic modeling
The aim of the dissertation is to understand the dynamic nature of relationships relating the innovative clusters and their formation process. To find answers to the research question systems dynamic modeling is used. Systems dynamic modeling is a research methodology that is used to find the causal dynamic circular relations, rather than concentrating on linear ones. With the help of the systems dynamic modelling the replication of the real life problems are tried to be reflected in a simulation to understand and tweak the components. The dissertation is conducted by a simulation using Vensim Professional software. The research model that is used in the simulation is generated by the data that is collected through extensive review of the literature and series of interviews that is realized with three clusters in Marmara region of Turkey. The proposed model has been tested with a series of analysis in terms of validity, appropriateness of the structure and boundaries, and sensitivity analysis. The results of the dissertation point out that there are four important dimension that has to be discovered to understand the dynamic nature of innovative cluster formation. These dimensions are innovative entrepreneurs, firms' knowledge bases, number of innovations and number of firms that are involved in clustering activity. All of the dimensions are directly or indirectly affecting each other. The magnitude of the impact vary from instance to instance, but the results indicate that all four dimensions that are represented as stocks have a significant impact on the formation of clusters.
Kümelenme ve pazarlama performansı arasındaki ilişki: Bilişim kümelenmelerinde yer alan işletmeler üzerinde bir araştırma
Bu tez çalışmasında bilişim kümelerinin, kümelenmede yer alan işletmelerin pazarlama performansı üzerindeki etkisi ortaya konmuştur. Günümüzdeki yoğun rekabet koşullarında önemli bir araç olan kümelenme kavramı, gelişimi, aktörleri, avantajları, yaklaşımları, yaşam döngüsü ve türleri ile bilişim sektörü literatürden faydalanılarak ortaya konmuş ve bilişim sektörü kümelenmeleri ele alınmıştır. Bilişim sektöründe olan ve kümelenme faaliyetleri içerisinde yer alan işletmelerin, pazarlama performansı açısından daha başarılı oldukları görülmüştür. Tez çalışması, kümelenmenin pazarlama performansı ile ilişkisinin olduğunun bilinmesi ve işletmelerin kümelenme faaliyetlerine yönelimini sağlaması açısından yararlı olacaktır. Tez çalışması literatüre katkı sağlamanın yanında, araştırmacılara ve işletme yöneticilerine de öneriler sunmaktadır. Anahtar kelimeler: Kümelenme, Bilişim Kümelenmesi, Kümelenmenin Faydaları, Pazarlama Performansı
Tedarikçi bölgelerinde kümelenme ve otomotiv sektöründen uygulamalar
Globalleşmenin firmalara, bölgelere ve kümelere sağladığı fırsatlar ve tehditlerle birlikte, son yıllarda kümelerin giderek tedarik zincirinin bir parçası haline gelmeleri de yadsınamayan bir gerçektir. Hemen hemen tüm sektörlerde tasarımdan tüketime ve geri dönüşümü de kapsayacak şekilde tedarik zinciri dünyanın farklı bölgelerine dağılmış ve farklılaşan tedarik yapısının bir parçası olan kümelerde yaşam alanları olan tedarik zincirleri içerisinde aktif rol oynamaya başlamışlardır. Günümüzde tedarik zincirlerinin bölgesel halkalarını kümeler olarak nitelendirmek mümkündür. Diğer taraftan firmaların ve kümelerin başarısında, faaliyet gösterdikleri bölgenin özellikleri de önemli bir faktördür. Bölgelerin üstün rekabetçi avantajlara sahip olabilmesi bu bölgelerde yer alacak firmaları ve kümeleri daha nitelikli hale getirebilmektedir. Bölgelerin rekabetçi güce sahip olabilmelerinin arkasındaki güç ise lojistik süreçler, ilişki düzeyi, satışlar, esneklik, inovasyon, ürün geliştirme düzeyi olarak ortaya çıkmaktadır. Çalışmanın birinci bölümünde, tedarik zinciri yönetimi ve tedarikçi değerlendirme yaklaşımları açıklanmıştır. Ayrıca bu bölümde kavramlar arası ilişkilere yer verilerek tedarikçiler açısından değerlendirme yapılmıştır. İkinci bölümde, lojistikten kısmen bahsedilmiş ve otomotiv sektörü açısından değerlendirmesi yapılmıştır. Üçüncü, bölümde otomotiv sektörünün geldiği nokta hakkında bilgi verildikten sonra Tedarikçi Bölgeleri ve Kümelenme literatürüne değinilmiştir. Dördüncü bölüm de ise merkezi, Gebze'de bulunan Taşıt Araçları Yan Sanayicileri (TAYSAD) ve/veya Konya Otomotiv Sanayi İş Kümesine üye, işletmelerden elde edilen anket verileri analiz edilerek yorumlanmıştır. Anahtar Kelimeler: Lojistik, Otomotiv Lojistiği, Tedarik Zinciri, Tedarikçi Değerlendirme Yaklaşımları, Lojistik Süreç, İlişki Düzeyi, Satışlar, Esneklik, İnovasyon, AR-GE/ÜR-GE, Küme/Kümelenme.
Kümeleme algoritmalarının CPU ve GPU performanslarının analizi
Teknolojinin ilerlemesi, teknolojideki rekabeti her geçen gün artırmaktadır. Teknolojide ilerleme artarken müşterileri ve kullanıcıları memnun etmek güçleşmektedir. Çeşitli teknolojik aygıtlar sebebiyle üretilen veri miktarı artmakta bu da firmaların eldeki verileri analiz etmeleri için farklı metotlara yönelmelerine sebebiyet vermektedir. Günümüz dünyasında verilerin analiz edilmesi ve yorumlanması çok önemli olduğundan bu işlemi elle yapmak yerine makinelere yaptırma gereği ve ihtiyacı doğmuştur. Eldeki verilerin etiketlerinin bilinmediği durumlarda bunları analiz edebilmek adına kümeleme algoritmalarından yararlanılmaktadır. Kümeleme algoritmaları verileri gruplara ayırmaktadır ve bu sayede verilerin analiz edilmesi, yorumlanması kolay hale getirilmektedir. Bu tez çalışmasında, mevcutta kullanılan beş farklı kümeleme algoritmasının CPU ve GPU üzerindeki performansları araştırılmış ve bunları tespit etmeye yönelik deneysel çalışmalar gerçekleştirilmiştir. Kümeleme algoritmalarının performanslarını ölçebilmek adına yapılan deneysel çalışmalarda e-postalardan oluşan Enron veri kümesi kullanılmıştır. Çalışmada kümeleme algoritmaları olarak; model bazlı Cobweb, yoğunluk bazlı Dbscan, grid bazlı Clique, bölümlemeli K-Means, hiyerarşik olarak ise Birch algoritmaları seçilmiştir. Deneysel çalışmalar için gerekli ortam Python dilinde Google Colab üzerinde gerçekleştirilmiştir. Deneysel çalışma sonuçları grafikler ve tablolar ile ifade edilerek analiz sonuçları sunulmuştur.
Türkçe arama motoru sonucu kümeleme çalışmaları
Internetteki bilgiler gün geçtikçe artmakta ve bu geniş bilgi ağında istenilen bilgiye ulaşmak büyük bir problem oluşturmaktadır. Bu problemi çözmek adına geliştirilen arama motorları, internet sitelerini olabildiğince indeksleyerek, kullanıcıların bu veriler üzerinde istedikleri bilgileri aramalarına imkan sağlamaktadır.Internet gibi geniş bir ağ düşünüldüğünde, yapılan aramalarda ?seçilen sorguya göre- yeri geldiğinde milyonlarca internet sayfası bulunabilmektedir. Bulunan bu kadar sonuç arasından kullanıcının ulaşmak istediği bilgiye en yakın sayfayı bulması ise, ayrı bir problem oluşmaktadır. Bu problemi çözmek için günümüz arama motorları bir çok yöntem sunmaktadır. Arama sonuçlarının belirli kurallara göre derecelendirilerek sıralandırılması için sonuçların kümelenmesi ya da gruplanmasına dayanan yöntemler geliştirilmiştir.Arama sonucunun kümelenmesi de, bu probleme çözüm getirmek için uygulanan yöntemlerden biridir. Arama motoru tarafından getirilen sonuçların, çeşitli bilgi çıkarımı yöntemleriyle içeriğine göre kümelere ayrılmasına dayanır. Arama sonuçları, kullanıcıya açıklayıcı etiketler içeren kümeler halinde gösterilirler. Böylece kullanıcı, kümelerden aradığı bilgiye en yakın olanını seçerek, aradığına daha çabuk ulaşabilir.Arama sonucu kümeleme için bir çok çalışma yapılmıştır. Bu alanda kullanılan en yaygın ve hızlı algoritmalardan biri olan Son Ek Ağacı Kümeleme (Suffix Tree Clustering) algoritmasıdır.Bu tez'deki amacımız, Son Ek Ağacı Kümeleme algoritmasıyla ve doküman benzerliğine dayanan kendi geliştirdiğimiz bir algoritmayla Türkçe sayfalar üzerinde arama sonucu kümeleme çalışmaları yapmak ve mümkün olduğunca bu algoritmaları Türkçe için daha iyi sonuçlar verecek şekilde düzenleyerek başarısını ölçmektir.Çalışmamız çerçevesinde, doküman benzerliğine dayanan DBC, klasik SAK (KSAK), KSAK üzerinde geliştirmeler yaparak oluşturduğumuz GSAK ve GSAK'den elde edilen sonuçların DBC sonuçlarıyla karşılaştırılarak geliştirilmesine dayanan M-GSAK yöntemleri kullanılmıştır. Bu yöntemler kullanılarak yaptığımız deneyler neticesinde, Türkçe arama motoru sonuçları üzerinde, GSAK ve M-GSAK ile yaptığımız kümeleme işlemlerinde, KSAK'ye göre daha başarılı sonuçlar alınmıştır. F-Ölçüm sonuçlarına göre GSAK, KSAK'den %77, M-GSAK de, GSAK'den %13 oranında daha başarılı olmuştur. Ayrıca üzerinde geliştirmeler yapılan SAK tabanlı yöntemler ile doküman benzerliği tabanlı yöntemlerden daha başarılı sonuçlar alındığı da görülmüştür. GSAK, DBC'den %9 oranında daha başarılı sonuç elde etmiştir.
Yeni makine öğrenmesi metotları ve ilaç tasarımına uygulamaları
Makine öğrenmesi (yapay öğrenme), eldeki verileri en iyi temsil eden modeli ve parametrelerini bulmak amacıyla geliştirilen algoritmaları içerir. Tezde çeşitli makine öğrenmesi algoritmaları geliştirilmiştir. Günümüzde incelenmesi ve yorumlanması gereken veri miktarı üssel bir biçimde artmaktadır. Bu durum makine öğrenmesinin tüm sektörlerin ihtiyaç duyduğu bir alan haline gelmesine sebep olmuştur. Tezin uygulama alanı olarak, bu sektörlerden biri olan ilaç tasarımı seçilmiştir.İlaçların insan sağlığına olan olumlu etkisi bilinmektedir. Yeni ilaç tasarımı bu nedenle çok önemli ve vazgeçilmezdir. Buna karşılık çok emek ve uzun zaman isteyen ve buna bağlı olarak çok büyük maliyetler içeren bir sektördür. Yüksek maliyet sebebiyle az sayıda firma tarafından gerçekleştirilebilmektedir. Türkiye'de bu alandaki mevcut çalışmalar sınırlı olmakla birlikte TÜBİTAK tarafından yayınlanan raporda ilaç tasarımı, 2003-2023 yıllarını kapsayan dönemde öncelikli teknolojik faaliyet konuları içinde yer almaktadır.İlaç tasarımı sürecinin ve maliyetinin önemli bileşenlerinden biri olası ilaç moleküllerinin seçilmesi işlemidir. Bu seçim işlemleri genelde; sınıflandırma, kümeleme, özellik seçimi/çıkarımı, regresyon (eğri uydurma) problemlerinden bir ya da birkaçını içermektedir. Bu tarz problemlere çözüm üretmeyi amaçlayan makine öğrenmesi metotları yardımıyla ilaç tasarımının süresi ve maliyeti azaltılabilmektedir.Görüldüğü gibi ilaç tasarımı problemlerinde makine öğrenmesinin neredeyse tüm alanlarına ihtiyaç duyulmakta ve kullanılmaktadır. Bu nedenle de tezde makine öğrenmesinin birçok alanını kapsayacak bir çalışma gerçekleştirilmiştir.Sınıflandırma problemleri için Cline adı altında bir algoritma ailesi tasarlanmıştır. Geliştirilen algoritmalar temelde karar ağacı oluşturma algoritmalarıdır. Karar ağaçları, yüksek performansları ve ürettikleri kuralların verinin yapısına ait çıkarımlar yapmayı kolaylaştırması sebebiyle oldukça popüler olmuş makine öğrenmesi algoritmalarındandır. Yapılan denemelerde geliştirilen algoritmaların basitliklerine rağmen UCI ve ilaç veri kümelerinde mevcut algoritmalarla yarışabilecek performansta algoritmalar oldukları görülmüştür.Sınıflandırıcı komiteleri literatürdeki birçok çalışmada tekil sınıflandırıcılardan daha başarılı sonuçlar üretmiştir. Bu çalışmada da buna paralel sonuçlar alınmış ve Cline algoritma ailesine Cline karar ormanları eklenmiştir. UCI ve ilaç veri kümeleri üzerinde Cline karar ormanları mevcut algoritmalardan çok daha iyi sonuçlar sergilemiştir. Cline karar ağacı ve karar ormanları algoritmaları ClineToolbox adlı bir yazılımla kullanıcıların hizmetine sunulmuştur. Yazılıma tez sahibinin web sayfasından erişilebilir.Özellik seçimi problemleri için karar ağaçları ve karar ormanlarından yararlanan bir yaklaşım geliştirilmiş ancak tatmin edici sonuçlar elde edilememiştir.Kümeleme problemleri için Clusline adı altında bir algoritma ailesi geliştirilmiş ve mevcut algoritmalarla çeşitli kümeleme performans kriterlerine göre yarışan sonuçlar elde edilmiştir.Kümeleme komiteleri, sınıflandırıcı komitelerinin üstün performanslarından esinlenilerek geliştirilmiştir. Literatürdeki kümeleme komitelerinin farklı karar birleştirme teknikleri incelenmiş ve geniş bir veri kümesi üzerinde bu teknikler karşılaştırılmıştır. Literatürdeki mevcut karşılaştırmalardan daha kapsamlı olan bu çalışma bu konuda çalışanlara yol gösterici niteliktedir.Regresyon problemleri için verileri çeşitli alt uzaylarda kümelemeye dayalı bir yaklaşım geliştirilmiş ancak tatmin edici sonuçlar alınamamıştır.Regresyon komiteleri için, literatürdeki komite oluşturma, karar birleştirme metotlarının ve komitelerde yer alan regresyon algoritmalarının ilaç tasarımı veri kümelerinde performans üzerindeki etkileri incelenmiştir. Bu kapsamlı çalışmada, ilaç veri kümelerinde regresyon komitelerinin kullanımının sınıflandırma da olduğu kadar sonucu iyileştirmediği görülmüştür.Bütün veri kümelerinde diğer tüm algoritmalardan daha iyi sonuç veren global bir algoritma bulunmamaktadır. Bu nedenle, bir veri kümesinin hangi algoritma ile en iyi sonucu vereceği genelde deneme yanılma metoduyla bulunmaktadır. Literatürde bu eksikliği gidermek ve son kullanıcılara yardımcı kurallar dizisi oluşturabilmek için algoritmaların performanslarının veri kümesinin çeşitli özelliklerine göre tahmin edilmesi amacını taşıyan yaklaşımlar geliştirilmiştir. Bu yaklaşımların genel adı Meta-Öğrenim'dir. Mevcut Meta-öğrenim çalışmalarında genelde sınıflandırma problemleri üzerine çalışılmıştır. İlaç veri kümelerindeki problemlerin büyük bir kısmı regresyon türünden problemler olduğu için bu çalışmada yeni bir Meta-Regresyon yaklaşımı da geliştirilmiştir. Geliştirilen yaklaşımda Meta-öğrenimde kullanılan standart veri kümesi özelliklerine ek yeni özellikler de kullanılmıştır. Çalışma sonunda bir veri kümesi üzerinde bir algoritmanın performansı veri kümesinin çeşitli özelliklerine bakarak tahmin edilebilen bir model geliştirilmiştir. Bu sayede bir veri kümesinde en iyi performansı gösterecek algoritma da tahmin edilebilmektedir. Ayrıca veri kümelerinin ve algoritmaların birbirlerine benzerliklerine göre kümelenmesi konusunda da çalışılmıştır.Sonuç olarak bu tezde, makine öğrenmesinin çeşitli konularında birçok yeni yaklaşım geliştirilmiş ve bu konuda çalışan araştırmacılar ve son kullanıcılar için faydalı olacak sonuçlar üretilmiştir. Bu tezin hem ilaç tasarımı hem de makine öğrenmesi konularında Türkiye'de ve Dünya'da yapılan çalışmalara katkıda bulunması dileğimizdir.
İstanbul'daki binaların veri madenciliği yaklaşımıyla kümelenmesi
İstanbul'daki binaların elde edilebilen verileri doğrultusunda, kat, bodrum kat, taşıyıcı sistem, kullanım amacı ve binanın zemininin jeolojik özelliklerine (özniteliklerine) göre kümelenmesi ve oluşan kümelerin haritadaki dağılımının bir konulu harita aracılığı ile gösterilmesi amaçlanmıştır. Kullanılan veriler İstanbul'a ait bina ve jeoloji verileridir. Verilerin kümelemeye girmesi için önişleme yapılmıştır. Bu aşama en zaman alıcı bölümdür. Birkaç yazılım/program yardımıyla işlemine göre hangisinde daha hızlı yapılabilirse o yazılım/program tercih edilmiştir. Bunlar MS Access, MS Excel, MapInfo, ArcMap ya da C++'da yazılan programlardır. Önişleme adımları, veri birleştirme, veri temizleme, veri indirgeme ve düzgüleme (normalleştirme) olarak sıralanabilir. Veri madenciliği kapsamında geliştirilmiş GUYTMK (DBSCAN) Harezmi yolu kullanılmıştır. Veri madenciliğindeki birçok yöntem gibi burada da kullanıcının müdahalesi gerekmiş ve deneme yanılma yoluyla belirlenen değiştirgelerin sonucunda yedi adet küme oluşturulmuştur. Daha sonra bunlardan üç tanesi kat özniteliğinde yüksek ölçünlü (standart) sapma değerine sahip olduğu için ortalama değer esas alınarak bölünmüştür. Bu kümelere bir de kümelemeye girmeyen (aykırı) değerlerin oluşturduğu yeni bir küme eklenerek toplam 11 adet küme elde edilmiştir. Bu kümelerin özniteliklere göre dağılımları hem kümeleme için kullanılan özgün nesneler hem de tüm nesneler için çizgeler halinde görselleştirilmiştir. Son olarak kümelerin ilçelere göre dağılımları çizge olarak ve konumlarına göre dağılımları da konulu harita olarak görselleştirilmiştir.
The structures of the A4−graphs in specific finite simple groups
The main idea of the thesis is to study the connections between two important fields of mathematics: Group theory and graph theory. The essential purpose is to analyze the algebraic characteristics of certain finite simple groups by building a graph with vertices that correspond to the elements of the groups. Furthermore, the computational approach was employed in order to attain the required outcome. Assume that $G$ is a group and that $X$ is a subset of $G$. The vertex set of the $A4-$graph indicated by $A4(G,X)$ is $X$, with vertices $x,y \in X$ linked by an edge if and only if $x\neq y$ and $xy^{-1}=yx^{-1}$. We investigated the $A4(G, X)$ when $G$ is a certain Janko sporadic simple group, such as $J_1, J_2$ or $J_3$, and $X$ is a $G-$conjugacy class of order 3. The purpose is to investigate the alternating group $A_4$ within these simple groups. The disc structures were studied. Moreover, the diameter, clique number, girth, the collapsed adjacency matrix for the $A4-$graph as well as the local clustering coefficient of the $A4-$graph were all determined. Furthermore, a computer technique was utilized to perform all of the operations related to studying the $A4-$graph.
Çok değişkenli karma dağılım modeline dayalı kümeleme analizi
Sonlu karma dağılım modeli, modele dayalı kümeleme analizinde kullanılır.Sonlu karma dağılım modeline dayalı kümeleme analizine modele dayalı kümelemeanalizi denir. Kümeleme analizinde amaç her bir grup içindeki elemanlar arasındakiuzaklığın minimum ve gruplar arasındaki farkın maksimum yapılmasıdır. Modeledayalı kümeleme analizinde veri, çok değişkenli karma dağılım modeliyle temsiledilir. Bu temsilde modeldeki her bir bileşen verideki bir kümelenmeye karşılık gelir.Modeldeki her bir bileşen için çok değişkenli olasılık yoğunluk fonksiyonu, çokdeğişkenli veri setindeki ilgili küme yapısını açıklar. Bu tez çalışmasında: i) Çokdeğişkenli verinin karma dağılım modeline sahip olduğu ve karma dağılımmodelindeki her bir bileşenin çok değişkenli normal dağıldığı varsayımıyla çokdeğişkenli karma dağılım modeline dayalı kümeleme analizinde bileşen kümesayısının belirlenmesi için yeni bir yöntem önerilmiştir. ii) Çok değişkenli verininkarma dağılım modeline dayalı kümeleme analizi için çok değişkenli veridekigrupların inceltilerek kümelenmesi amacıyla yeni bir algoritma geliştirilmiştir. iii)Çok değişkenli verideki grupların inceltilerek kümelenmesi için geliştirilen algoritmakullanılarak uzaktan algılanmış çok bantlı uydu görüntü verisi eğitimli olarak alanbazında sınıflandırılmıştır.