Optimization based predictive methods for large scale data

Tahminleme geçmişten beri büyük öneme sahip olan ve gelecekte de güncelliğini yitirmeyecek bir konudur. Geçmişte ilkel yöntemlerle yapılan tahminleme günümüzde büyük verinin hayatımıza girmesiyle yerini büyük boyutlu verileri kullanabilen makine öğrenmesi algoritmalarına bırakmıştır. Makine öğrenmesi ile tahminleme yöntemleri, sınıflandırma ve regresyon problemleri olarak ikiye ayrılır. Bu tez çalışmasında büyük boyutlu veriler ile çalışabilecek farklı problemleri hedef alan üç makine öğrenmesi yöntemi geliştirilmiştir. Geliştirilen yöntemler matematiksel programlama ve eniyileme temellidir. İlk geliştirilen yöntem veriye etkin eleme yöntemleri uygulayan ``Büyük Boyutlu Sınıflandırma Problemleri İçin Arttırımlı Konik Fonksiyonlar (AKF)'' algoritmasıdır. Ayrıca bu yöntem bazı durumlarda doğrusal programlama (DP) problemi çözmeyi gerektirmez. İkinci yöntem ``Tek Sınıf Sınıflandırma için Tek Sınıf Çokyüzlü Konik Fonksiyonlar (T-ÇKF)'' algoritmasıdır. Bu algoritma sadece bir sınıfa ait veri olduğunda bile sınıflandırma yapabilir ve aykırı noktaları belirleyebilir. Son yöntem, veri boyutu büyük olduğunda ``kümeleme temelli doğrusal regresyon'' problemi için geliştirilmiştir. Tüm yöntemler gerçek hayat veri kümeleri üzerinde test edilmiş ve yazındaki iyi bilinen yöntemler ile karşılaştırılmıştır. Geliştirilen yöntemlerin eğitim ve test zamanları kısa olduğu için bu yöntemleri bir çok gerçek hayat problemine uygulamak mümkündür.