Davranışsal öğrenme bazlı bir yapay makine öğrenme yönteminin geliştirilmesi

Yapay makine öğrenmesi kapsamında birçok yöntem geliştirilmiş, veri analizi ve değerlendirilmesi için aktif olarak kullanılmaktadır. Bu yöntemlerden bazıları davranışsal öğrenme yöntemler olup, insanın öğrenme sürecini baz almaktadırlar. Davranışsal öğrenme yöntemleri ile elde edilen sonuçlar deneysel verilere dayandıkları halde birbiriyle çelişen taraflarının olduğunu ve hepsinin aynı şartları sağlamadığını literatürden anlamaktayız. Bu konuda daha genel ve kapsayıcı yöntemlerin geliştirilmesine ihtiyaç olduğunu literatürde var olan bilgilerden anlaşılmaktadır. Bu amaçla davranışçı kuramlardan Pavlov, Watson, Guthrie, Thorndike ve Skinner'ın koşullanma kuramları gibi popüler olanlar incelenmiş ve çelişkili kısımlarına yönelik hayvanlar üzerinde deneysel çalışmalar yapılarak bu çelişkilerin giderilmesine çalışılmıştır. Elde edilen veriler ışığında insan öğrenmesinde var olan öğrenme sürekliliği, unutma ve benzeri parametreler dikkate alarak daha genel bir davranışsal öğrenme yöntemi önerilmiş ve bu yöntem matematiksel olarak modellenmiştir. Genelleştirilmiş olan bu matematiksel modelin mevcut kuramların tüm özelliklerini sağladığına dair tezde çalışma yapılmış ve gösterilmiştir. Önerilen bu yöntem dinamik olarak öğrenme, unutma ve geriye yalım gibi kabiliyetlere de sahip olduğundan özellikle dinamik veri değerlendirmesinde tezde değinilen YSA ve kYK gibi diğer yöntemlere nazaran daha başarılı olduğu tespit edilmiştir. Ayrıca, önerilen bu modelin sınıflandırma ve regresyon gibi problemlerin çözümünde kullanılabileceğini göstermek için model güncel veri kümeleri ile test edilmiştir. Elde edilen sonuçlar önerilen modelin psikoloji (davranış kontrolü, fobi sönümleme, vb…), kontrol, robotik ve benzeri alanlarda rahatlıkla kullanılabileceğini göstermiştir.