Spatiotemporal modeling using machine learning

Uzam-zamansal modelleme için ideal bir yapay öğrenme algoritması, (i) farklı kaynaklardan hem uzamsal hem de zamansal verileri bir araya getirerek bütünleştirebilmeli, hiç bir insan müdahalesi olmadan (ii) model yapısını ortaya çıkarabilmeli ve (iii) çıkarımda bulunabilmelidir. Gauss süreçleri uzam-zamansal verileri analiz etmek için Bayesçi bir yaklaşım sağlarlar, fakat hesaplama hızı ve saklama alanı karmaşıklıkları, pratikte sınırlayıcı olmuştur. Bu tezde, uzamsal ve zamansal kovarians matrislerinin çarpımlarıyla oluşan kovaryans matrisinin yapısından faydalanarak, ölçekli çıkarım üzerinde odaklanarak, Gauss süreçlerini uzam-zamansal modelleme senaryolarına entegre eden hesaplamalı methodlar önerdik. Uzamsal istatistikle derin bağları olan çekirdek methodlarını kullanarak, yorumlanabilirliği arttırmayı da amaçladık. Çoklu çekirdek öğrenmesinin yapısal Gauss süreçleriyle birleşmesiyle, çıkarımların hem doğruluğunu hem de ifade gücünü arttırdık. Bu methodların kabiliyetlerini geçek regresyon veri kümeleri üzerinde gösterdik. Önerdiğimiz methodları, Türkiye'nin resmi hasta kayıtlarından oluşan, vektörle bulaşan bir hastalığın uzam-zamansal veri kümesine uyguladık. Önerdiğimiz algoritmaların emsallerinden doğruluk açısından daha iyi olduklarını gösterdik. Ayrıca, geliştirdiğimiz methodlar daha açıklayıcıdır, yani, halk sağlığı alanından gelen soruları cevaplayabilirler ve karar alması gereken kişilere planlamada ve kaynakların atanmasında çabuk müdahale için fikir verebilirler.