Boyut indirgeme

Bu yazıda Boyut indirgeme'in büyüleyici dünyasını keşfedecek ve onun toplumumuz üzerindeki etkisini keşfedeceğiz. Boyut indirgeme, kökeninden bugünkü gelişimine kadar ilgi ve tartışma konusu olmuştur. Tarih boyunca Boyut indirgeme insan yaşamının farklı yönlerinde önemli bir rol oynamış; inançlarımızı, davranışlarımızı ve ilişkilerimizi etkilemiştir. Derin ve düşünceli bir analiz yoluyla Boyut indirgeme'in farklı yönlerini ve onun çağdaş dünyadaki önemini araştıracağız. Bu makale, tarihsel köklerinden gelecekteki çıkarımlarına kadar, Boyut indirgeme ve onun günümüz kültürü ve toplumundaki önemi hakkında eksiksiz ve anlayışlı bir bakış açısı sunmayı amaçlamaktadır.

Makine öğrenmesi ve veri madenciliği
Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG
g t d

Veri biliminde, boyut indirgeme, bir verinin yüksek boyutlu bir uzaydan, düşük boyutlu bir uzaya, anlamını kaybetmeyecek şekilde dönüştürülmesidir.^[1] Yüksek boyutlu bir veriyi işlemek daha fazla işlem yükü gerektirir. Bu yüzden, yüksek sayıda gözlemin ve değişkenin incelendiği sinyal işleme, konuşma tanıma, nöroinformatik, biyoinformatik gibi alanlarda boyut indiremesi sıkça kullanılır.^[2]

Boyut indirgeme yaklaşımları doğrusal ve doğrusal olmayan olarak ikiye ayrılır.^[2] Boyut indirgeme var olan özniteliklerin bir alt kümesini seçerek ya da yeni öznitelikler çıkararak yapılabilir.^[3] Boyut indirgemesi gürültü filtreleme, veri görselleştirme ya da kümeleme analizi amacıyla kullanılabileceği gibi, diğer makine öğrenimi yöntemlerinin ön adımı olarak uygulanabilir.

Kaynakça

1. ^ Eray Yıldız; Yusuf Sevim. "Sınıflandırma Yöntemleri Üzerinde Lineer Boyut İndirgeme Yöntemlerinin Karşılaştırılması" [Comparison Of Linear Dimensionality Reduction Methods On Classification Methods] (PDF). emo.org.tr. 10 Ocak 2020 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 19 Temmuz 2020. 
2. ^ ^{a b} van der Maaten, Laurens; Postma, Eric; van den Herik, Jaap (26 Ekim 2009). "Dimensionality Reduction: A Comparative Review" (PDF). J Mach Learn Res. 10: 66-71. 19 Temmuz 2020 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 19 Temmuz 2020. 
3. ^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". Liu, Huan; Motoda, Hiroshi (Ed.). Feature Extraction, Construction and Selection. s. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.