Fizyolojik süreçlerde model tabanlı yeni öğrenme yaklaşımları

Abstract

Bu tezde, fizyolojik veriler üzerinde önerdiğimiz yeni çekirdek tabanlı gözetimli öğrenme algoritmaları örnek olarak dizi çekirdekleri ve artımlı azalımlı çekirdek modelleri, çizge tabanlı yeni yarı gözetimli öğrenme modelleri, gürültülü ve aykırı verilerden kurtulmak için iki farklı öznitelik kalitesini ölçen methodu birleştirdiğimiz bir boyut indirgeme modeli, protein yapı tahmininde ve fonksiyon tanımada kullanılabilecek Saklı Markov Modeli baz alınarak oluşturulan yeni bir çekirdek modeli önerilmiş olup, önerilen modeller fizyolojik veriler üzerinde uygulanmıştır.Bu çalışmada ilk olarak ilaç tasarımı ile ilgili veri kümeleri, yapılan çalışmalar, ve akademik yazımdaki bilgisayarlı ilaç tasarımı ile ilgili yöntemler hakkında bilgi verilmiş olup, hemen devamında kullanılan diğer protein veri bankaları, hastalık ve kanser veri kümeleri ile akademik yazımdaki bazı yüksek boyutlu veriler tanıtılmıştır. Sonraki bölümde ise kısaca öğrenme modelleri ele alınmıştır. Dördüncü bölümde, gözetimli öğrenme yöntemlerinden çekirdek tabanlı DVM modellerinden doğrusal ayrılabilen ve doğrusal olarak ayrılamayan öğrenme yöntemlerinin matematiksel alt yapısı tanıtılmış ve yeni önerilen modeller iki temel başlıkta: metin tabanlı çekirdek öğrenme ile artımlı çekirdek öğrenme algoritmaları, detayları ile verilmiş ve başarımları ikinci bölümde tanıtılan veri kümeleri üzerinde incelenmiştir. Özellikle bu bölümde önerilen yeni çekirdek modellerinin başarımlarını fizyolojik verilerin haricinde diğer makine öğrenme verileri üzerindede denenmiş ve başarımları incelenmiştir. Bir sonraki bölümde ise deneylerimizde karşılaştırmak için kullanılan üç faklı yarı gözetimli öğrenme modeli ve etkin öğrenme ile birleştirdiğimiz etkin yarı gözetimli öğrenme modeli detayları ile ele alınmıştır. Son olarak ele aldığımız yöntem ise akademik yazımda protein yapılarının sınıflandırılmasında sıkça kullanılan Saklı Markov Modeli ile dinamik programlama modellerinden yola çıkılarak proteinlerin SMM yapısı üzerinden eşleşen durumlara dayanan, protein dizilerinin metinsel yapısı yerine sonlu durumları kullanılarak geliştirilen ikili saklı Markov durumlarının skorlaması ile oluşturulan PHA-çekirdek modelinin matematiksel alt yapısı tanıtılmıştır.Önerilen tüm algoritmalarda, çekirdek düzenlileştirme sabiti, ceza parametresi gibi farklı çekirdek paremetreleri ele alınarak başarımları karşılaştırmalı olarak verilmiştir. Algoritmaların, bilimsel yazındaki diğer birçok yöntemle eğitim ve test hataları açısından karşılaştırılmıştır.