dc.contributor.advisor | Yet, Barbaros | |
dc.contributor.advisor | Tuncer Şakar, Ceren | |
dc.contributor.author | İşyar, Sıla | |
dc.date.accessioned | 2020-09-17T10:20:08Z | |
dc.date.issued | 2020 | |
dc.date.submitted | 2020-08-11 | |
dc.identifier.uri | http://hdl.handle.net/11655/22686 | |
dc.description.abstract | Bayesian Networks (BNs) are graphical probabilistic models that offer a suitable modeling approach for decision support problems under uncertainty. Both the graphical structure and conditional probability tables of BNs can be learned from data. This study focuses on learning conditional probability of BNs in cases where data are in limited amounts.
The ranked nodes method has been proposed to reduce the number of parameters required to define conditional probability tables of variables with ordinal states. This method assigns an underlying Truncated Normal distribution to ordinal BN variables, and it defines the conditional probability distribution with equations with fewer parameters than those required by tables. Despite this advantage, in the previous studies, the method of ranked nodes was used only to elicit BNs from expert knowledge, and methods for learning ranked nodes from data were not examined.
This study proposes an approach to learn ranked nodes from data. This approach uses Truncated Normal regression, Beta regression and linear regression to learn the relations between the underlying continuous distributions of ranked nodes, and then it transforms these to conditional probability tables for BNs. The performance of the proposed method has been evaluated using experiments with different data sizes and BN structures. | tr_TR |
dc.language.iso | en | tr_TR |
dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Decision support systems | tr_TR |
dc.subject | Bayesian networks | tr_TR |
dc.subject | Ranked nodes method | tr_TR |
dc.subject | Learning from data | tr_TR |
dc.subject | Artificial intelligence | tr_TR |
dc.subject | Gradient descent algorithm | tr_TR |
dc.title | Learning Bayesian Network Parameters from Small Data Sets by Using Ranked Nodes Method | tr_TR |
dc.title.alternative | Az Miktarda Veriden Sıralı Düğümler Yöntemi ile Bayes Ağı Parametrelerinin Öğrenilmesi | |
dc.type | info:eu-repo/semantics/masterThesis | tr_TR |
dc.description.ozet | Bayes Ağları (BA) belirsizlik altında karar destek problemleri için uygun bir modelleme yaklaşımı sunan olasılıksal grafiksel modellerdir. BA’nın hem grafiksel yapısı hem de koşullu olasılık tabloları verilerden öğrenilebilir. Bu çalışma verilerin sınırlı miktarda olduğu durumlarda BA’nın koşullu olasılıklarını öğrenmeye odaklanmaktadır.
Sıralı düğümler yöntemi, değerleri arasında sıralı ilişki bulunan değişkenlerin koşullu olasılık tablolarını tanımlamak için gereken parametre sayısını azaltmak için önerilmiştir. Bu yöntem sıralı BA değişkenlerini Kesilmiş Normal dağılım ile yakınsayarak, koşullu olasılık dağılımlarını tabloların gerektirdiğinden daha az parametre ile tanımlar. Bu avantaja karşın, önceki çalışmalarda sıralı düğümler yöntemi yalnızca BA’nı uzman bilgisi ile tanımlamak için kullanılmış, sıralı düğümleri veriden öğrenmeye yönelik yöntemler incelenmemiştir.
Bu çalışma sıralı düğümleri veriden öğrenmek için bir yaklaşım önermektedir. Bu yaklaşım sıralı düğümlerin sürekli dağılımları arasındaki ilişkiyi öğrenmek için kesilmiş normal regresyon, beta regresyon ve lineer regresyon yöntemlerini kullanmakta ve sonra bunları BA için koşullu olasılık tablolarına dönüştürmektedir. Önerilen yöntemin performansı farklı veri boyutları ve BA yapılarına sahip deneyler ile değerlendirilmiştir. | tr_TR |
dc.contributor.department | Endüstri Mühendisliği | tr_TR |
dc.embargo.terms | Acik erisim | tr_TR |
dc.embargo.lift | 2020-09-17T10:20:08Z | |
dc.funding | TÜBİTAK | tr_TR |