Odak: Algoritma Tasarımı & Uygulamalı Makine Öğrenmesi
Kapsam: Sinyal/gürültü oranı düşük ve sınırlı veri ortamında örüntü tanıma ve karar destek
Açıklama
Bu çalışmada makine öğrenmesi ile meta-sezgisel yöntemleri, katmanlı ve bağlama duyarlı bir yapı altında birleştiren Python tabanlı bir örüntü tanıma ve karar destek sistemi geliştirilmiştir
LMFO (Layered Multiple Frequency Optimization) yaklaşımı, zayıf ve eksik verilerdeki ilişkileri yeniden kurarak yüksek gürültü altında dahi anlamlı örüntülerin çıkarılmasını sağlar.
Problem
Kestirimci bakım, tehdit tespiti, sahtecilik analizi ve akıllı şebekeler gibi alanlarda:
• veri sınırlıdır
• sinyaller kararsızdır
• arama uzayı çok büyüktür
Bu nedenle tutarlı ve güvenilir örüntü tespiti zorlaşır.
Çözüm
• Katmanlı arama mimarisi
• Bağlama duyarlı çıkarım ile zayıf sinyallerin korunması
• Veri odaklı önceliklendirme ve adaptif arama
• İlişki temelli örüntü analizi
• Rastgele ve optimize başlangıç koşulları ile dayanıklılık testi
• Tekrarlanabilir Python tabanlı prototip ve kapsamlı istatistiksel testler
Etki
• Yüksek gürültülü gerçek dünya veri setinde doğrulandı
• Düşük sinyal koşullarında 2.8 kata kadar daha yüksek örüntü skoru
• Bağımsız doğrulama/test setlerinde stabil genelleme
• Zayıf ve eksik veriden güvenilir örüntü çıkarımı
• Belirsizliğin yoğun olduğu koşullarda daha düşük yanlış pozitif oranı
Teknolojiler
Python · NumPy · Pandas · imbalanced-learn
Bağlantılar
• GitHub (kaynak kod ve çalıştırılabilir paket)
• Türkçe versiyon (yöntem & doğrulama)
• English version (methodology & validation)
