Başlık: Negatif Olmayan Tensör Ayrıştırma Yöntemlerinin Gözetimli Öğrenmede Çıkarım, Model Seçimi ve Analiz için Kullanılması
Danışman(lar): A. Taylan Cemgil, Arzucan Özgür
Özet: Bu tez, negatif olmayan tensör ayrıştırma yöntemlerinin gözetimli öğrenmenin değişik alanlarına uygulanmasına odaklanmaktadır. İlk kısımda, varyasyonel ve örnekleme bazlı yöntemler ile çıkarım ve model seçimini kolaylaştıran bir negatif olmayan tensör ayrıştırma çerçevesi tanıtılmaktadır. Ardından bu çerçevenin sağladığı esneklik, farklı gözetimli öğrenme problemlerinin çözülmesinde kullanılmaktadır. İlk etapta bu çerçeve ile ilişkisel verileri modellemenin yanı sıra, birden fazla sezonsallık taşıyan zaman serilerinin analizi yapılmaktadır. Ardından, bu çerçeve bir sınıflandırma probleminde yapay öğrenme modelinin çıktısına bağlı olarak kararın uzmanlara bırakılmasının öğrenilmesinde kullanılmaktadır. Sonrasında ise bu çerçeveden, başarılı ve sağlam bir şekilde genellemenin gerçekleştiği değişik gözetimsel öğrenme senaryolarının incelenmesinde faydalanılmaktadır. Yaptığımız çalışmalar, ilişkisel veri modellemesinde faydalanılabilecek esnek bir olasılıksal yöntemin, birçok gözetimli öğrenme problemini kolaylaştıracak şekilde de kullanılabileceğini göstermektedir.