{"id":797,"date":"2023-02-07T15:00:07","date_gmt":"2023-02-07T12:00:07","guid":{"rendered":"https:\/\/legendhomework.com\/tr\/?p=797"},"modified":"2023-02-07T15:00:07","modified_gmt":"2023-02-07T12:00:07","slug":"sorgu-isleme-multimedya-bolumu-multimedya-bolumu-odevleri-multimedya-bolumu-tez-yaptirma-multimedya-bolumu-odev-ucretleri","status":"publish","type":"post","link":"https:\/\/legendhomework.com\/tr\/sorgu-isleme-multimedya-bolumu-multimedya-bolumu-odevleri-multimedya-bolumu-tez-yaptirma-multimedya-bolumu-odev-ucretleri\/","title":{"rendered":"Sorgu \u0130\u015fleme \u2013 Multimedya B\u00f6l\u00fcm\u00fc \u2013 Multimedya B\u00f6l\u00fcm\u00fc \u00d6devleri \u2013 Multimedya B\u00f6l\u00fcm\u00fc Tez Yapt\u0131rma \u2013Multimedya B\u00f6l\u00fcm\u00fc \u00d6dev \u00dccretleri"},"content":{"rendered":"

Sorgu \u0130\u015fleme<\/span><\/strong><\/h3>\n

Sorgu-kavram \u00f6\u011frenmenin ilk zorlu\u011fu, kavram s\u0131n\u0131r\u0131n\u0131n (ilgili olan ve olmayan g\u00f6r\u00fcnt\u00fcler aras\u0131ndaki) belirsiz bir \u015fekilde tan\u0131mlanabilmesi i\u00e7in ilgili baz\u0131 nesneleri bulmakt\u0131r. Bu tart\u0131\u015fma i\u00e7in, sorgu i\u015flemeye yard\u0131mc\u0131 olacak anahtar kelimelerin bulunmad\u0131\u011f\u0131n\u0131 varsay\u0131yoruz.<\/span><\/p>\n

G\u00f6r\u00fcnt\u00fc i\u00e7eri\u011finden bir kavram\u0131 \u00f6\u011frenmek i\u00e7in istatistiksel y\u00f6ntemlerin ne kadar ileri gidebilece\u011fini g\u00f6rmek istiyoruz (i\u00e7erik, renk, doku ve \u015fekil gibi alg\u0131sal \u00f6zellikleri ifade eder). Veri k\u00fcmesinin yaln\u0131zca k\u00fc\u00e7\u00fck bir b\u00f6l\u00fcm\u00fc hedef konsepti kar\u015f\u0131l\u0131yorsa, ilgili bir nesneyi bulmak zor olabilir.<\/span><\/p>\n

\u00d6rne\u011fin, bir milyon resimlik bir veri k\u00fcmesindeki istenen nesne say\u0131s\u0131n\u0131n 1.000 (yani, veri k\u00fcmesinin %0,1’i) oldu\u011funu varsayal\u0131m. Kullan\u0131c\u0131lar\u0131n ilgili nesneleri tan\u0131mlamas\u0131 i\u00e7in tur ba\u015f\u0131na rastgele 20 nesne se\u00e7ersek, be\u015f tur rastgele \u00f6rneklemeden sonra pozitif bir \u00f6rnek bulma olas\u0131l\u0131\u011f\u0131 yaln\u0131zca %10’dur ve a\u00e7\u0131k\u00e7a kabul edilemez.<\/span><\/p>\n

Sorgu kavram\u0131 \u00f6\u011frenimini ba\u015flatmak i\u00e7in ilgili \u00f6rnekleri h\u0131zla bulan Maksimize Edilen Beklenen Genelleme Algoritmas\u0131 gibi ak\u0131ll\u0131 bir \u00f6rnekleme y\u00f6ntemiyle olas\u0131l\u0131klar\u0131 art\u0131rabiliriz. Matematiksel ayr\u0131nt\u0131lara girmeden a\u00e7\u0131klamak i\u00e7in MEGA, daha olumsuz \u00f6rnekleri kald\u0131rmak i\u00e7in verilen negatif etiketli \u00f6rnekleri kullan\u0131r.<\/span><\/p>\n

Ek olarak MEGA, ilgisiz \u00f6zellikleri ortadan kald\u0131rmak i\u00e7in pozitif \u00f6rnekleri kullan\u0131r. Daha spesifik olarak, MEGA, neredeyse t\u00fcm pratik sorgulama kavramlar\u0131n\u0131 ifade edebilen k-CNF’de bir sorgu kavram\u0131n\u0131 modeller; ve MEGA, \u00f6rnekleme uzay\u0131n\u0131 modellemek i\u00e7in k-DNF’yi kullan\u0131r.<\/span><\/p>\n

Pozitif olarak etiketlenmi\u015f bir \u00f6rnek, k-CNF’deki terimleri ortadan kald\u0131rabilir ve dolay\u0131s\u0131yla onu daha genel hale getirir. Negatif olarak etiketlenmi\u015f bir \u00f6rnek, k-DNF’deki terimleri ortadan kald\u0131rabilir ve bu nedenle ek negatif \u00f6rneklerin kald\u0131r\u0131lmas\u0131n\u0131 daha k\u0131s\u0131tlay\u0131c\u0131 hale getirir.<\/span><\/p>\n

Birbirini tamamlayan iki ad\u0131m, kavram iyile\u015ftirme ve \u00f6rnek se\u00e7imi\u2014ba\u015flang\u0131\u00e7ta yaln\u0131zca olumsuz \u00f6rnekler mevcut olsa bile ilgili \u00f6rnekleri bulma olas\u0131l\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.<\/span><\/p>\n

Bir milyon g\u00f6r\u00fcnt\u00fcl\u00fc veri k\u00fcmesi \u00f6rne\u011fiyle devam edecek olursak, negatif \u00f6rnekleri azaltarak arama alan\u0131n\u0131 bir milyondan otuz bine indirebilirsek, ayn\u0131 anda pozitif bir \u00f6rnek bulma olas\u0131l\u0131\u011f\u0131n\u0131 %0,1’den %3,3’e \u00e7\u0131kar\u0131r\u0131z. B\u00f6ylece, 20 rastgele \u00f6rnekten olu\u015fan be\u015f turdan sonra bir pozitif \u00f6rnek bulma olas\u0131l\u0131\u011f\u0131n\u0131 %10’dan %97’ye y\u00fckseltiyoruz.\u00a0<\/span>Baz\u0131 ilgili ve baz\u0131 alakas\u0131z \u00f6rnekler tan\u0131mland\u0131ktan sonra, s\u0131n\u0131f s\u0131n\u0131r\u0131n\u0131 iyile\u015ftirmek i\u00e7in SVMActive’i kullanabiliriz.<\/span><\/p>\n

Sezgisel olarak, SVMActive a\u015fa\u011f\u0131daki \u00fc\u00e7 fikri birle\u015ftirerek \u00e7al\u0131\u015f\u0131r:<\/span><\/strong><\/p>\n

1. SVMActive, bir hedef kavram\u0131 \u00f6\u011frenme g\u00f6revini, bir SVM ikili s\u0131n\u0131fland\u0131r\u0131c\u0131s\u0131n\u0131 \u00f6\u011frenme g\u00f6revi olarak g\u00f6r\u00fcr. Bir SVM, genellikle \u00e7ok y\u00fcksek boyutlu bir projeksiyonlu alanda bir hiper d\u00fczlemle ilgili g\u00f6r\u00fcnt\u00fcleri alakas\u0131z g\u00f6r\u00fcnt\u00fclerden ay\u0131rarak sorgu kavram\u0131n\u0131 yakalar. Hiperd\u00fczlemin bir taraf\u0131ndaki yans\u0131t\u0131lan noktalar, sorgu konseptiyle ilgili olarak kabul edilir ve geri kalan\u0131 ilgisizdir.<\/span><\/p>\n

2. SVMActive, aktif \u00f6\u011frenme yoluyla s\u0131n\u0131fland\u0131r\u0131c\u0131y\u0131 h\u0131zl\u0131 bir \u015fekilde \u00f6\u011frenir. SVMActive’\u0131n aktif k\u0131sm\u0131, SVM s\u0131n\u0131fland\u0131r\u0131c\u0131s\u0131n\u0131 e\u011fitmek i\u00e7in en bilgilendirici etiketli \u00f6rnekleri se\u00e7er. Bu ad\u0131m, az say\u0131da geri bildirim turunda sorgu kavram\u0131na h\u0131zl\u0131 yak\u0131nsama sa\u011flar.<\/span><\/p>\n

En bilgilendirici \u00f6rnekler, hiper d\u00fczleme en yak\u0131n kenar bo\u015flu\u011fundaki \u00f6rneklerdir. Bu \u00f6rnekler, pozitif veya negatif \u00fcyelikleri konusunda en belirsizken, pozitif (negatif) taraftaki hiperd\u00fczlemden daha uzaktaki noktalar\u0131n pozitif (negatif) oldu\u011fu daha kesindir.<\/span><\/p>\n

3. S\u0131n\u0131fland\u0131r\u0131c\u0131 e\u011fitildikten sonra, SVMActive en alakal\u0131 ilk k g\u00f6r\u00fcnt\u00fcy\u00fc d\u00f6nd\u00fcr\u00fcr. Bunlar, sorgu kavram\u0131 taraf\u0131nda hiperd\u00fczlemden en uzaktaki k g\u00f6r\u00fcnt\u00fclerdir.<\/span><\/p>\n

K\u0131sacas\u0131, ilgili ilk g\u00f6r\u00fcnt\u00fcleri bulmak i\u00e7in MEGA’y\u0131 kullanabilir ve ard\u0131ndan ikili s\u0131n\u0131fland\u0131r\u0131c\u0131y\u0131 iyile\u015ftirmek ve d\u00f6nd\u00fcr\u00fclen g\u00f6r\u00fcnt\u00fcleri s\u0131ralamak i\u00e7in SVMActive’e ge\u00e7ebiliriz. Bu y\u00f6ntem, bir kavram\u0131n karma\u015f\u0131kl\u0131\u011f\u0131 \u00e7ok y\u00fcksek olmad\u0131\u011f\u0131nda bir sorgu kavram\u0131n\u0131 etkili bir \u015fekilde \u00f6\u011frenebilir. Kavram karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 b\u00f6l\u00fcm\u00fcn ilerleyen k\u0131s\u0131mlar\u0131nda tan\u0131mlayaca\u011f\u0131z ve y\u00fcksek karma\u015f\u0131kl\u0131ktaki kavramlar\u0131 aramak i\u00e7in \u00e7areler sunaca\u011f\u0131z.<\/span><\/p>\n

\n

Access Sorgu \u00d6rnekleri<\/span>
\nAccess<\/a> sorgu \u00f6l\u00e7\u00fctleri<\/span>
\nAccess sorgu form\u00fclleri<\/span>
\nEkleme sorgusu<\/span>
\nVeritaban\u0131 sorgu nedir<\/span>
\nSQL sorgu \u00e7al\u0131\u015ft\u0131rma<\/span>
\n\u0130leri Seviye SQL sorgular\u0131<\/span>
\nveri taban\u0131nda tablolar grubu hangi sekmede yer al\u0131r?<\/span><\/p>\n

\n

Tibshirani, N < D oldu\u011funda, kullan\u0131lan istatistiksel modelin basit olmas\u0131 gerekti\u011fini (veya serbest de\u011fi\u015fkenlerin say\u0131s\u0131n\u0131n az olmas\u0131 gerekti\u011fini), b\u00f6ylece elde edilen \u00e7\u00f6z\u00fcm\u00fcn verilere fazla uymamas\u0131n\u0131 belirtir. \u00d6nerilen en yak\u0131n k\u00fc\u00e7\u00fclt\u00fclm\u00fc\u015f merkezler \u015femas\u0131, N < D oldu\u011fu DNA mikro dizi verilerinin analizinde umut verici sonu\u00e7lar g\u00f6sterir. Ancak, alg\u0131sal \u00f6zellikler, bir g\u00f6r\u00fcnt\u00fc konseptini tasvir etmek i\u00e7in y\u00fcksek s\u0131ralarda birbirleriyle etkile\u015fime girer.<\/span><\/p>\n

Bu nedenle, SVM’lerle \u00e7al\u0131\u015fmak i\u00e7in bir \u00e7ekirdek i\u015flevi kullanmak mant\u0131kl\u0131 bir se\u00e7im gibi g\u00f6r\u00fcn\u00fcyor. Daha \u00f6nce bahsedildi\u011fi gibi, DVM’lerin ikili form\u00fclasyonu, D’den ba\u011f\u0131ms\u0131z olarak yaln\u0131zca N serbest de\u011fi\u015fkenden olu\u015fur. Aktif \u00f6\u011frenme yoluyla e\u011fitim verilerinin dikkatli bir \u015fekilde se\u00e7ilmesi, fazla uydurma ile ilgili endi\u015feleri azaltabilir.<\/span><\/p>\n

\u0130kinci yakla\u015f\u0131m, verilen N \u00f6rneklerinden e\u011fitim \u00f6rneklerinin say\u0131s\u0131n\u0131 art\u0131rmakt\u0131r. Sezgilere ayk\u0131r\u0131 gelse de, negatif e\u011fitim \u00f6rneklerinin azl\u0131\u011f\u0131, \u00f6\u011frenme algoritmalar\u0131m\u0131z i\u00e7in pozitif e\u011fitim \u00f6rneklerinin azl\u0131\u011f\u0131ndan daha sorunludur.<\/span><\/p>\n

Bunun nedeni, “kaplanlar” gibi bir kavram\u0131 tan\u0131mlaman\u0131n zor olabilmesi, ancak olumsuzlanm\u0131\u015f bir kavram\u0131 (bu durumda “kaplan olmayan” kavram\u0131) tan\u0131mlaman\u0131n potansiyel olarak sonsuz bilgi gerektirebilmesidir. (Kaplan kavram\u0131n\u0131 yeterince tasvir etmek i\u00e7in yaln\u0131zca s\u0131n\u0131rl\u0131 say\u0131da g\u00f6r\u00fcnt\u00fcye ihtiya\u00e7 vard\u0131r, ancak kaplan olmayan g\u00f6r\u00fcnt\u00fclerin say\u0131s\u0131 sonsuzdur.)<\/span><\/p>\n

Olumsuz e\u011fitim \u00f6rneklerini bulmak \u00f6nemli \u00f6l\u00e7\u00fcde daha kolayd\u0131r, ancak ayn\u0131 zamanda, olumsuzlanan bir kavram\u0131 tasvir etmek i\u00e7in gereken olumsuz \u00f6rneklerin say\u0131s\u0131 \u00e7ok fazla olabilir. Bu nedenle, negatif ve pozitif \u00f6rnekler aras\u0131nda s\u0131n\u0131f s\u0131n\u0131r\u0131n\u0131 do\u011fru bir \u015fekilde olu\u015fturmak i\u00e7in \u00f6nemli say\u0131da negatif e\u011fitim \u00f6rne\u011fine ihtiyac\u0131m\u0131z var.<\/span><\/p>\n

SVMActive algoritmas\u0131n\u0131 tekrar ziyaret edelim. Her \u00f6rnekleme turunda, marjda bulunan ve ayn\u0131 zamanda b\u00f6len hiper d\u00fczleme yak\u0131n olan nesneleri se\u00e7er. Marj geni\u015fse (negatif taraftaki deste\u011fin olmamas\u0131 nedeniyle), bu geni\u015f marjda pozitif bir e\u011fitim \u00f6rne\u011finin bulunma olas\u0131l\u0131\u011f\u0131 d\u00fc\u015f\u00fckt\u00fcr.<\/span><\/p>\n

Amac\u0131m\u0131z, hedef kavram\u0131 tasvir etmek i\u00e7in yeterince olumlu e\u011fitim \u00f6rne\u011fi bulmakt\u0131r. Ancak, yeterli negatif e\u011fitim \u00f6rne\u011fi toplaman\u0131n zorlu\u011fu, pozitif e\u011fitim \u00f6rne\u011fi bulma s\u00fcrecini yava\u015flat\u0131r. \u00d6\u011frenme s\u00fcreci, bir nehirde alt\u0131n madencili\u011fine benzer. Alt\u0131n\u0131 (ilgili \u00f6rnekler) hasat etmenin en verimli yolu, suyu, \u00e7amuru ve kumu (negatif etiketli \u00f6rnekler) h\u0131zl\u0131 bir \u015fekilde filtrelemektir.<\/span><\/p>\n

Yetersiz e\u011fitim verisi problemini \u00e7\u00f6zmek i\u00e7in, \u00e7e\u015fitli uygulamalar i\u00e7in farkl\u0131 \u00f6\u011frenme algoritmalar\u0131yla \u00e7al\u0131\u015fmak \u00fczere transd\u00fcktif \u00f6\u011frenme \u00f6nerilmi\u015ftir. Transd\u00fcksiyonun temel fikri, etiketlenmemi\u015f verileri etiketlenmi\u015f verilerin yan\u0131nda kullanmakt\u0131r. Negatif e\u011fitim \u00f6rneklerinin en yak\u0131n kom\u015fular\u0131n\u0131n her zaman negatif oldu\u011funu varsayal\u0131m.<\/span><\/p>\n

Daha sonra negatif etiketli havuzu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rmak i\u00e7in kom\u015fu \u00f6rnekleri kullanabiliriz. Bununla birlikte, yanl\u0131\u015f “tahminler” nedeniyle verilerin yanl\u0131\u015f etiketlenmesi sonu\u00e7lar\u0131 bozabilece\u011finden, \u00e7eviri dikkatle yap\u0131lmal\u0131d\u0131r. Ne yaz\u0131k ki transd\u00fcksiyon performans\u0131 s\u00fcrekli olarak tutars\u0131zd\u0131r. Performans\u0131 hem uygulamaya hem de veri k\u00fcmesine ba\u011fl\u0131 olabilir.<\/span><\/p>\n

\n\n
<\/div>\n\n<\/div>\n \n