“Advanced Population Diversity Measures in Genetic Programming” başlıklı çalışma Edmund Burke, Steven Gustafson, Graham Kendall ve Natalio Krasnogor tarafından yapılmış olup 2002 yılında International Conference on Parallel Problem Solving from Nature (pp. 341-350) Springer Berlin Heidelberg. konferansında sunulmuştur. Fitness değerleri fenotiplere, Bireyler genotiplere karşılık gelmektedir. Çalışmada çeşitlilik ve fitness değerlerinin Spearman korelasyonu kullanılmıştır. Çalışmayı indirmek>>>
Aylık Arşivler: Ocak 2017
“An Adaptive Genetic Algorithm based on Population Diversity strategy” başlıklı çalışma Chen Lin tarafından yapılmış olup 2009 yılındaki Genetic and Evolutionary Computing, WGEC’09. 3rd International Conference on. IEEE, konferansında sunulmuştur. Çalışmada mutasyon olasılığını popülasyon uygunluğunun ortalama karesel sapması temelinde dinamik olarak ayarlayan adaptif bir genetik algoritma önerilmiştir. Genetik algoritmada; Seçim işlemi popülasyon çeşitliliğini azaltır. Çaprazlama>>>
Yanlış sınıflandırmadan kaynaklanan farklı maliyetlerin veya risklerin olduğu durumlarda sınıfların eşit önemde olması varsayımı ihlal edilebilir. Örneğin bazı laboratuvar ölçümlerine göre bir hastanın kanser olup olmadığına karar verecek bir sınıflandırıcı ele alındığında iki tip hata vardır. Bu hatalardan “yanlış pozitif (false positive)” sınıflandırıcının sağlam bir hastayı kanser hastası olarak sınıflandırdığında, “yanlış negatif (false negative)” ise>>>
Bütün öngörücü öğrenme süreçleri temel olarak: -Verilen eğitim kümesinden sistemdeki bilinmeyen bağımlılıkları öğrenme veya tahmin etme. -Tahmin edilen bağımlılıkları kullanarak sistemde yer alacak yeni girdiler için çıktılar öngörme. aşamalarından oluşmaktadır. Bu iki aşama sırasıyla; özelden (eğitim kümesi) genele (model) ulaşmak olarak tanımlanan tümevarım (induction) ve genel bir model ile birlikte verilen girdiden çıktıya ulaşmak olarak>>>
Destek Vektör Makineleri (Support Vector Machines) Algoritması Nasıl Çalışır? Anlatımı sunu olarak aşağıdaki bağlantıda bulabilirsiniz: https://prezi.com/jdtqiauncqww/how-support-vector-machines-svm-algorithm-works/ Hazırlayan: Thales Sehn Körting
“Large scale evolutionary optimization using cooperative coevolution” başlıklı çalışma Zhenyu Yang, Ke Tang ve Xin Yao tarafından yapılmış ve Information Sciences dergisinin 2008 yılındaki 178.15 sayısının 2985-2999.sayfaları arasında basılmıştır. Çalışmada boyut bölümlemenin pek işe yaramadığı nonseparable problemlerin çözümüne odaklanılmıştır. Separable problemlerin boyutlara bölündüğü zaman büyük boyutlu problem olmaktan çıktığı savunulmuş ve önemli olanın nonseparable problemlere>>>
Matlab’ta Spesifik Ortalama ve Varyans’a Sahip Normal Dağılımlı Rastgele Sayılar Oluşturmak için aşağıdaki işlemler yapılabilir. Örneğin ortalaması 500, varyansı 25 olan 1000 tane normal dağılımlı rastgele sayı üretmek için aşağıdaki kodları kullanabilirsiniz: a = 5; b = 500; y = a.*randn(1000,1) + b; stats = [mean(y) std(y) var(y)] Ayrıca Matlab’ın standart fonksiyonu olan normrnd kullanılabilir.>>>
Aşağıdaki XYZ fonksiyonunda A=10,B=20,C=30 değerleri bulunmaktadır. function [A,B,C]=XYZ() A=10; B=20; C=30; end Ana dosyamızda bu değerleri; [k l m]=XYZ(); şeklinde aldığımızda; k=10,l=20,m=30 olmaktadır.
Belirli bir x değerinin high ve low eşik değerlerini aşması durumunda eşik değerlerin atanması işlemi aşağıdaki şekilde yapılabilir: if x>high x=high; end if x<low x=low; end Aynı işlemi min ve max fonksiyonları kullanarak tek satırda da yapabiliriz: x = min(max(x, low), high);
“JADE: Adaptive Differential Evolution with Optional External Archive” başlıklı çalışma Zhang Jingqiao ve Arthur C. Sanderson tarafından yapılmış olur IEEE transactions on evolutionary computation dergisinin 2009 yılındaki 13.5 sayısının 945-958.sayfaları arasında basılmıştır. Çalışmada DE için “DE/current-to-pbest” ismi verilen bir mutasyon stratejisi önerilmiş ve opsiyonel harici arşiv ve kontrol parametrelerinin uyarlanabilir bir şekilde güncellenmesi yaklaşımı geliştirilmiştir.>>>
- 1
- 2