Akademik Veri Yönetim Sistemi
44. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi, Ankara, Türkiye, 25 - 27 Haziran 2025, (Özet Bildiri)
Veri kümesinin bir kısmı etiketsiz olduğunda, yarı denetimli öğrenme (YDÖ) devreye girer. Bu çalışmada, destek vektör makinesi (DVM) sınıflandırmasından türetilen kuadratik bir programlama modelinin optimizasyonu ile YDÖ gerçekleştirilmiştir. Önerilen çok amaçlı yarı denetimli model, veriyi orijinal öznitelik uzayında işleyerek çekirdek fonksiyonlarına ihtiyaç duymaz. Modelin doğrusallaştırılması için parçalı doğrusal yaklaşım (PLA) kullanılmış ve çözücülerin leksikografik optimizasyon yetenekleri sayesinde geleneksel çok amaçlı modellerdeki hiperparametre ayarlama için ayrılan süreyi azaltılmıştır. Çalışmada ayrıca, etiketsiz veri miktarının sınıflandırma başarımı üzerindeki katkısı sistematik olarak incelenmiş; etiketsiz örneklerin modelin genelleme yeteneğini artırdığı ve özellikle sınırlı etiketli veri durumunda performansı anlamlı ölçüde iyileştirdiği gösterilmiştir. Eksik veri ve gürültülü veri mevcut olduğunda yöntemin kabul edilir performans gösterdiği görülmüştür. Yaygın veri kümelerinde elde edilen rekabetçi sonuçların yanı sıra, büyük ölçekli bir sahtekarlık tespiti verisi üzerindeki YDÖ uygulaması, hem doğruluk hem de hesaplama verimliliği açısından öne çıkmaktadır. Bu yaklaşım, özellikle etiketleme maliyetinin yüksek olduğu gerçek dünya problemlerinde pratik bir çözüm sunmaktadır.