Kompleks Sistemler ve Veri Bilimi

Abstract

Kompleks Sistemler, kendi kendini örgütleyebilen ve değişen şartlara uyum gösterebilen organik sistemlerdir. Kompleks bir sistem, nispeten basit kuralları takip eden çok sayıdaki etmenin birbiriyle olan yoğun etkileşimi neticesinde ortaya çıkar. Burada asıl olan etmenler değil, onlar arasındaki ilişkilerdir. Kompleks sistem bilimsel bakış açısında yarattığı paradigma değişiminin, çok daha fazlasını derin öğrenme modelleri mühendislik problemlerinin çözümünde yaratmıştır. Katmanlı bir yapıya sahip olan veriye aç bu modellerde, ilk katmanlar en basit öznitelikleri otomatik bir biçimde çıkarırken, sonraki katmanlar hiyerarşik bir biçimde basitten daha karmaşığa doğru üst seviye öznitelikleri çıkarabilme yeteneğine sahiptir. Özel derin öğrenme algoritmaları zamansal ve uzamsal ilişkileri yakalayabilmektedir. Bu çalışmanın amacı veri bilimi, yapay öğrenme ve karmaşık sistemler yaklaşımlarının evreni anlamak için bize birbirini tamamlayan bakış açıları kazandıracağını vurgulamaktır.

Keywords

• Kompleks Sistemler
• Veri Bilimi
• Derin Öğrenme
• Anomali Tespiti

Project Number

Tübitak 1512 BIGG

Complex Systems and Data Science

Abstract

Complex Systems are organic systems that can self-organize themselves and adapt to changing conditions. A complex system results from a huge amount of interactions of many agents following simple rules. It is not the agents that are essential, but the relationships between them. Deep learning models created a much greater paradigm change in solving engineering problems than the one created by complex systems in science. Deep learning models are composed of a layered structure. The first layers automatically learn the simplest features, while the next layers have the ability to extract highlevel features in a hierarchical manner form simple to more complex. Special deep learning algorithms can even capture temporal and spatial relationships. The purpose of this article is to emphasize the fact that data science, machine learning and complex systems will provide us a complementary perspective to study our universe.

Keywords

• Complex Systems
• Data Science
• Deep Learning
• Anomaly detection

Supporting Institution

Summarify

Project Number

Tübitak 1512 BIGG

References

1. Alpaydın, E. (2011). Yapay öğrenme. Boğaziçi Üniversitesi Yayınevi.
2. Çetin, U. (2020). Yapay öğrenme ile anomali tespiti: Siyah kuğuları yakalamak. İdeaport.
3. Çetin, U., & Bingöl, H. O. (2014). Attention competition with advertisement. Physical Review E, 90(3), Article 032801. https://doi.org/10.1103/PhysRevE.90.032801
4. Çetin, U., & Bingöl, H. O. (2015, 15 Aralık). Karmaşık sistemler ve etmen temelli benzetim [Complex systems and agent-based simulation]. Akademik Bilişim Konferansları. https://ab.org.tr/ab16/bildiri/370.pdf
5. Çetin, U., & Bingöl, H. O. (2016). The dose of the threat makes the resistance for cooperation. Advances in Complex Systems, 19(08), Article 1650015. https://doi.org/10.1142/S0219525916500156
6. Çetin, U., & Gündoğmuş, Y. E. (2019). Feature selection with evolving, fast and slow using two parallel genetic algorithms. IEEE (Ed.), 2019 4th International Conference on Computer Science and Engineering (UBMK) içinde (ss. 699-703). https://doi.org/fspt
7. Çetin, U. & Taşgın, M. (2020). Anomaly detection with multivariate K-sigma score using Monte Carlo. IEEE (Ed.), 2020 5th International Conference on Computer Science and Engineering (UBMK) içinde (ss. 94-98). https://doi.org/fspv
8. Hogarth, R. M., & Soyer, E. (2012, Kasım). Belirsizliğin doğası: Siyah kuğular ve sisli mayın tarlaları. Harward Business Review - Turkey Edition, 23-25. https://hbrturkiye.com/dergi/belirsizligin-dogasi-siyah-kugular-ve-sisli-mayin-tarlalari

9. Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666. https://doi.org/10.1016/j.patrec.2009.09.011
10. Lehman, J., & Miikkulainen, R. (2013). Neuroevolution. Scholarpedia, 8(6), Article 30977. https://doi.org/10.4249/scholarpedia.30977
11. Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation forest. IEEE (Ed.), 2008 Eighth IEEE International Conference on Data Mining içinde (ss. 413-422). https://doi.org/cndm4g
12. Lloyd, S. (2006). Programming the universe: A quantum computer scientist takes on the cosmos. Vintage.
13. Karmaşık Sistemler ve Veri Bilimi Topluluğu. (2017). Home. [LinkedIn sayfası]. https://www.linkedin.com/company/kavetr adresinden 02.11.2020 tarihinde erişildi.
14. Kohonen, T. (1982). Automatic formation of topological maps of patterns in a self-organizing system. Proceedings of the 2nd Scandinavian Conference on Image Analysis içinde, (ss. 214-220).
15. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133. https://doi.org/djsbj6
16. Minsky, M., & Papert, S. A. (1969). Perceptrons, expanded edition: An introduction to computational geometry. MIT Press.
17. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. https://doi.org/10.1038/323533a0
18. Russell, B. (2017). Felsefe sorunları (V. Hacıkadiroğlu, Çev.). Kabalcı Yayınları. (Orijinal eserin yayım tarihi 1912)
19. Russell, S., & Norvig, P. (2009). Artificial intelligence: A modern approach. Prentice Hall Press.
20. Schultz, S. K. (2001). Principles of neural science. American Journal of Psychiatry, 158(4), 662. https://doi.org/10.1176/appi.ajp.158.4.662
21. Spillenger, P. (Writer), & Lucas, N. (Producer). (2009). Plants (Episode 9) [Documentary]. In M. Gunton (Executive Producer), Life. BBC Earth. https://www.bbc.co.uk/programmes/b00p90d6
22. Taleb, N. N. (2008). Siyah kuğu: Olasılıksız görünenin etkisi (N. Arıbaş Erbil, Çev.). Varlık Yayınları. (Orijinal eserin yayım tarihi 2007)