Transformatör parametrelerinin otomatik konuşma tanıma performansına etkileri
Transformer parameters' effects on performance of automatic speech recognition
- Tez No: 1004117
- Danışmanlar: DOÇ. DR. CELAL ONUR GÖKÇE, DR. ÖĞR. ÜYESİ EBRU AYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka ve derin öğrenme teknolojilerinde kaydedilen hızlı gelişmeler, özellikle doğal dil işleme ve otomatik konuşma tanıma alanlarında önemli dönüşümlere yol açmıştır. Transformer mimarisi, uzun bağlamlı verileri etkili bir biçimde işleyebilme yeteneği sayesinde klasik yapay sinir ağlarına kıyasla hem yüksek doğruluk hem de işlem verimliliği sağlamaktadır. Bu özellikleriyle, başlangıçta metin tabanlı uygulamalarda kullanılan bu mimari, günümüzde konuşma tanıma sistemlerinde de yaygın şekilde tercih edilmektedir. Bu araştırmada, Transformer tabanlı otomatik konuşma tanıma modellerinin performansını belirleyen başlıca hiperparametreler incelenmiştir. İleri beslemeli ağlardaki nöron sayısı, gizli katman sayısı ve eğitim döngüsü gibi parametrelerin modele etkileri deneysel olarak değerlendirilmiştir. Model geliştirme süreci Python programlama dili ve Keras kütüphanesi kullanılarak gerçekleştirilmiştir. Eğitim işlemleri ise hem yerel ortamda hem de bulut tabanlı platformlarda yürütülmüştür. Deneylerde, tek bir konuşmacıya ait geniş kapsamlı bir İngilizce ses ve metin veri seti tercih edilmiştir. Farklı parametre kombinasyonlarıyla gerçekleştirilen testler sonucunda elde edilen performans ölçümleri detaylı şekilde analiz edilmiştir. Elde edilen sonuçlar, transformer mimarisi temelinde geliştirilen konuşma tanıma sistemlerinin optimizasyonu açısından önemli bilgiler sunmaktadır. Sonuç olarak, bu çalışma, hiperparametre ayarlamalarının Transformer tabanlı konuşma tanıma modellerinin başarısına etkisini ortaya koyarak, bu alanda araştırma yapanlara ve uygulayıcılara yol gösterici deneysel veriler sağlamaktadır. Böylece, daha etkin ve doğruluk oranı yüksek konuşma tanıma sistemlerinin geliştirilmesine katkı sağlanması hedeflenmiştir.
Özet (Çeviri)
Rapid advancements in artificial intelligence and deep learning technologies have brought significant transformations, particularly in the fields of natural language processing and automatic speech recognition. The Transformer architecture offers superior accuracy and computational efficiency compared to traditional neural networks by effectively processing long-context data. Initially developed for text-based applications, this architecture is now widely adopted in speech recognition systems. In this thesis, key hyperparameters influencing the performance of Transformer-based automatic speech recognition models are systematically examined. The effects of parameters such as the number of neurons in feedforward networks, the depth of hidden layers, and the number of training epochs are experimentally evaluated. The model development process was conducted using the Python programming language and the Keras library, with training performed both in local environments and cloud-based platforms. Experiments utilized a large-scale English speech and text dataset sourced from a single speaker. Performance metrics obtained through various parameter configurations were thoroughly analyzed. The findings provide valuable insights into optimizing speech recognition systems developed on the Transformer architecture. In conclusion, this study reveals the impact of hyperparameter tuning on the success of Transformer-based speech recognition models and offers practical experimental data to guide researchers and practitioners in the field. Ultimately, it aims to contribute to the development of more effective and accurate speech recognition systems.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Single phase autoreclosing in 735 KV transmission system
735 KV iletim sisteminde tek fazlı otomatik tekrar kapama
KAVEH SALEHGHADIMI
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Yeni bir yaklaşımla yük profillerinin oluşturulması ve dağıtım sistemlerinde teknik kayıpların tahmini
A novel approach for load profile formation and technical loss estimation of electrical disrtibution systems
GİZEM TULUN
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Marmara bölgesi'nde GNSS tabanlı koordinat transformasyonu ve hücresel transformasyon parametrelerinin belirlenmesi
Gnss-based coordinate transformation of The Marmara region and the determination of parameters of cellular transformation
AHMET YÜCEL ÜRÜŞAN
Doktora
Türkçe
2010
İnşaat Mühendisliğiİstanbul Kültür Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. TEVFİK AYAN
PROF. DR. TURGUT UZEL
- Spatio-temporal assessment of pain intensity through facial transformation-based representation learning
Yüz dönüşümü tabanlı gösterim öğrenimi ile ağrı şiddetinin uzam-zamansal değerlendirilmesi
DİYALA NABEEL ATA EREKAT
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMDİ DİBEKLİOĞLU