Optimization the training algorithms of machine learning using GAN networks
Çekişmeli üretici ağlar için makine öğrenmesi eğitim algoritmalarında optimizasyon
- Tez No: 713289
- Danışmanlar: DR. ÖĞR. ÜYESİ ROYA CHOUPANI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
Yapay zekâ, son birkaç on yılda hayatımızda çok farklı yönleriyle yer bulmaya başladı. Bazı özelliklerinde yapay zekanın yer almadığı yeni bir ürün, günümüz dünyasında pek yer edinemez durumdadır. Bu, makine öğrenmesi algoritmalarında derin öğrenme tekniklerinin kullanılması ile mümkün olmuştur. Geleneksel makine öğrenmesi, ham veriyi algoritmalarda kullanılabilecek özelliklere çevirebilmek için insan akılının yer aldığı tasarım ve kodlamalara ihtiyaç duymaktadır. Fakat derin öğrenme ile doğrudan ham veriyi kullanarak özellikleri öğrenmek mümkündür. Bu da makine öğrenmesi sırasında alan uzmanı ihtiyacını oldukça azaltmaktadır. GANlar derin öğrenme alanında oldukça yeni bir ilerleme alanıdır. GANlar 2014'ten önce yoklardı. Onların makine üretmesi alanındaki kapasiteleri ve üretimdeki kaliteleri diğer üretici makine öğrenmesi tekniklerinden çok daha iyi durumdadır. Felsefeleri, verideki özellikleri tanımlamayı otomatik olarak öğrenen ve kendi kendini eleştirerek bunu yapan bir mantığa dayanmaktadır. GANlar, fotoğraf kalitesinde resimler üretmek, siyah-beyaz resimleri renklendirmek, basit bir çizimi gerçekçi bir resime dönüştürmek, resimlerin çözünürlüğünü artırmak, resimlerdeki hatalı-eksik yerleri onarmak, videolarda sonraki kareyi tahmin etmek, makine öğrenmesinde kullanmak üzere veri üretmek, geçekçi yazılar üretmek, gerçekçi müzik ve sesler üretmek için kullanılabilmektedir. GANların mimarisi derin öğrenme teknikleri arasında oldukça orijinaldir. Temel olarak birbiriyle yarışan iki sinir ağından oluşmaktadır. Yapıları oldukça zeki tasarlanmış ve oldukça ilginçtir. Fakat bu durum makine öğrenmesini oldukça zorlu ve kırılgan yapmaktadır. GANlar oldukça zor öğretilen, hataya açık ve optimizasyonu oldukça zor olarak tanınmaktadır. Bu tezde GANların optimizasyonuna odaklandık. GANların felsefeleri zorluklarda anahtar konumdadır. Bu sebeple öncelikle GANların eğitimindeki potansiyel zorlukları açıkladık. Daha sonra iyi olarak bilinen bazı GAN mimarilerini, bazı veri setleri ile eğitim sonuçlarını karşılaştırdık. Son olarak bazı temel yapısal öneriler ve optimizasyon parametreleri önerdik.
Özet (Çeviri)
Artificial intelligence has started to be a part of our lives in many aspects over the past few decades. Developing new products without features using artificial intelligence is not reasonable in the contemporary world. It would not be possible if we were not using the deep learning techniques in machine learning algorithms. Traditional machine learning needs clever human design code that transforms raw data into input features for machine learning algorithms. But with deep learning, learning features from raw data directly are possible and this eases the requirement for subject-matter expertise. GANs are very recent advancement in the field of deep learning. They were not presented before 2014. Their capacity and quality of generating are far better than the other generative techniques in machine learning. Their philosophy is based on self-criticizing techniques for automatically learning representation of features. GANs can be used for generating photorealistic images, colorization, turning a simple sketch into a photorealistic image, increasing the resolution of an image, replacing photo defects with realistic patterns, predicting the next frames in a video, data augmentation, generating text, audio etc. data and more. GANs' architecture is very original in deep learning. They are made up of two neural networks that compete during training. Their structures are very clever and interesting but that leads us to very difficult training sessions. GANs are known as difficult to train, prone to failure and very difficult to hyper-tune. In this thesis we focused on the optimization of some of the GANs. Their philosophies are the key reason to difficulties. For this we first explain the potential difficulties of GANs' trainings. After we retrain some known GANs and compare the results. We propose some structural designs and some optimization parameters to achieve better performant GANs.
Benzer Tezler
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Hand gesture recognition via CNN-LSTM neural networks and EMG signals
CNN-LSTM sinir ağları ve EMG sinyalleri ile el hareketi tanıma
ZAHRAA GHALIB HADI SAWAFI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU TUNÇ ÇAMLIBEL
- Generative adversarial networks based level generation for angry birds
Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi
BURKAN YILMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER
- Biyomedikal sinyallerin makine öğrenmesi teknikleri kullanılarak sınıflandırılması
Classification of biomedical signals by machine learning techniques
NARİN ASLAN
Doktora
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GONCA ÖZMEN KOCA
PROF. DR. ŞENGÜL DOĞAN
- Experimental comparison of machine learning methods for preparingentries to kaggle machine learning competitions
Başlık çevirisi yok
RUKİYE SAVRAN
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of EssexPROF. JOHN GAN