Explainable deep learning: A Study on understandinglearning process of convolutional neural networks withinformation theory
Başlık çevirisi mevcut değil.
- Tez No: 770985
- Danışmanlar: Belirtilmemiş.
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Loughborough University
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 37
Özet
Özet yok.
Özet (Çeviri)
The goal of this thesis was to understand the learning process of convolutional neural networks with information theoretic concepts. Although the use of Deep Learning is booming in many real-world tasks, their internal processes of how they draw the results are still uncertain. In this paper, an information theoretic approach is used to reveal the typical learning patterns of a convolutional neural network. For this purpose, training samples, true labels, and estimated labels are considered to be random variables. The mutual information and conditional entropy between these variables are then studied using our proposed method. The results of the numerical experiments conducted reveal that information theory is an excellent tool with which to explain convolutional neural networks. The first outcome of the results is that each layer has a different effect on learning. The layers that need to be added to a neural network to gain desired learning level can be determined with the help of information theoretic quantities. Secondly, the optimum number of training epochs and other parameters can be determined with information theory. It is inferred from the results that show the information theoretic quantities graph is parallel to the training accuracy graph. Overall, the experimentations show that information theoretic approach can be utilised to explain convolutional neural networks. This study and related future studies can be considered the foundation for Explainable Machine Learning studies
Benzer Tezler
- Organizasyonel öğrenme, adımları ve uygulanması
Organizational learning, steps and application
UFUK SAKA
Doktora
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMİL CEYLAN
- Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması
Classification of plant diseases using transfer learning-based explainable deep learning methods
AHMET ENES KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT KARAKOYUN
- On real-world face super-resolution and face image synthesis evaluation
Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine
ERDİ SARITAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Utilizing explainable artificial intelligence tools on food safety early warning model
Gıda güvenliği erken uyarı modeli üzerinde açıklanabilir yapay zeka araçlarının uygulanması
OKAN BÜYÜKTEPE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Bilim Dalı
DR. ÖĞR. ÜYESİ GÖRKEM KAR
PROF. DR. ÇAĞATAY ÇATAL