Novel semi-supervised learning approach for descriptor generation using artificial neural networks
Başlık çevirisi mevcut değil.
- Tez No: 796814
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
makine öğrenimi ve sinir ağlarına olan ilgideki son artış, önceki yöntemlere göre önemli ölçüde iyileşen çok sayıda pratik uygulamaya kapı açtı. sinir ağlarının bir insan beyni için bunaltıcı olabilecek veri hacimlerini işleyebildiği yer. Çok sayıda kullanımı nedeniyle, sinir ağları önemli bir konu haline geldi. Örneğin sinir ağları, tümü gerçek dünya alanları olarak kabul edilen filmlere, fotoğraflara ve ses eşleştirmeye uygulanabilir; bu kadar geniş bir alana uygulanabilirliği akademisyenlerin ilgisini çekmiştir. Sinir ağlarını eğitmek için çok sayıda yöntem ve yaklaşım mevcuttur, ancak bu çalışma“yarı denetimli”eğitim yaklaşımına odaklanacak ve“geliştirilmiş yarı denetimli”eğitim yaklaşımı önerecektir.“Yarı denetimli”terimi, geniş anlamda, bir sinir ağının veya bir makinenin, hem etiketlenmiş hem de etiketlenmemiş örnekleri içeren bir veri koleksiyonundan yararlanarak öğrenme kapasitesini ifade eder.“Denetimli”strateji ise aksine, yalnızca etiketlenmiş verilere dayanır. Bu yazıda, yapay sinir ağları ile tanımlayıcılar üretmek için yarı denetimli öğrenmeye yeni bir yaklaşım sunuyoruz; burada sinir ağının çıktısı, girdi değerlerinin girdi gruplarına atanmasından ve oluşturulan tanımlayıcıların bulunduğu alandan bağımsız olarak manipüle edilir. ' etiketleri atanır. Sonuç olarak, bu strateji, uzay-zaman sürekliliği boyunca daha düzgün bir şekilde dağıtılan çıktılarla daha verimli bir öğrenme tekniği üretmeye çalışır. Sonuç olarak daha verimli bir eğitim yöntemi üretilir. El yazısı rakamlar deneyinin doğruluğu yüzde 85.27 iken, Alzheimer hastalığını tespit eden deneyin doğruluğu yüzde 99.27 oldu. İki testin bulguları, doğrulukta belirgin bir fark gösterdi; burada doğruluk, aynı verileri ancak Siyam sinir ağları için kullanmanın sonuçlarıyla karşılaştırıldığında her iki deneme için daha yüksekti. Deneyler aynı verileri kullandı, ancak Siyam sinir ağları için sonuçlar önemli ölçüde farklıydı.
Özet (Çeviri)
The recent rise in interest in machine learning and neural networks has opened the door to numerous practical applications that significantly improve upon previous methods. where neural networks can handle data volumes that would be overwhelming for a human brain. Due of its numerous uses, neural networks have become a significant topic. Neural networks, for instance, can be applied to movies, photos, and sound matching, all of which are considered real-world domains; its applicability to such a wide range of domains attracted the attention of academics. There are numerous methods and approaches available for training neural networks, but this study will focus on the“semi-supervised”training approach and suggest an“improved semi-supervised”training approach. The term“semi-supervised”refers, in a broad sense, to the capacity of a neural network or a machine to learn by making use of a collection of data that includes both labelled and unlabeled instances. The“supervised”strategy, in contrast, relies only on labeled data. In this paper, we present a novel approach to semi-supervised learning for generating descriptors with artificial neural networks, in which the output of the neural network is manipulated independently of the input values' assignment to input groups and the space to which the generated descriptors' labels are assigned. As a result, this strategy strives to produce a more efficient learning technique with outputs that are more uniformly distributed across the space-time continuum. A more efficient method of education is produced as a result. The accuracy of the handwritten digits experiment was 85.27 percent, while the accuracy of the experiment detecting Alzheimer's disease was 99.27 percent. The findings of the two tests showed a distinct difference in accuracy, where the accuracy was greater for both trials when compared to the results of utilizing the same data but for the Siamese neural networks. The experiments used the same data, but the results for the Siamese neural networks were significantly different
Benzer Tezler
- Self- and weakly- supervised deep learning methods with applications in biometric and biomedical data
Kendinden- ve zayıf- denetimli derin öğrenme yöntemleri ile biyometri ve biyomedikal verilerdeki uygulamaları
MEHMET CAN YAVUZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Corpus-based semantic kernels for supervised and semi-supervised text classification
Eğiticili ve yarı-eğiticili metin sınıflandırması için derlem tabanlı anlambilimsel çekirdekler
AYŞE BERNA ALTINEL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BANU DİRİ
YRD. DOÇ. DR. MURAT CAN GANİZ
- Lifelong learning for auditory scene analysis
İşitsel sahne analizi için hayat boyu öğrenme
BARIŞ BAYRAM
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Identification of cyberbullying using machine learning techniques
Makine öğrenmesi tekniklerini kullanarak siber zorbalığın tespiti
ALI NAJIB
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELMA AYŞE ÖZEL
- A data-centric unsupervised 3D mesh segmentation method
Veri merkezli denetimsiz 3B nesne segmentasyon metotu
TALYA TÜMER SİVRİ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiModelleme ve Simülasyon Ana Bilim Dalı
DOÇ. DR. YUSUF SAHİLLİOĞLU