Evrişimli sinir ağları için regresyon temelli hiper parametre optimizasyonu
Regression based hyper parameter optimization for conversional neural networks
- Tez No: 833640
- Danışmanlar: DOÇ. DR. EMRE ÇİMEN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 55
Özet
Makine Öğrenmesi problemlerinde modelin performansını etkileyen, ayarlanabilir parametreler olan hiper parametrelerin kullanıcı tarafından tayin edilmesi beklenir. Fakat modelin performansını, eğitim ve test başarısını etkileyen bu hiper parametrelerin seçimini kullanıcıya bırakmak geniş seçim uzayının olduğu ortamlarda büyük bir risktir. Bu duruma karşı hiper parametre optimizasyonu için geliştirilen pek çok yöntem vardır. Kimisi zaman, kimisi de doğruluk ölçütlerinde avantajlı durumda iken her veri kümesine ya da probleme göre farklı yöntemler kullanmak gerekebilir. Ayrıca iyi sonuçlar verdiği bilinen yöntemler ücretli çözümler sunması sebebiyle de tercih edilemeyebilir. Bu çalışmada zaman ve doğruluk açısından ön planda olabilecek, farklı veri kümelerinde de kabul görebilecek sonuçlar veren bir hiper parametre optimizasyon yöntemi geliştirilmiştir. Yalnızca makine öğrenmesi problemleri ile çalışan araştırmacılar için değil optimize edilmesi gereken parametrelere sahip tüm problem çözücüler için kullanılabilir bir yöntem olması amaçlanmıştır. Geliştirilen bu yöntem, kabul görmüş rastgele arama ve Bayesian optimizasyon adlı iki farklı yöntem ile karşılaştırılmış olup ayrıca CIFAR-10, FASHIONMNIST ve MNIST adlı 3 farklı veri kümesi kullanılarak test edilmiştir. Rastgele arama ve Bayesian optimizasyonu karşısında avantajlı durumda olduğu sonuçlar elde edilmiştir.
Özet (Çeviri)
In Machine Learning problems, hyperparameters are adjustable parameters that affect the performance of the model. It is expected that users determine these hyperparameters. However, leaving the selection of these hyperparameters, which impact the performance of the model in terms of training and testing success, to the user poses a significant risk, especially in environments with a wide choice space. To address this issue, numerous methods have been developed for hyperparameter optimization. Some of these methods excel in terms of time, while others excel in accuracy criteria. Different methods may need to be employed for each dataset or problem. Additionally, well-performing methods might not be preferred due to their paid solutions. In this study, a hyperparameter optimization method has been developed that can yield results emphasizing both time and accuracy and is applicable to different datasets. The aim is to provide a method not only for researchers working solely on machine learning problems but also for all problem solvers with parameters that need optimization. This developed method has been compared with two established methods: random search and Bayesian optimization. Furthermore, it has been tested on three different datasets CIFAR-10, FASHIONMNIST, and MNIST. The results indicate its superiority over random search and Bayesian optimization.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Design of frequency selective surface based on reflection coefficients in C and X bands using nested convolutional neural network
İçiçe evrişimli sinir ağları kullnarak C ve X bantlarında yansıma katsayısı temelli frekans seçici yüzey tasarımı
ERKAN KIYMIK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi
Machine learning based intrusion detection system in software defined networks
BİROL EMEKLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- Essays on electricity price modeling and forecasting
Elektrik fiyatlarının modellenmesi ve tahmini üzerine makaleler
UMUT UĞURLU
Doktora
İngilizce
2019
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. OKTAY TAŞ
- Performance assessment of physiotherapy and rehabilitation exercises with deep learning
Derin öğrenme ile fizyoterapi ve rehabilitasyon egzersizleri için performans değerlendirme
İLHAN AYTUTULDU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TARKAN AYDIN