Geri Dön

Evrişimli sinir ağları için regresyon temelli hiper parametre optimizasyonu

Regression based hyper parameter optimization for conversional neural networks

  1. Tez No: 833640
  2. Yazar: GÖZDE AKBULUT ÖZ
  3. Danışmanlar: DOÇ. DR. EMRE ÇİMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. 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

  1. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. 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

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGUN ERÇELEBİ

  3. Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi

    Machine learning based intrusion detection system in software defined networks

    BİROL EMEKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İHSAN HAKAN SELVİ

  4. Essays on electricity price modeling and forecasting

    Elektrik fiyatlarının modellenmesi ve tahmini üzerine makaleler

    UMUT UĞURLU

    Doktora

    İngilizce

    İngilizce

    2019

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ

  5. 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

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TARKAN AYDIN