Yapılandırılmış veri kümelerinin GAN ile artırılmasının makine öğrenmesi yöntemleri üzerindeki etkisinin analizi
Analysis of the impact of augmenting structured datasets with GAN on machine learning methods
- Tez No: 857925
- Danışmanlar: DOÇ. DR. OKTAY YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi yöntemleri genellikle belirli bir amacı gerçekleştirmek üzere önceden sunulan veri kümelerini kullanır. Ancak, yetersiz veya temsil özelliği zayıf veri kümeleri modelin öğrenme başarısını olumsuz yönde etkiler. Yetersiz veya temsil edilmemiş örnek problemini aşmak için veri artırma yöntemleri sıklıkla kullanılmaktadır. Veri artırımı, sentetik veri oluşturarak bir veri kümesinin boyutunu ve çeşitliliğini artırmak için kullanılan bir metodolojidir. Özellikle orijinal veri kümesi yetersiz veya dengesizlik gösteriyorsa kullanılır. Bu tez çalışmasında genele açık iki farklı veri kümesi üzerinde Çekişmeli Üretici Ağ (GAN) ile veri artırımı gerçekleştirilmiş; elde edilen yeni veri kümesinin tahmin modellerindeki başarıma etkisi incelenmiştir. Deneysel çalışmada kullanılan ilk veri kümesi reklam tıklama tahmini amacıyla araştırmacılar tarafından sıklıkla kullanılan Müşteri Reklam Tıklama Tahmini veri kümesidir. Diğeri sağlık alanında kalp hastalığı tanısından kullanılan Koroner Arter Hastalığı veri kümesidir.Deneysel çalışmalarda, Çekişmeli Üretici Ağlar her iki problem için de ek eğitim örnekleri üretmek için kullanılmıştır. Daha sonra Çekişmeli Üretici Ağ tabanlı veri artırımının varlığı veya yokluğu dikkate alınarak birkaç makine öğrenimi yönteminin doğruluğu değerlendirilmiştir. Ayrıca, koroner arter hastalığı tahmini için daha başarılı olan özellikleri çıkarmak için özellik seçimi yaklaşımları kullanılmıştır. Bulgulara göre, algoritmaların çoğunluğu, Çekişmeli Üretici Ağ kullanımı ile veri artırımı sonrasında doğruluk, hassasiyet ve özgüllükte belirgin bir iyileşme göstermiştir. Bu sonuçlar, oluşturulan verinin, pozitif ve negatif olaylar arasındaki farkı doğru bir şekilde ayırt etme kapasitesini etkili bir şekilde artırdığını göstermektedir. Sonuçlara göre, Çekişmeli Üretici Ağ tabanlı veri artırımının tüm modeller için çeşitli derecelerde iyileşmeye neden olduğu bulunmuştur. Ayrıca, özellik seçimi stratejilerinin kullanımının koroner arter hastalığı tahmininin etkililiğini artırdığı gösterilmiştir. Bu çalışmada Çekişmeli Üretici Ağların veri artırma yöntemi olarak çeşitli alanlarda kullanılabileceği gösterilmiştir.
Özet (Çeviri)
Machine learning algorithms commonly leverage present datasets to accomplish a certain objective. Insufficient datasets might have a detrimental effect on the model's learning performance. Data augmentation approaches are commonly used to address the issue of inadequate instances. Data augmentation is a technique employed to enhance the amount and variety of a dataset by creating artificial data. It is especially beneficial when the initial dataset is poor or shows an imbalance. This thesis explores the application of Generative Adversarial Networks (GAN) for data augmentation. Two publically accessible datasets were used for this purpose. The main objective was to examine how the supplemented dataset affects the performance of prediction models. The first set of data employed in the experimental investigation is the Customer Ad Click Prediction dataset, which is widely utilized by academics for the specific aim of ad click prediction. The second dataset is the Coronary Artery Disease dataset, which is utilized in the health field for the purpose of diagnosing heart disease. Generative Adversarial Networks were used in experimental research to create additional training examples for both issues. Afterward, the precision of various machine learning techniques was evaluated by considering whether GAN-based data augmentation was present or not. Moreover, feature selection methodologies were employed to identify characteristics that demonstrate higher efficacy in predicting coronary artery disease. The findings indicate that most algorithms had a substantial enhancement in accuracy, precision, and specificity following the implementation of GAN-based data augmentation. The results demonstrate that the obtained data significantly improves the ability to differentiate between positive and negative instances. All models improved on different scales with GAN-based data augmentation. Feature selection algorithms also enhance coronary artery disease prediction. This study shows how Generative Adversarial Networks may enhance data across domains.
Benzer Tezler
- Investigation of climate dynamics over euro-mediterranean region using a variable- resolution global cesm model
Avrupa-akdenı̇z ı̇klı̇mı̇nı̇n değı̇şken çözünürlüklü küresel cesm modelı̇ (VR-CESM) ı̇le ı̇ncelenmesı̇
BURCU ZEHRA BOZA KARUL
Doktora
İngilizce
2025
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. ÖMER LÜTFİ ŞEN
PROF. DR. MEHMET ILICAK
- Artificial intelligent based segmentation on medical imaging
Medikal görüntü üzerinden yapay zeka tabanlı bölütleme
MAHMUT AĞRALI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN KILIÇ
- Personalized medication recommendation system based on text or image inputs
Metin veya görüntü girdilerine dayalı kişiselleştirilmiş ilaç öneri sistemi
IHTISHAM BASHIR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykoz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. ABDURAZZAG ALI A ABURAS
- Kıyı yapısı inşaatları için iş güvenliği risk yönetim sistemi
Occupational safety risk management system for coastal structure construction
DİNÇER İNANÇ YILMAZ
Doktora
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL