Geri Dön

Derin öğrenme ve transfer öğrenme yöntemleri kullanarak değişen yıldızlarda sınıflandırma

Classification of variable stars using deep learning and transfer learning methods

  1. Tez No: 883262
  2. Yazar: EMRULLAH KUŞTAŞI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Amaç: Değişen yıldızların sınıflandırılması, geleneksel yöntemlerle bazen zorlu bir süreç olmaktadır. Bu tez çalışması ile gökbilimcilerin yıldız sınıflandırması yaparken daha az sayıda veri etiketlemesi yaparak, zaman alıcı ve zahmetli bir sürecin kısaltılması amaçlanmıştır. Yöntem: Bu çalışmada CoRoT hedefleri için elde edilen ışık eğrilerinden çıkarılan verilerle oluşturulmuş, bir veri seti kullanılmıştır. Derin Sinir Ağları (DNN) dahil olmak üzere, Rastgele Orman, Destek Vektör Makinesi, Naive Bayes, K-En Yakın Komşular (KNN), Karar Ağaçları gibi çeşitli makine öğrenmesi yöntemleri ile modeller eğitilmiştir. Bulgular: Makine öğrenmesi yöntemlerinden elden elde edilen sonuçlara göre en yüksek perfomansı %98'lik bir doğruluk değeri ile Rastgele Orman yöntemi gösterirken, en düşük performansı %65 ile Naive Bayes göstermiştir. Transfer öğrenim için eğitilen temel model metrikleri incelendiğinde doğruluk değerinin %95 olduğu hesaplanmıştır Sonuç: Değişen yıldızların sınıflandırılmasında transfer öğrenimi yaklaşımı kullanıldığında, daha önce sınıflandırılmış yıldızların bilgileri ve özellikleri yeni yıldızların sınıflandırılmasında kullanılabilir. Bu çalışmadan elde edilen temel model astronomi alanında farklı problemler, farklı veri setleri için yeniden kullanılabilir olması ve bu alanda çalışan araştırmacılara katkı sağlaması beklenmektedir.

Özet (Çeviri)

Purpose: Classifying variable stars is sometimes a challenging process using traditional methods. With this thesis, it is aimed to shorten the time-consuming and laborious process of astronomers by labeling fewer data while classifying stars. Method: In this study, a data set created with data extracted from the light curves obtained for CoRoT targets was used. Models have been trained with various machine learning methods, including Deep Neural Networks (DNN), Random Forest, Support Vector Machine, Naive Bayes, K-Nearest Neighbors (KNN), Decision Trees. Findings: According to the results obtained from machine learning methods, the Random Forest method showed the highest performance with an accuracy value of 98%, while Naive Bayes showed the lowest performance with 65%. When the basic model metrics trained for transfer learning were examined, the accuracy value was calculated to be 95%. Results: When a transfer learning approach is used to classify variable stars, the information and properties of previously classified stars can be used to classify new stars. The basic model obtained from this study is expected to be reusable for different problems and different data sets in the field of astronomy and to contribute to researchers working in this field.

Benzer Tezler

  1. Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  2. Yapay zeka yöntemleri ile Multipl Sklerozis tanısı

    Başlık çevirisi yok

    BARAN BAYTAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. FATMA SİBEL BAYRAMOĞLU

  3. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  4. Directional regularization based variational models for image recovery

    Görüntü onarımı için yön güdümlü düzenlemeye dayalı varyasyonel modeller

    EZGİ DEMİRCAN TÜREYEN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  5. Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme

    Integration of bayesian filtering and deep object detection for video object tracking

    FİLİZ GÜRKAN GÖLCÜK

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU