Yapay sinir ağlarında başlangıç ağırlıklarının belirlenmesi için yeni bir yaklaşım
A new approach for determining initial weights in artificial neural networks
- Tez No: 930214
- Danışmanlar: DOÇ. DR. SERDAR DEMİR, PROF. DR. ÇAĞDAŞ HAKAN ALADAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, İstatistik, Computer Engineering and Computer Science and Control, Mathematics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 197
Özet
Makine öğrenmesi ve yapay zekâ modelleme yöntemlerinin parametrik yaklaşımlardan farklı olarak en önemli dezavantajları her zaman kesin sonuç sunamamalarıdır. Yüksek tutarlılıkta tahminler üretebilmelerine karşın aynı parametre tasarımı ile çalıştırıldıklarında dahi farklı sonuçlar üretebilen bu modelleme yaklaşımlarından en çok tercih edilenlerinden ve en önemlilerinden birisi de yapay sinir ağlarıdır. Yapay sinir ağlarında başlangıç ağırlıklarının rastgele belirlenmesi, çok büyük boyutlarda ele alınan çözüm uzayının her seferinde farklı bir noktasından başlaması, optimal sonucun rastgele aranarak optimizasyon sürecinin uzamasına ve her seferinde farklı sonuçların üretilmesine sebep olmaktadır. Bu çalışmada, optimizasyon sürecini kısaltmak ve tahmin performansını geliştirmek amaçlanmaktadır. Bu amaçla çekirdek yoğunluk tahmin edicisine dayalı olarak veri odaklı bir yaklaşımla yapay sinir ağlarının başlangıç parametrelerinin belirlenmesinde yeni bir yaklaşım geliştirilmiştir. Söz konusu yaklaşımın performansının en hızlı ve sade biçimde ortaya konulması için tek değişkenli zaman serisi verileri ile çalışılmıştır. Önerilen yöntemin geçerliliğinin test edilmesi için 5 simülasyon ve 14 gerçek-yaşam veri kümesi kullanılmıştır. Test kümesi hatası, iterasyon sayısı ve eğitim öncesi veri seti hatası açısından literatürde mevcut en çok tercih edilen beş yöntem ile performans karşılaştırmaları gerçekleştirilmiştir. Elde edilen sonuçlar, özellikle hata ölçüsü açısından önerilen yöntemin karşılaştırılan yöntemlere göre genel olarak daha iyi bir performansa sahip olduğunu göstermektedir.
Özet (Çeviri)
The most significant disadvantage of machine learning and artificial intelligence modeling methods, unlike parametric approaches, is their inability to always provide definitive results. Despite their capability to produce highly consistent predictions, these modeling approaches can yield different results even when executed with the same parameter design. One of the most preferred and important among these is artificial neural networks. The random determination of initial weights in artificial neural networks leads to starting from different points in a very large solution space each time, resulting in an extended optimization process and the production of different outcomes each time due to the random search for the optimal result. This study aims to shorten the optimization process and improve prediction performance. To achieve this, a new approach has been developed for determining the initial parameters of artificial neural networks based on a data-driven method using kernel density estimators. To demonstrate the performance of this approach in the fastest and simplest manner, univariate time series data has been utilized. To test the validity of the proposed method, five simulations and fourteen real-life datasets have been used. Performance comparisons have been made with the five most preferred methods in the literature in terms of test set error, number of iterations, and pre-training dataset error. The results obtained show that, especially in terms of error metrics, the proposed method generally exhibits better performance compared to the methods being compared.
Benzer Tezler
- Genetik algoritmaya dayalı yapay sinir ağlarında dayanıklı öğrenme algoritmaları
Robust learning algorithm in artificial neural networks based on the genetic algorithm
ASİYE ZUHAL BALTACI
Doktora
Türkçe
2022
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. VEDİDE REZAN USLU
- 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
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Uzun kısa-süreli hafıza derin yapay sinir ağı ile giresun ili minimum sıcaklık öngörüsü
Minimum weather temperature forecasting of giresun province using long short-term memory deep artificial neural network
ONUR DERYA
Yüksek Lisans
Türkçe
2021
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR
- İkili yapay sinir ağları için bir öğrenme algritması
A Learning algorithms for binary neural networks
ERSAN ALFAN
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR ÇİLİNGİROĞLU