Usıng deep learnıng methods to classıfy lıthology wıth multı-label ımbalance data
Çok etikeli dengesizlik verileri ile litolojiyi sınıflandırmak için derin öğrenme yöntemlerinin kullanılması
- Tez No: 940524
- Danışmanlar: DOÇ. DR. OĞUZ ATA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Çeşitli araştırmalarda litolojileri tahmin etmek ve tespit etmek için jeologlar, derin öğrenme metodolojileri ve uygulamalarını kullanarak operasyonel masraflardan ve çalışma süresinden tasarruf edebilirler. Doğru veri işleme ve farklı jeolojik alanlardan toplanan veriler kullanılarak bilimsel araştırma yapılması bu sayede mümkün olmaktadır. Mevcut araştırmadaki dört litoloji verisi, çok sınıflı dengesizlik sorunları ve yüksek boyutluluk kullanılarak analiz edilmiş ve sınıflandırılmıştır. Modern veri analizinin karşılaştığı en büyük sorunlardan biri veri sınıflandırmasındaki dengesizliktir. Özellikle örtüşen sınıf dağılımlarının varlığı ve veri dengesizliği gibi diğer zorlayıcı faktörlerle birleştirildiğinde, sınıflandırmanın doğruluğu üzerinde önemli bir etkiye sahip olabilir. Birkaç sınıf söz konusu olduğunda, aralarındaki karşılıklı dengesizlik ilişkileri durumu daha da kötüleştirerek etkisini daha belirgin hale getirir. Ayrıca, yüksek boyutluluk sorunu aşırı uyum ve artan hesaplama karmaşıklığıyla sonuçlanabilir ve bunların her ikisi de sınıflandırma verimliliğini olumsuz etkileyebilir. Özyinelemeli Özellik Eliminasyonu (RFE), en değerli tahmine dayalı özellikleri bulmak için kullanılırken Sentetik Azınlık Aşırı Örnekleme (SMOTE), verileri yeniden örneklemek için kullanılır. Hibrit çok sınıflı DL sistemi dengesiz öğrenme yaklaşımını kullanmak bu sorunları çözme çözümümüzdür. Son olarak, birçok çalışma bölgesinde toplanan verilerin yorumlanmasına ilişkin kesin sınıflandırma ve hızlı yanıtlar vii sunarak, yeniliklerimizin jeolojik araştırmaların ilerlemesine katkıda bulunabileceğini düşünüyoruz.
Özet (Çeviri)
To anticipate and detect lithologies in a variety of surveys, geologists can save operational expenses and uptime by utilising deep learning methodologies and applications. Accurate data processing and scientific research using data gathered in different geological areas are made possible by this. The four lithologies data in the present research were analysed and classified using multi-class imbalance issues and high dimensionality. One of the biggest issues facing modern data analysis is the imbalance in data classification. Particularly when combined with other challenging factors like the existence of overlapping class distributions, and data imbalance can have a significant impact on the accuracy of classification. When there are several classes involved, mutual imbalance relationships between them exacerbate the situation, making its influence more evident. Furthermore, the high dimensionality issue may result in overfitting and increased computational complexity, both of which may impair classification efficiency. Recursive Feature Elimination (RFE) is used to find the most valuable predictive features, while Synthetic Minority Oversampling (SMOTE) is used to resample the data. Using hybrid multi-class DL system unbalanced learning approach is our solution to solving these issues. Finally, by offering precise categorization and quick responses about the interpretation of data collected in many study regions, we think that our innovations might contribute to the advancement of geological research.
Benzer Tezler
- Fonokardiyografi sinyalleri ile derin öğrenme tabanlı karar destek sistemi tasarımı
Deep learning based decision support system design with phonocardiography signals
ELİF DEMİR ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATİLA YILMAZ
- Classification of contradictory opinions in text using deep learning methods
Metinlerdeki karşıt fikirlerin derin öğrenme yöntemleri ile sınıflandırılması
İSKENDER ÜLGEN OĞUL
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELMA TEKİR
- Specific keyword extraction from unstructured curriculum vitae using deep learning methods
Derin öğrenme yöntemleri kullanılarak özgeçmişler üzerinde anahtar kelime çıkarımı
MUSTAFA BUĞRA DÜR
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAYRİ SEVER
- Derin öğrenme yöntemleri ile beyin görüntülerinden nörolojik bozuklukların sınıflandırılması
Classification of neurological disorders from brain images using deep learning methods
MUHAMMET KUSEY DAHER
Yüksek Lisans
Türkçe
2025
NörolojiMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ACI
- Time series classification using deep neural networks
Derin sinir ağları ile zaman serilerinin sınıflandırılması
SARMAD SAMI MOHAMMEDALI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER TÜRKER