Geleneksel AUTOML'e karşı meta öğrenme tabanlı AUTOML: Sağlık sektöründe karşılaştırmalı bir çalışma
A comparative analysis of meta-learning-based and traditional automl approaches in healthcare applications
- Tez No: 965564
- Danışmanlar: PROF. DR. ERDAL KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Makine öğrenimi (Machine Learning, ML), sağlık sektörü gibi yoğun veri barındıran alanlarda hastalık tespiti, kişiselleştirilmiş tedavi ve ilaç belirleme gibi önemli uygulamalara sahiptir. Karmaşık tıbbi verilerden anlamlı sonuçlar çıkararak karar vermeyi kolaylaştıran ML, hayat kurtarıcı potansiyele sahip olsa da geleneksel ML algoritmalarının kullanımı, teknik uzmanlık gerektirir. Bu nedenle, teknik bilgi birikimi olmayan sağlık çalışanları için otomatik makine öğrenimi (Automated Machine Learning, AutoML) gibi çözümler önem kazanmaktadır. AutoML, veri ön işleme, özellik mühendisliği, model seçimi ve hiperparametre optimizasyonu dahil olmak üzere makine öğrenimi sürecinin tüm adımlarını otomatikleştirir. Böylece teknik uzmanlığı olmayan bireyler de ellerindeki veri ile AutoML sistemleri kullanarak kaliteli makine öğrenimi modellerini geliştirebilir. Ancak AutoML, verilere uygun algoritmaları değerlendirip en iyi performans verecek modeli belirlerken, farklı modeller ve parametreler arasında yapılan karşılaştırmalar, özellikle büyük veri setlerinde, hesaplama açısından maliyetli ve zaman alıcıdır. Bu sorunu çözmek için meta öğrenme (Meta-Learning) yaklaşımı öne çıkmaktadır. Meta öğrenme,“öğrenmeyi öğrenmek”olarak tanımlanabilir ve önceki öğrenme deneyimlerinden kazanılan bilgilerin yeni görevlere aktarılmasını sağlar. Bu çalışmada, geleneksel yöntemlerle tasarlanan AutoML yöntemi ve meta öğrenme ile tasarlanan AutoML yöntemi, birebir aynı sağlık veri seti ile eğitilmiştir. Her iki yöntemde de aktarım öğrenimi (Transfer-Learning) kullanılmış olup, meta öğrenme tabanlı modelde, yaklaşık %60 oranında zaman tasarrufu ve yaklaşık %5 oranında performans iyileşmesi gözlemlenmiştir. Bu başarının ardında, meta öğrenme modelinin önceki veri setlerinden edindiği bilgiyi kullanması yatmaktadır. Özellikle hızlı ve doğru kararların hayati önem taşıdığı sağlık alanında, bu zaman ve performans avantajı kritiktir ve sürdürülebilir bir çözüm sunmaktadır.
Özet (Çeviri)
Machine Learning (ML) has significant applications in data-intensive domains such as the healthcare sector, including disease diagnosis, personalized treatment, and drug discovery. While ML can extract meaningful insights from complex medical data and support critical decision-making processes, its traditional algorithms often require substantial technical expertise. Therefore, solutions such as Automated Machine Learning (AutoML) have gained importance for healthcare professionals lacking technical backgrounds. AutoML automates all stages of the ML process, including data preprocessing, feature engineering, model selection, and hyperparameter optimization. In this way, individuals without advanced technical knowledge can still develop high-quality ML models using their available data through AutoML systems. However, evaluating suitable algorithms and determining the best-performing model through comparisons of various models and parameters can be computationally expensive and time-consuming, particularly with large datasets. To address this issue, the Meta-Learning approach has emerged. Meta-learning, often defined as“learning to learn,”enables the transfer of knowledge gained from previous learning experiences to new tasks. In this study, an AutoML method designed with traditional techniques and another designed with meta-learning were trained using the same healthcare dataset. Both approaches utilized transfer learning; however, the meta-learning-based model demonstrated approximately 60% time savings and around 5% performance improvement. This success can be attributed to the meta-learning model's ability to leverage knowledge acquired from previous datasets. In healthcare, where timely and accurate decisions are of vital importance, this advantage in time and performance is critical and offers a sustainable solution.
Benzer Tezler
- Özellik mühendisliğinde transfer öğrenme yaklaşımı ve büyük dil modeli entegrasyonuyla açıklanabilir otomatik makine öğrenimi çerçevesi
Explainable automated machine learning framework with transfer learning approach and large language model integration in feature engineering
MERVE SIRT
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAN EYÜPOĞLU
- Building outlier detection framework by using automated machine learning methods
Otomatik makine öğrenimi yöntemlerini kullanarak anomali tespit çerçevesi oluşturma
MUSTAFA KURTOĞLU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- An autoML tool for software vulnerability prediction
Yazılım güvenlik açığı tahmini için autoML aracı
TARIK GÜRCAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL TOKDEMİR
- Bilgisayarlı görü tabanlı AutoML platformu geliştirilmesi
Development of computer vision based AutoML platform
BURAK ŞAHİN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYTUĞ BOYACI
- Fake news detection via automated deep learning
Başlık çevirisi yok
YASİR ABDULKAREEM JAMAL JAMAL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN