Yazar "Tezcan, Burak" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Destek vektör makineleri parametrelerinin meta sezgisel optimizasyon algoritmaları ile belirlenmesi
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2018-08-15) Tezcan, Burak; Taşdemir, Şakir
    Destek Vektör Makineleri (DVM) sınıflandırma amacıyla 90'lı yıllarda ortaya çıkan popülerliği gittikçe artan bir algoritmadır. DVM'lerin birçok farklı alanda başarılı olduğu gözlemlenmiştir ve bu başarı sınıflandırma alanında en çok kullanılan yöntemlerden olmasını sağlamıştır. Son yıllarda, DVM eğitim aşamasının ağır hesaplama karmaşıklığı sebebiyle DVM parametre optimizasyonu araştırmaları hız kazanmıştır. DVM parametre seçimi çok önemlidir. Hatalı seçimler yöntemin sınıflandırma performansını etkileyebileceği gibi hesaplama karmaşıklığını da artırabilir. Bu yüzden parametre ayarlanması için uygun optimizasyon algoritmaları aranmaktadır. Bu tez çalışmasında yukarıdaki problemler meta-sezgisel tabanlı optimizasyon modeli olarak ele alındı. Kullanılan yöntemler Karga Arama Algoritması (KAA) ve Salp Sürüsü Algoritması (SSA) olarak bilinen yeni yöntemlerdir. Bu iki algoritma meta-sezgisel yöntemlerin özelliklerini başarılı bir şekilde taşımaktadır. Bu tez çalışmasında KAA ve SSA algoritmaları kullanılarak DVM optimizasyon modelleri oluşturulmuştur. Bu modeller DVM sınıflandırma doğruluğu değerlerini uygunluk değerleri olarak ele alarak DVM parametrelerini KAA ve SSA üzerinden geliştirmektedir. İşlem sonunda elde edilen en iyi parametre değerleri 10 katlamalı çapraz doğrulama kullanılan DVM uygulaması ile değerlendirildi. Çalışmadaki deneyler UCI (machine learning repository of University of California at Irvine) veri tabanında alınan farklı standart veri setleri üzerinde denendi. Elde edilen sonuçlar doğruluk, duyarlılık, seçicilik ve AUC kriterleri kullanılarak karşılaştırılmıştır. Ayrıca sonuçların ROC eğrileri ve kutu grafiklerine yer verilmiştir. Tüm deneyler lineer, polinom (d=1,2,3) ve RBF çekirdek fonksiyonları kullanılarak gerçekleştirilmiştir. Çalışmada kullanılan göğüs kanseri, diyabet, parkinson, sonar, şarap, cam ve ünlü harf veri setleri ile elde edilen en iyi doğruluk sonuçları yüzdesel olarak sırasıyla şöyledir: 97.22, 78.25, 95.38, 88.50, 97.78, 67.77 ve 99.62. KAA-DVM'nin SSA-DVM'ye göre daha başarılı olduğu görülmüştür. DVM çekirdek fonksiyonlarından RBF veri setlerinin çoğunluğunda en iyi sonuçları vermiştir. Literatür karşılaştırmaları elde edilen modellerin diğer çalışmalar ile rekabet edebilecek seviyede olduklarını göstermiştir. Sonuçlar göstermektedir ki önerilen modeller uygun DVM parametrelerinin belirlenmesi yeteneğine sahiptir.
  • Küçük Resim
    Öğe
    Object Recognition with Zero-shot Learning
    (Selçuk Üniversitesi, 2021) Tezcan, Burak; Taşdemir, Şakir
    Zero-shot learning aims to classify unseen class examples. It gained popularity in applications where examples for each category are limited. The main issue to consider is transferring information from seen classes to unseen classes via mapping image space to semantic space. Therefore, mapping from image space to semantic space is at the core of the learning process. In this work, Google’s Word2vec were used for semantic space. Total of 20 classes, 15 for training and 5 for zero-shot classes were chosen from Visual Gnome dataset. We have achieved 0.71 accuracy for top-5 classes.