Projeler
Permanent URI for this communityhttps://hdl.handle.net/20.500.14719/4232
Browse
4 results
Search Results
Research Project İnsan-bilgisayar etkileşimi için konuşma ve yüz ifadelerinden spontan duygu tanıma(2013) Cigdem Eroglu Erdem; BAHÇEŞEHİR ÜNİVERSİTESİResearch Project Statik Olarak Eşdeğer Seri Zincir Yöntemi (SESC) ile İnsan Kütle Merkezi Tahmini ve Doğrulaması(2021) BARAN ARAS; ELIE CHEBEL; BURCU TUNÇ ÇAMLIBEL; Tanımlanmamış Kurum; Tanımlanmamış Kurum; BAHÇEŞEHİR ÜNİVERSİTESİAmaç: Tüm vücut kütle merkezinin (KM) yörüngesi, güvenilir bir postural stabilite metriği olarak oldukça faydalı bir metriktir. Bu çalışmanın amacı, ?Statik Olarak Eşdeğer Seri Zincir Yöntemi? (SESC) olarak adlandırılan KM tahmin tekniğinin model karmaşıklığına ve vücut tipine göre doğruluğunu değerlendirmektir. Bu teknik, fiziksel rehabilitasyonun etkilerinin değerlendirilmesini iyileştirebilecek laboratuvar ortamı dışında kişiye özel KM tahmin etme fırsatı sağlamaktadır. Yöntem: Projede VKİ aralığı 18,5-24,9 (fit) olan 12 ve BMI aralığı 35,0-39,9 (obez) olan 14 denek yer aldı. Deneyler sırasında deneklerden eklem açılarını kaydeden bir hareket yakalama cihazı takarken bir dizi hareketle ilgili görevi yerine getirmeleri ve düzlemsel KM konumunu yakalamak için bir kuvvet platformu üzerinde durmaları istendi. Sonuçlar: Kaydedilen veriler ön işleme tabi tutulmuş ve iki veri kümesine bölünmüştür, verilerin %75'ini içeren ilk veri seti SESC modellerini oluşturmak için ve kalan %25'i doğrulukları test etmek için kullanıldı. Her biri farklı sayıda eklem ve farklı serbestlik derecesine sahip dört SESC modeli tasarlandı. Genel sonuçlar, modelin karmaşıklığı ile sonuçların doğruluğu arasında korelasyonun varlığını kanıtlamıştır ve KM tahminlerinin RMSE değerleri 18.9 ± 6.8 mm ila 29.2 ± 11.9 mm arasında değişmektedir. Öte yandan, fit ve obez denekler arasındaki karşılaştırma, tüm SESC modellerin RMSE'leri arasında hiçbir fark göstermemiştir ve bu da, SESC'nin KM tahminleri için antropometrik ölçümlere dayanan diğer tekniklerin aksine vücut farklılıklarının üstesinden gelme yeteneğini kanıtlamaktadır. Ek olarak, Xsens yazılımı ile tahmin edilen KM, 30 ± 11,6 mm ila 52.0 ± 22,8 mm arasında değişen bir RMSE ile önemli ölçüde daha az doğru tahmin sunmuştur.Research Project Az Örnekle Öğrenme Problemleri Için Metrik Öğrenme Tabanlı Yeni Bir Meta-Öğrenme Algoritması(2023) AYLA GÜLCÜ; ZEKİ KUŞ; OSMAN FURKAN KARAKUŞ; İSMAİL TAHA SAMED ÖZKAN; BAHÇEŞEHİR ÜNİVERSİTESİ; Tanımlanmamış Kurum; Tanımlanmamış Kurum; Tanımlanmamış KurumBu projede az örnekle öğrenme problemleri için literatürdeki en popüler meta-öğrenme algoritması olan MAML baz alındığı ve üçlü görevlerin tanımıyla genişletildiği yeni bir yöntem önerilmektedir. MAML'ın optimizasyon süreçlerinin takip edildiği bu yeni yöntemde yapay sinir ağı yapısı üçüz ağlar ile değiştirilmiş ve bu nedenle bu yeni algoritma TripletMAML olarak isimlendirilmiştir. MAML'ın Gradyan İniş kullanımı aynı şekilde TripletMAML ile devam etmektedir ancak bu öğrenme üçüz ağlar sayesinde metrik öğrenme ile desteklenmiştir. Meta-model parametreleri bu şekilde hem metrik-kayıp hem de sınıflandırma kayıp fonksiyonları ile eğitilmiştir. Ancak metrik öğrenmenin kullanılabilmesi için hem 1-örnekli hem de 2-örnekli ayarlar için üçüz görevler oluşturulmuştur. Bu görevlerin oluşturulmasında, meta-öğrenme kavramı, destek kümesi üzerinde geçici eğitilen meta-öğrenicinin sorgu kümesindeki hatasına göre kalıcı olarak güncellenmesi, korunmuştur. Bildiğimiz kadarıyla, TripletMAML az örnekle öğrenme problemleri için önerilen ilk optimizasyon ve aynı zamanda metrik öğrenme tabanlı bir algoritmadır. TripletMAML performansı dört katmanlı çok sığ bir omurga ile dört farklı görüntü sınıflandırma veri kümesi üzerinde test edilmiştir. Her bir veri kümesi için önerilen yöntemin performansı literatürde aynı veri kümesini ve aynı omurga yapısını kullanan meta-öğrenme algoritmaları ile kıyaslanmıştır. Seçilen üç farklı meta-öğrenme algoritmasıyla yapılan kıyaslama sonuçlarına göre TripletMAML diğer metodlardan daha iyi sonuç vermektedir. Hem 1-örnekli hem de 5-örnekli problem ayarı için geçerli bu durum, TripletMAML'ın hiç bir veri artırma tekniği uygulanmadan elde edilen performansını göstermektedir. Yapılan deneyler, TripletMAML'ın sımıflandırma performansının hiper-parametre optimizasyonu ile çok daha artırılabildiğini, hatta literatürde çok daha karmaşık omurga kullanan meta-öğrenme algoritmalarından bile daha iyi performans gösterdiğini ortaya koymuştur. İki veri kümesi üzerinde doğruluk değerinin %7' ye kadar artırılabildiği gösterilmiştir. Bu da verimli bir eğitim sürecinin karmaşık bir mimari kullanımından daha önemli olduğunu doğrulamıştır. TripletMAML yönteminin sadece görüntü sınıflandırma değil görüntü erişim problemleri için de kullanılabileceği görülmüştür. Görsel erişim problemleri için meta-öğrenme algoritmaları ileride çalışılması düşünülen konulardandır.Research Project Derin Sinir Ağları Katmanlarının Seyrek İkinci Dereceden Konik Programlama İle Budanması(2022) Gozde Unal; Süreyya AKYÜZ; BUSE ÇİSİL GÜLDOĞUŞ; MUHAMMAD AMMAR ALI; DUYGU ÜÇÜNCÜ; İSTANBUL TEKNİK ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; Tanımlanmamış Kurum; Tanımlanmamış KurumMakine Öğreniminde seyrek problemler, hesaplama uyumlulukları ve yüksek tahmin performansları nedeniyle son yıllarda oldukça önem kazanmıştır. Seyrek öğrenme, biyoinformatikte gen ekspresyon profillerinde ana bileşenlerin seçilmesi, finans ve ekonomi gibi problemleri tahmin etmede regresyon tipi uygulamaların bağımsız değişkenlerinin önemli faktörlerinin belirlenmesi, elektronik mühendisliği problemlerinde sinyallerinin önemli faktörlerinin belirlenmesi gibi çeşitli uygulama alanlarında ortaya çıkar. Seyrek öğrenme problemlerinin matematiksel modelleri, dışbükey olmama problemine yol açan sıfır norm veya 1 norm ile ifade edilen kardinalite kısıtlamaları ile ilgilidir. Araştırmacılar bu konunun üstesinden gelmek için dışbükey olmama problemine literatürdeki Konveks Fonksiyonların Farkı, Yarı Kesinli Gevşemeler ve İkinci Dereceli Konik Programlama gibi farklı tekniklerle yaklaşmışlardır. Derin Öğrenme, literatürde ve endüstride, yazılım dünyasında sıklıkla kullanılan ve çoğu mühendislik problemlerinde, yapay zeka uygulamalarında üstün başarı gösteren algoritma olarak karşımıza çıkmaktadır. Bu üstün başarısına karşılık derin ağların mimarisi kapalı kutu olarak bilinmekte ve ağ derinlikleri ve büyüme oranı parametre olarak seçilmektedir. Bu hiper parametrelerin otomatik olarak matematik temelli bir optimizasyon modelle en uygun değerlerinin bulunması yüksek boyutlu verilerin Derin Öğrenme ile sınıflandırılmasında ihtiyaç duyulan bir eksikliktir. Bu projede literatürdeki ihtiyaca karşılık verecek Derin Sinir Ağlarının (DNN) katmanlarını seyrek ikinci dereceden konik programlama ile budayan matematiksel modelin geliştirilmesi amaçlanmıştır. Budama algoritmasının modellenmesinde dikkat edilecek önemli bir unsur rastgele oluşturulacak farklı derinliklerdeki ağların doğruluk performanslarının ve birbirleri arasında çeşitliliğin zengin olmasıdır. Fakat bu iki terim arasında bir ödünleşim mevcuttur, başka bir deyişle, doğruluk yüzdesi çok arttıkça çeşitlilikten ödün verilir. Bu projede geliştirilmiş olan matematiksel model bu ödünleşimin optimum düzeyde tutacak bir budama algoritmasıdır. Elde edilen DNN budama algoritması veri kitlesinden bağımsız olarak genelleştirilmiş bir model olarak çözülmüştür ve farklı alanlardaki veri kümelerinde uygulanarak başarı oranları farklı derinlikte ağ yapıları ile karşılaştırılmıştır. Önerilen bu yöntem veri ön işleme (data pre-processing) basamaklarından biri olan öznitelik seçimi (feature selection) problemine de uyarlanmış ve başarı sonuçları diğer öznitelik seçimi algoritmaları ile karşılaştırılmıştır. Önerilen projenin temel çıktıları, DNN ağ seçimi yaparak sınıflandırma problemini çözen ve öznitelik seçimi problemini de aynı temel fikir ile çözen yazılım ve Python kütüphanesi oluşturulmuştur.