Filters

2022 - 20232
Reset filters

Settings

Has files: trueSubject: Classification

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Doctoral Thesis
    Farklı Derin Öğrenme Teknikleri ve Meta-sezgisel Algoritmalara Dayalı Tıbbi Veri Kümesi Sınıflandırması
    (2023) Kadhım, Yezı Alı; Mıshra, Alok; Doruk, Reşat Özgür
    Tıp, bilgisayar bilimindeki ilerlemenin önemli ilerleme kaydettiği alanlardan biridir. Bilgisayarların Tıpta kullanımı kesinliği artırır ve veri işlemeyi ve teşhisi hızlandırır. Şu anda, derin öğrenme algoritmalarının önemli bir rol oynadığı çeşitli bilgisayar destekli teşhis sistemleri bulunmaktadır. Daha hassas ve daha hızlı sistemlere ihtiyaç vardır. Bilgisayar destekli teşhis (CAD), yıllar içinde teşhis tahmini için etkili ve doğru bir yöntem olduğunu kanıtlamıştır. Bu çalışma, teşhisi olabildiğince doğru bir şekilde gerçekleştirmek amacıyla otomatik bir CAD sisteminin geliştirilmesine odaklanmaktadır. Derin öğrenme yöntemleri, tıbbi görüntü veri kümeleri üzerinde etkileyici sonuçlar üretebilmiştir. Bu tezde, iki farklı tıbbi veri kümesinden COVID-19, ve birkaç tıbbi veri seti tespitini kapsayacak şekilde en uygun özellikleri seçmek için meta-sezgisel yöntemin yardımıyla beyin tümörü. Birkaç önceden eğitilmiş evrişimli sinir ağı (CNN) AlexNet, GoogleNet, ResNet 50 ve DenseNet 201'in ilk kombinasyonu, üç tür Meta-Sezgisel Algoritma Karınca Kolonisi Optimizasyon algoritması (ACO), Particle Swarm Optimization algoritması (PSO), ve Genetik Algoritma (GA). İkinci kombinasyon, verilerin orijinal performansını korurken veri kümesinin boyutunu küçültmeyi amaçlayan yenilikçi bir yöntem olan üç tür Meta-Sezgisel Algoritma ACO, PSO ve GA ile Otomatik kodlayıcıydı. Doğru bir teşhis gerçekleştirmek için meta-sezgisel algoritmalar ve denetimli makine öğrenimi algoritmaları ile birlikte derin öğrenme yöntemlerinin kullanılması. Özellik çıkarımı için önceden eğitilmiş evrişimli sinir ağları (CNN'ler) veya otomatik kodlayıcı kullanılırken, özellik seçimi ACO veya PSO veya GA kullanılarak gerçekleştirilir. Karınca kolonisi optimizasyonu, veri miktarını azaltırken en iyi optimum özelliklerin aranmasına yardımcı olur. Son olarak, tanı tahmini (sınıflandırma), öğrenilebilir sınıflandırıcılar kullanılarak gerçekleştirilir. Özelliklerin çıkarılması ve seçilmesi için yeni çerçeve, derin öğrenme, otomatik kodlayıcı ve ACO'ya dayanmaktadır. Önerilen kombinasyonun performansı, iki tıbbi görüntü veri seti kullanılarak karar ağacı (DT), destek vektör makinesi (SVM), k-en yakın komşular (KNN), topluluk, Naive Bayes ve diskriminant gibi sınıflandırıcılarla değerlendirilir: göğüs röntgeni (COVID-19 ve beyin tümörlerinin varlığının tahmini için CXR) ve manyetik rezonans görüntüleme (MRI). Doğruluk, önerilen yaklaşımın performansını mevcut son teknoloji yöntemlerle karşılaştırmak için ana ölçü olarak kullanılır. Önerilen sistem, sırasıyla COVID-19 ve beyin tümörlerinin varlığını teşhis etmede diğer tüm yöntemleri geride bırakarak ortalama %99,61 ve %99,18 doğruluk elde ediyor. Elde edilen sonuçlara dayanarak, doktorların veya radyologların önerilen yaklaşımı COVID-19 hastalarının ve spesifik beyin tümörü olan hastaların teşhisinde güvenle kullanabilecekleri söylenebilir. Ayrıca bu tezde, farklı derin öğrenme tekniklerinin meta-sezgisel algoritma ile bir kombinasyonu, evrişimli sinir ağı veya otomatik kodlayıcı derin öğrenme yöntemlerinin her biri, iki farklı tıbbi veri setinden etkili özellikleri çıkarmak için uygulandı. Parçacık Sürü Optimizasyon Algoritması (PSO) tarafından elde edilen optimal özellikleri seçmek için meta-sezgisel yöntemin yardımıyla, yenilikçi bir yöntem olarak kabul edilen bu kombinasyon, verilerin orijinal performansını korurken veri kümesinin boyutunu küçültmeyi amaçlamaktadır. Kovid-19 veri seti, CNN-PSO-SVM kombinasyonu ile en yüksek doğruluğun %99,76 olduğunu ve ortak beyin tümörü veri seti için en yüksek doğruluk olarak %99,51'lik doğruluğun, otomatik kodlayıcı-PSO-KNN kombinasyon yöntemiyle elde edildiğini buldu. . Derin öğrenme yönteminin PSO özellik seçim algoritması ile kombinasyon modelinin, ACO algoritması ile aynı yönteme göre çok daha uzun zaman aldığını ve aynı zamanda PSO'nun doğruluğunun ACO doğruluğuna yakın olduğunu fark ettik.
  • Thumbnail Image
    Master Thesis
    Eşli Programlamanın Akış Şemalarının Anlaşılabilirliğine Etkisi: C Programlama Dersinde Bir Durum Çalışması
    (2022) Khudhur, Omar Mohammed; Topallı, Damla
    Algoritma oluşturma, programlama öğrenmede birinci sınıf bilgisayar bilimi öğrencileri için öğrenilmesi gereken en önemli kavramlardan biridir. Ancak çoğu öğrencinin algoritma oluşturmayı ve algoritmaları akış şemaları gibi bir tasarım yöntemleri ile ifade etmekte zorlandıkları gözlemlenmiştir. Bu kapsamda bu tez çalışmasında, eşli programlama yaklaşımının akış diyagramlarının anlaşılabilirliğine etkisinin araştırılması ve 1. Sınıf bilgisayar bilimleri öğrencilerinin C programlama dersindeki bu konu üzerinde başarılarının değerlendirilmesi amaçlanmıştır. Eşli programlama, öğrencilerin bir kod veya tasarım üzerinde çalışırken akranlarıyla etkileşim ve iletişim kurmasını sağlayan bir tekniktir. Buna göre, bu tezde akış diyagramları üzerinde çalışırken ikili programlamanın hata tespit performansı üzerindeki etkisini daha iyi anlamak için tek ve eşli olmak üzere iki grupla deneysel bir çalışma yapılmıştır. İkinci olarak, sınıflandırma algoritmaları kullanılarak eşli ve tek grupların performanslarının sınıflandırılması araştırılmıştır. Son olarak, her iki grubun akış diyagramları ile ilgili derste kaydettiği ilerleme, ön test ve son test deneysel tasarımına dayalı olarak karşılaştırılmış ve analiz edilmiştir. Çalışmanın sonuçları, eşli grubun tek çalışan gruba göre akış diyagramlarında daha fazla hatayı doğru tespit ettiğini göstermiştir. Akış diyagramları üzerinde hata tespit performanslarına göre kullanılarak tek ve eşli grupları ayırt edilebilmek için öznitelik seçme yöntemleri ve çeşitli sınıflandırma algoritmaları kullanılmış olup karar ağacı (J48) ve kural tabanlı PART algoritmaları uygulandığında elde edilen en yüksek doğruluk yaklaşık olarak %70 olup, bu değer sınıflandırma başarısı açısından düşüktür. Ön test ve son test analiz sonuçlarına göre, başlangıçta bu gruplar arasında anlamlı bir fark yoktur, ancak son test sonuçları, eşli grubun tek gruba göre sınav puanları dikkate alındığında daha başarılı olduklarını ortaya koymaktadır. Bu sonuçlar, C derslerinde eşli programlama tekniğinin kullanımının, algoritma oluşturma ve programlamayı öğrenmede öğrenci motivasyonunu ve başarısını artırabileceğini göstermektedir. Gelecekte yapılacak çalışmalarda bu tekniğin yazılım ve bilişim şirketleri için kullanımının araştırılması ile, senkronize olarak çalışabilecek etkin eşli grupların oluşturulmasının projelerin verimliliğini artırması beklenmektedir.