15 results
Search Results
Now showing 1 - 10 of 15
Article Citation - WoS: 197Citation - Scopus: 296Co-Lstm: Convolutional Lstm Model for Sentiment Analysis in Social Big Data(Elsevier Sci Ltd, 2021) Behera, Ranjan Kumar; Jena, Monalisa; Rath, Santanu Kumar; Misra, SanjayAnalysis of consumer reviews posted on social media is found to be essential for several business applications. Consumer reviews posted in social media are increasing at an exponential rate both in terms of number and relevance, which leads to big data. In this paper, a hybrid approach of two deep learning architectures namely Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM) (RNN with memory) is suggested for sentiment classification of reviews posted at diverse domains. Deep convolutional networks have been highly effective in local feature selection, while recurrent networks (LSTM) often yield good results in the sequential analysis of a long text. The proposed Co-LSTM model is mainly aimed at two objectives in sentiment analysis. First, it is highly adaptable in examining big social data, keeping scalability in mind, and secondly, unlike the conventional machine learning approaches, it is free from any particular domain. The experiment has been carried out on four review datasets from diverse domains to train the model which can handle all kinds of dependencies that usually arises in a post. The experimental results show that the proposed ensemble model outperforms other machine learning approaches in terms of accuracy and other parameters.Conference Object Citation - Scopus: 31Improving Text Classification With Transformer(Institute of Electrical and Electronics Engineers Inc., 2021) Soyalp,G.; Alar,A.; Ozkanli,K.; Yildiz,B.Huge amounts of text data are produced every day. Processing text data that accumulates and grows exponentially every day requires the use of appropriate automation tools. Text classification, a Natural Language Processing task, has the potential to provide automatic text data processing. Many new models have been proposed to achieve much better results in text classification. The transformer model has been introduced recently to provide superior performance in terms of accuracy and processing speed in deep learning. In this article, we propose an improved Transformer model for text classification. The dataset containing information about the books was collected from an online resource and used to train the models. We witnessed superior performance in our proposed Transformer model compared to previous state-of-art models such as L S T M and CNN. © 2021 IEEEDoctoral Thesis Farklı Derin Öğrenme Teknikleri ve Meta-sezgisel Algoritmalara Dayalı Tıbbi Veri Kümesi Sınıflandırması(2023) Kadhım, Yezı Alı; Mıshra, Alok; Doruk, Reşat ÖzgürTıp, 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.Article Citation - WoS: 6Citation - Scopus: 6Ensemble Transfer Learning Using Maizeset: a Dataset for Weed and Maize Crop Recognition at Different Growth Stages(Elsevier Sci Ltd, 2024) Das, Zeynep Dilan; Alam, Muhammad Shahab; Khan, Muhammad UmerMaize holds significant importance as a staple food source globally. Increasing maize yield requires the effective removal of weeds from maize fields, as they pose a detrimental threat to the growth of maize plants. In recent years, there has been a drive towards Precision Agriculture (PA), involving the integration of farming methods with artificial intelligence and advanced automation techniques. In the realm of PA, deep learning techniques present a promising solution for addressing the complex challenge of classifying maize plants and weeds. In this work, a deep learning method based on transfer learning and ensemble techniques is developed. The proposed method is implementable on any number of existing CNN models irrespective of their architecture and complexity. The developed ensemble model is trained and tested on our custom-built dataset, namely MaizeSet, comprising 3330 images of maize plants and weeds under varying environmental conditions. The performance of the ensemble model is compared against individual pre-trained VGG16 and InceptionV3 models using two experiments: the identification of weeds and maize plants, and the identification of the various vegetative growth stages of maize plants. VGG16 attained an accuracy of 83% in Experiment 1 and 71% in Experiment 2, while InceptionV3 showcased improved performance, boasting an accuracy of 98% in Experiment 1 and 81% in Experiment 2. With the proposed ensemble approach, VGG16 when combined with InceptionV3, achieved an accuracy of 90% for Experiment 1 and 80% for Experiment 2. The findings demonstrate that integrating a suboptimal pre-defined classifier, specifically VGG16, with a more proficient model like InceptionV3, yields enhanced performance across various analytical metrics. This underscores the efficacy of ensemble techniques in the context of maize classification and analogous applications within the agricultural domain.Master Thesis Iot için Rapsberry Pi ve Usb Hızlandırıcı ile Derin Öğrenme Tabanlı Yüz Tanıma(2021) Yıldız, Kutay; Koyuncu, MuratBilgisayar bilimi alanında derin öğrenme üzerine yapılan araştırmalar son zamanlarda oldukça arttı. Bir çok alanda tahmin performansı bazında derin öğrenme uygulamaları lider durumdadır, ancak, gerektirdiği yüksek işlemci gücü oldukça fazladır. Derin sinir ağı (DNN) modellerinin optimizasyonu üzerinde çalışan bir çok araştırma mevcuttur. Model optimizasyonuna ek olarak derin öğrenme tabanlı makine öğrenmesi (ML) uygulamalarına yönelik verimli güç kullanımı sağlayan özel donanımlar geliştirilmektedir. Bu çalışmanın amacı mobil platformlar için geliştirilmiş yüz tanıma algoritmalarının detaylı bir karşılaştırmasını yapmaktır. Testlerde Raspberry Pi ve makine öğrenmesi uygulamaları için geliştirilmiş Google's Coral Edge tensor işlem birimi (TPU) kullanıldı. Farklı yüz tanıma adımları (yüz tanıma, tipik nokta tanıma, öznitelik çıkarma) tek tek test edildi. Bireysel testlere ek olarak yüz tanıma hattı bir bütün olarak test edildi. Eğitim sonrası tamsayı indirgeme tekniği mobil modellerin daha ileri optimizasyonunun yapılabilirliğini test etmek amaçlı kullanıldı. Mobil platformlara ek olarak mobil olmayan platform üzerinde karşılaştırma amaçlı testler yapıldı. Raspberry Pi 4 TPU ile birlikte kullanıldığında DNN bazlı yüz tanıma uygulamalarında saniyede 14.7 kare hıza ulaşılabildi. Bu çalışmada sunulan karşılaştırma sonuçları yüz tanıma alanında çalışma yürüten uygulamacılara katkıda bulunabilir.Review Citation - WoS: 2Citation - Scopus: 5Machine Learning for Sustainable Reutilization of Waste Materials as Energy Sources - a Comprehensive Review(Taylor & Francis inc, 2024) Peng, Wei; Sadaghiani, Omid KarimiThis work reviews Machine Learning applications in the sustainable utilization of waste materials as energy source so that analysis of the past works exposed the lack of reviewing study. To solve it, the origin of waste biomass raw materials is explained, and the application of Machine Learning in this section is scrutinized. After analysis of numerous papers, it is concluded that Machine Learning and Deep Learning are widely utilized in waste biomass production areas to enhance the quality and quantity of production, improve the predictions, diminish the losses, as well as increase storage and transformation conditions. The positive effects and application with the utilized algorithms and other effective information are collected in this work for the first time. According to the statistical analysis, in 20% out of the studies conducted about the application of Machine Learning and Deep Learning in waste biomass raw materials, Artificial Neural Network (ANN) algorithm has been applied. Afterward, the Super Vector Machine (SVM) and Random Forest (RF) are the second and third most-utilized algorithms applied in 15% and 14% of studies. Meanwhile, 27% of studies focused on the applications of Machine Learning and Deep Learning in the Forest wastes.Conference Object Citation - Scopus: 2Detecting Errors in Automatic Image Captioning by Deep Learning;(Institute of Electrical and Electronics Engineers Inc., 2021) Karakaya,M.Automatic tagging of images is an important researcli topic in tlie field of image processing. Anotlier area similar to this is the automatic generation of picture captions. In this study, a deep learning model that automatically tags the pictures is used to detect errors in image captions. As a result of the initial experiments, it is observed that the proposed system can find up to 80% of the errors in the image captions. © 2021 IEEEMaster Thesis Soyutlayıcı Özetlemek, Benzerlik, Gereklilik, ve Kabul Edilebilirliği Kullanan Kapsamlı Değerlendirme Metriği(2023) Al-brıman, Mohammed Khalıd Hılmı; Yıldız, BeytullahUzun metinlerden otomatik olarak anlamlı özetler üretmek, birçok alanda büyük önem taşımaktadır. Transformer modeli gibi yeni sinir ağı mimarilerinin ortaya çıkması, kaliteli özetler üretebilen çok sayıda büyük dil modellerinin gelişmesine neden olmuştur. Fakat, özetleme modellerinin ürettiği özetler, önemli bir sorunu beraberinde getirmektedir. Özetleme modellerinin kalitesini ölçen, ROUGE gibi, standart otomatik değerlendirme metrikleri, kapsamlı bir değerlendirme yapmakta eksik kalmaktadır. Bu çalışmada, modeller tarafından üretilen ve insanlar tarafından yazılan örnek özetleri kullanan, SEAScore adlı yeni bir model tabanlı metrik sunuyoruz. Bu metrik, semantik benzerlik, doğal dil çıkarımı ve dilsel kabul edilebilirlik gibi çeşitli Doğal Dil İşleme yöntemlerini kullanır. Geliştirdiğimiz SEAScore metriği, daha önce eğitilmiş dil modelleri tarafından çıkarılan özellikleri kullanarak, özetleme modellerinin kalitelerini ölçen bir puan üretir. Bu tezde, üç tane özetleme modeli kullanarak yeni metriğimizin kalitesini ölçen deneyler yaptık. Deneysel sonuçlara göre, geliştirdiğimiz SEAScore metriği, bilinen standart metriklerine göre, insan tarafından üretilen değerlendirme puanları ile daha yüksek korelasyon sergileyerek başarılı sonuçlar sunmuştur.Conference Object Citation - WoS: 1Citation - Scopus: 1Deep Learning-Based Covid-19 Detection Using Lung Parenchyma Ct Scans(Springer international Publishing Ag, 2022) Kaya, Zeynep; Kurt, Zuhal; Koca, Nizameddin; Cicek, Sumeyye; Isik, SahinDuring the outbreak of the COVID-19 pandemic, it is important to improve early diagnosis using effective ways in order to lower the risks and further spread of the viruses as early as possible. This is also important when it comes to appropriate treatments and the reduction of mortality rates. In this respect, computer tomography (CT) scanning is a useful technique in detecting COVID-19. The present paper, as such, is an attempt to contribute to this process by generating an open-source, CT-based image dataset. This dataset contains the CT scans of lung parenchyma regions of 180 COVID-19 positives and 86 COVID-19 negative patients, all from Bursa Yuksek Ihtisas Training and Research Hospital. The experimental studies demonstrate that this dataset is effectively utilized deep learning-based models for diagnostic purposes. Firstly, a smart segmentation mechanism based on the k-means algorithm is applied to this dataset as a pre-processing stage. Then, the performance of the proposed method is evaluated using InceptionV3 and Xception convolutional neural networks, yielding a 96.20% and 96.55% accuracy rate and 95.00% and 95.50% F1-score, respectively. These state-of-the-art models are observed to detect COVID-19 cases faster and more accurately. In addition, the fine-tuning stage of the convolutional neural network (CNN) features sufficiently improves this accuracy rate. For these features, the support vector machine (SVM) classifier is used, resulting in remarkable 96.76% accuracy rate and 95.81% F1-score. The implications of the proposed method are immense both for present-day applications as well as future developments.Article Citation - WoS: 3Citation - Scopus: 3Detection of spermatogonial stem/progenitor cells in prepubertal mouse testis with deep learning(Springer/plenum Publishers, 2023) Kahveci, Burak; Onen, Selin; Akal, Fuat; Korkusuz, PetekPurposeRapid and easy detection of spermatogonial stem/progenitor cells (SSPCs) is crucial for clinicians dealing with male infertility caused by prepubertal testicular damage. Deep learning (DL) methods may offer visual tools for tracking SSPCs on testicular strips of prepubertal animal models. The purpose of this study is to detect and count the seminiferous tubules and SSPCs in newborn mouse testis sections using a DL method.MethodsTesticular sections of the C57BL/6-type newborn mice were obtained and enumerated. Odd-numbered sections were stained with hematoxylin and eosin (H&E), and even-numbered sections were immune labeled (IL) with SSPC specific marker, SALL4. Seminiferous tubule and SSPC datasets were created using odd-numbered sections. SALL4-labeled sections were used as positive control. The YOLO object detection model based on DL was used to detect seminiferous tubules and stem cells.ResultsTest scores of the DL model in seminiferous tubules were obtained as 0.98 mAP, 0.93 precision, 0.96 recall, and 0.94 f1-score. The SSPC test scores were obtained as 0.88 mAP, 0.80 precision, 0.93 recall, and 0.82 f1-score.ConclusionSeminiferous tubules and SSPCs on prepubertal testicles were detected with a high sensitivity by preventing human-induced errors. Thus, the first step was taken for a system that automates the detection and counting process of these cells in the infertility clinic.
