| Summary: | Metrik öğrenme, örnekler arasındaki benzerliği ölçmek için bir benzerlik metriğindenyararlanır. Genellikle doğrusal bir izdüşüm kullanan metrik öğrenme yöntemleri, doğrusalolmayan özellikleri gösteren gerçek dünyadaki problemleri çözmede sınırlıdır. Doğrusalolmayan veriler için metrik öğrenmede çekirdek yaklaşımları kullanılır. Son yıllardapopülerliği artan derin metrik öğrenme konusunda dikkat çeken çalışmalar bulunmaktadır.Derin metrik öğrenme (DML) sahip olduğu aktivasyon fonksiyonları ile doğrusal olmayanveriler için de en uygun çözümü elde etmekte oldukça başarılıdır. Bu tez çalışmasındaderin metrik öğrenmenin literatürdeki konumu, önemi ve katkıları hakkında detaylıca bilgiverilmiştir. DML benzer sınıf örnekleri arasındaki uzaklığı azaltmaya çalışırken, farklısınıf örnekleri arasındaki uzaklığı ise arttırmaya çalışmaktadır. Derin metrik öğrenmedebunu gerçekleştirmek için, örnekleme stratejisi, ağ mimarisi ve kayıp fonksiyonu ağınbaşarısında temel faktörlerdir. Genel itibariyle literatürü incelediğimizde çalışmalarınbirçoğunun Siamese ve Triplet ağlarından esinlendiği görülmüştür. Bu tez çalışmasındametrik öğrenme bakış açısıyla üç farklı uygulama geliştirilmiştir. Öncelikle gelenekselmetrik öğrenme yaklaşımı kullanılarak Parkinson çoklu ses veri kümesi üzerinde deneyleryapılmıştır. Bu deneylerde sınıflandırma başarımını arttırmak için en uygun ???? ağırlıkmatrisi genetik algoritma kullanılarak elde edilmiştir. Daha sonra histopatholojik verikümesinde derin metrik öğrenme modelleri kullanılarak çalışmalar yapılmıştır. Son olarakise, histopatolojik veri kümesi üzerinde bölütleme yaklaşımı ile hücre çekirdekler tespitedilmiştir. Tespit edilen hücre çekirdek görüntülerinin derin metrik öğrenme yaklaşımıylasınıflandırma işlemi gerçekleştirilmiştir. Elde edilen sonuçlar ile derin metrik öğrenmeningenellikle örnek sayısı sınırlı olan histopatolojik veriler için başarıyla uygulanabileceğigörülmüştür Metric learning uses a similarity metric to measure similarity between samples. Metriclearning methods, which ...
|
|---|