Tez No	İndirme	Tez Künye	Durumu
796814		Novel semi-supervised learning approach for descriptor generation using artificial neural networks / Yazar:ALLA FIKRAT AL-WINDAWI Danışman: PROF. DR. OSMAN NURİ UÇAN Yer Bilgisi: Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2022 87 s.
makine öğrenimi ve sinir ağlarına olan ilgideki son artış, önceki yöntemlere göre önemli ölçüde iyileşen çok sayıda pratik uygulamaya kapı açtı. sinir ağlarının bir insan beyni için bunaltıcı olabilecek veri hacimlerini işleyebildiği yer. Çok sayıda kullanımı nedeniyle, sinir ağları önemli bir konu haline geldi. Örneğin sinir ağları, tümü gerçek dünya alanları olarak kabul edilen filmlere, fotoğraflara ve ses eşleştirmeye uygulanabilir; bu kadar geniş bir alana uygulanabilirliği akademisyenlerin ilgisini çekmiştir. Sinir ağlarını eğitmek için çok sayıda yöntem ve yaklaşım mevcuttur, ancak bu çalışma "yarı denetimli" eğitim yaklaşımına odaklanacak ve "geliştirilmiş yarı denetimli" eğitim yaklaşımı önerecektir. "Yarı denetimli" terimi, geniş anlamda, bir sinir ağının veya bir makinenin, hem etiketlenmiş hem de etiketlenmemiş örnekleri içeren bir veri koleksiyonundan yararlanarak öğrenme kapasitesini ifade eder. "Denetimli" strateji ise aksine, yalnızca etiketlenmiş verilere dayanır. Bu yazıda, yapay sinir ağları ile tanımlayıcılar üretmek için yarı denetimli öğrenmeye yeni bir yaklaşım sunuyoruz; burada sinir ağının çıktısı, girdi değerlerinin girdi gruplarına atanmasından ve oluşturulan tanımlayıcıların bulunduğu alandan bağımsız olarak manipüle edilir. ' etiketleri atanır. Sonuç olarak, bu strateji, uzay-zaman sürekliliği boyunca daha düzgün bir şekilde dağıtılan çıktılarla daha verimli bir öğrenme tekniği üretmeye çalışır. Sonuç olarak daha verimli bir eğitim yöntemi üretilir. El yazısı rakamlar deneyinin doğruluğu yüzde 85.27 iken, Alzheimer hastalığını tespit eden deneyin doğruluğu yüzde 99.27 oldu. İki testin bulguları, doğrulukta belirgin bir fark gösterdi; burada doğruluk, aynı verileri ancak Siyam sinir ağları için kullanmanın sonuçlarıyla karşılaştırıldığında her iki deneme için daha yüksekti. Deneyler aynı verileri kullandı, ancak Siyam sinir ağları için sonuçlar önemli ölçüde farklıydı.
The recent rise in interest in machine learning and neural networks has opened the door to numerous practical applications that significantly improve upon previous methods. where neural networks can handle data volumes that would be overwhelming for a human brain. Due of its numerous uses, neural networks have become a significant topic. Neural networks, for instance, can be applied to movies, photos, and sound matching, all of which are considered real-world domains; its applicability to such a wide range of domains attracted the attention of academics. There are numerous methods and approaches available for training neural networks, but this study will focus on the "semi-supervised" training approach and suggest an "improved semi-supervised" training approach. The term "semi-supervised" refers, in a broad sense, to the capacity of a neural network or a machine to learn by making use of a collection of data that includes both labelled and unlabeled instances. The "supervised" strategy, in contrast, relies only on labeled data. In this paper, we present a novel approach to semi-supervised learning for generating descriptors with artificial neural networks, in which the output of the neural network is manipulated independently of the input values' assignment to input groups and the space to which the generated descriptors' labels are assigned. As a result, this strategy strives to produce a more efficient learning technique with outputs that are more uniformly distributed across the space-time continuum. A more efficient method of education is produced as a result. The accuracy of the handwritten digits experiment was 85.27 percent, while the accuracy of the experiment detecting Alzheimer's disease was 99.27 percent. The findings of the two tests showed a distinct difference in accuracy, where the accuracy was greater for both trials when compared to the results of utilizing the same data but for the Siamese neural networks. The experiments used the same data, but the results for the Siamese neural networks were significantly different