Tez No	İndirme	Tez Künye	Durumu
543104		Derin sinir ağı temelli üst özkodlayıcıların yapay öğrenme yöntemleriyle eğitilmesi / Training deep neural network based hyper autoencoders with machine learning methods Yazar:DERYA SOYDANER Danışman: PROF. DR. NALAN CİNEMRE Yer Bilgisi: Mimar Sinan Güzel Sanatlar Üniversitesi / Fen Bilimleri Enstitüsü / İstatistik Ana Bilim Dalı / İstatistik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; İstatistik = Statistics Dizin:	Onaylandı Doktora Türkçe 2018 89 s.
Bu çalışmada büyük bir sinir ağının parametrelerini üretmek için daha küçük bir üst sinir ağı kullanan üst özkodlayıcılar önerilmiştir. Önerilen üst özkodlayıcı, bir özkodlayıcının bütün parametrelerini doğrusal bir sinir ağı ve tek bir gömme vektörü ile üretebilmektedir. Üst ağın etkileri hem tümüyle bağlı hem de evrişimsel sinir ağları üzerinde incelenmiştir. Ayrıca az sayıda etiketli veri ile sınıflandırma yapmaya çalışan yarı-gözetimli öğrenme konusu da ele alınmıştır. Bu kapsamda üst özkodlayıcılardan yararlanılarak bir yarı-gözetimli öğrenme yaklaşımı önerilmiştir. Bu model kullanılarak özellikle az sayıda etiketli veri olduğu durumda üst özkodlayıcılardan yararlanılarak sınıflandırma oranının arttırılması amaçlanmıştır. Görüntü verileri ele alınan bu çalışmada, beş farklı görüntü verisi üzerinde çalışılmıştır. Python programlama dili kullanılarak deneyler gerçekleştirilmiştir. Önerilen model gözetimli, gözetimsiz ve yarı-gözetimli olmak üzere üç farklı öğrenme yöntemi için kullanılmıştır. Elde edilen sonuçlar üst özkodlayıcının her üç tür uygulama alanında da başarıyla çalıştığını göstermektedir.
In this study, we introduce the hyper autoencoder architecture where a secondary, hypernetwork is used to generate the weights of the encoder and decoder layers of the primary, actual autoencoder. The hyper autoencoder can predict all weights of an autoencoder by using a linear neural network and only one embedding vector. The effects of hyper autoencoder is observed on both fully-connected and convolutional neural networks. We also present a semi-supervised learning approach using convolutional networks and hyper autoencoders. The aim of this semi-supervised model is to increase the classification accuracy especially when there is few labeled data. Our experiments on five image datasets show that hyper autoencoders are as accurate as vanilla autoencoders on both unsupervised and semi-supervised problems. The software we developed for experiments is based on Python. The proposed model is used for supervised, unsupervised and semi-supervised learning. According to results, hyper autoencoder works successfully for all three types of application area.