Bilgisayar Bilimleri

Yazarlar: Ebubekir SEYYARER, Faruk AYATA, Taner UÇKAN, Ali KARCİ

Konular:Bilgisayar Bilimleri, Bilgi Sistemleri, Bilgisayar Bilimleri, Teori ve Metotlar, Bilgisayar Bilimleri, Yapay Zeka, Bilgisayar Bilimleri, Yazılım Mühendisliği

Anahtar Kelimeler:Optimizasyon Algoritmaları,Derin Öğrenme,Yapay Sinir Ağları

Özet: Derin Öğrenme (çok katmanlı yapay sinir ağı), katmanlı mimarisiyle büyük veri setlerinden öğrenme geçekleştiren makine öğreniminin bir alt dalıdır. İşlemci hızları ve depolamadaki artış, ucuz bilgisayar donanımı ve makine öğreniminin kazanımları, derin öğrenme gelişimini yükselten faktörlerdir. Derin öğrenmede hatayı minimuma düşürmek için kullanılan Dik İniş (Gradient Descent) tabanlı optimizasyon algoritmaları da (Stochastic gradient descent (SGD), Momentum, Adam, Adagrad, RMSProp ve Adadelta), bu başarının bir parçası olmaktadır. Bu çalışmada uluslararası bir veri seti olan Caltech 101 veri setine derin öğrenme ve optimizasyon algoritmaları uygulanmıştır. Aktivasyon fonksiyonu olarak Relu, hata fonksiyonu olarak da Cross Entropi işlemleri tercih edilmiştir. Veri setindeki imgeler 64x64’e göre yeniden boyutlandırılmıştır. Programın her çalıştırılmasında rasgele altı kategori imge alınmaktadır ve 100 iterasyon çalıştırılmaktadır. Optimizasyon algoritmaları ile farklı sonuçlar elde edilmiş ve bu sonuçlar analiz edilmiştir. Sınıflamadaki başarı oranları SGD:%64.5, Momentum:%85.56, Adam:%92.31, Adagrad:%71.25, RMSProp:%40.26 ve Adadelta:%86.88 olarak gözlemlenmiştir.

---