Yazar "Karakurt, Meral" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    GloVe Kelime Gömmeleri ve Sinir Ağları ile Haber Metinlerinin Sınıflandırılması
    (2023) Hark, Hülya; Karakurt, Meral; Hark, Cengiz; Karcı, Ali
    Dijital haberlerin artan miktarları, istenilen türdeki haberlere doğru ve hızlı bir şekilde erişim için haber metinlerinin kategorilere ayrılmasını gerektirmektedir. Bu çalışmada, ön-eğitimli kelime gömülmelerinin, Uzun Ömürlü Kısa Dönem Bellek Ağı (Long-Short Term Memory, LSTM) ve Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) gibi derin öğrenme modelleri üzerindeki etkisi araştırılmaktadır. Global Vektör (GloVe) kelime gömülmelerinden alınan bağlamsal temsilleri girdi olarak alan LSTM ve CNN ağları kullanılarak haber metinleri sınıflandırılmıştır. Kapsamlı ve karşılaştırmalı araştırmaların eksikliği nedeniyle GloVe gömme katmanı tarafından sağlanan bağlamsal temsiller farklı sınıflandırıcılar ve veri setleri üzerinde test edilmektedir. Deneysel süreçler boyunca Türkçe Haber başlıklarından oluşan Turkish Headlines veri seti ve BBC News Classification veri setleri kullanılmıştır. Kelime gömülmelerinin ağlar üzerindeki etkisini ortaya koymak için deneysel süreçler aynı parametreler ile tekrarlanmıştır. LSTM modelinde Glove kelime gömülme yöntemi kullanıldığında modelin başarısının %81’den %91’e çıktığı gözlemlenmektedir. CNN modelinde ise Glove kelime gömülmelerinin modelin başarısının olumlu yansımadığı görülmektedir.
  • Küçük Resim Yok
    Öğe
    Yapay sinir ağlarında yeni bir öğrenme algoritmasının uygulanması
    (İnönü Üniversitesi, 2025) Karakurt, Meral; Karcı, Ali
    Bu tezde, Karcı Kesir Dereceli Yapay Sinir Ağı (KarcıFANN) olarak adlandırılan ve Karcı kesir dereceli türev yaklaşımına dayanan yeni bir öğrenme algoritması önerilmektedir. KarcıFANN yönteminde, hata fonksiyonunun ağırlık değerlerine göre türevi alınırken Newton türevine ek olarak Karcı kesir dereceli türev çarpanı kullanılmaktadır. Bu çarpan, her iterasyonda elde edilen hata ve güncel ağırlık değerleri üzerinden hesaplanmakta ve ağırlık güncelleme sürecinde modele dahil edilmektedir. Böylece, öğrenme süreci büyük ölçüde modelin kendi iç dinamiklerine bırakılmakta ve dışarıdan müdahale en aza indirilmektedir. Tez kapsamında gerçekleştirilen deneysel çalışmalarda, KarcıFANN yönteminin farklı optimizasyon algoritmaları ile rekabet gücü ortaya konmuştur. İki çalışmada, XOR problemi ele alınmış ve KarcıFANN'ın ADAM, Momentumlu GD ve SGD yöntemleriyle performans karşılaştırması yapılmıştır. Daha sonra, MNIST ve Fashion-MNIST veri setlerinde KarcıFANN ile SGD yöntemlerinin sınıflandırma başarımları incelenmiştir. Ayrıca, Ginaprior_2 veri setinde KarcıFANN'in farklı aktivasyon fonksiyonları ile elde ettiği sonuçlar karşılaştırılmıştır. Son aşamada ise farklı büyüklüklere sahip üç veri seti üzerinde üç ve dört katmanlı modeller kullanılarak kapsamlı deneyler gerçekleştirilmiştir. Bu deneylerde MSE, CE, doğruluk, kesinlik, duyarlılık ve F1 skoru metrikleri kullanılarak detaylı bir değerlendirme yapılmıştır.Elde edilen bulgular, KarcıFANN yönteminin klasik YSA modellerine kıyasla daha hızlı öğrenme sağladığını ve genel anlamda başarılı sonuçlar ürettiğini göstermektedir. Klasik YSA'larda sıkça karşılaşılan ezberleme, öğrenememe, gradyan kaybolması, gradyan patlaması, yerel minimumlara takılma ve salınım gibi önemli problemlerin KarcıFANN yaklaşımı ile büyük ölçüde giderilebildiği ortaya konmuştur. Ayrıca, birden fazla veri setinde elde edilen sonuçlar, KarcıFANN'ın genelleştirme yeteneğine sahip olduğunu ve global modelleme süreçlerinde kullanılabilirliğini göstermektedir.