Yapay sinir ağlarında yeni bir öğrenme algoritmasının uygulanması
| dc.contributor.advisor | Karcı, Ali | |
| dc.contributor.author | Karakurt, Meral | |
| dc.date.accessioned | 2026-02-24T13:02:32Z | |
| dc.date.available | 2026-02-24T13:02:32Z | |
| dc.date.issued | 2025 | |
| dc.department | Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | 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. | |
| dc.description.abstract | This thesis introduces a novel learning algorithm called Karcı Fractional Artificial Neural Network (KarcıFANN), that builds upon Karcı fractional derivative approach. In KarcıFANN, a fractional derivative factor is incorporated alongside the classical (Newtonian) derivative of the error function with respect to the network weights. This factor is computed iteratively based on the current error and weight values and applied during the weight update process, allowing the learning dynamics to be largely governed by the model itself and minimizing external intervention. Within the scope of the thesis, experimental studies demonstrated the competitiveness of KarcıFANN against various optimization algorithms. Initially, the XOR problem was addressed in two experiments to assess the performance of KarcıFANN relative to ADAM, Momentum-based GD, and SGD. Subsequently, classification performance on the MNIST and Fashion-MNIST datasets was analyzed, comparing KarcıFANN with SGD. In addition, experiments on the Ginaprior_2 dataset examined the effect of different activation functions within KarcıFANN framework. Finally, comprehensive evaluations were conducted on three datasets of varying sizes using three- and four-layer models. The performance was assessed using MSE, CE, accuracy, precision, recall, and F1-score metrics.The findings indicate that KarcıFANN achieves faster and more efficient learning compared to classical ANNs. KarcıFANN effectively mitigates common challenges such as overfitting, underfitting, vanishing or exploding gradients, convergence to local minima, and oscillations. Moreover, consistent performance across multiple datasets demonstrates its generalization capability, suggesting that KarcıFANN is suitable for global modeling applications. Overall, these results position KarcıFANN as a competitive alternative to classical ANNs, offering enhanced convergence efficiency and adaptability across diverse data domains. | |
| dc.identifier.endpage | 230 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTVHen-3TkNah52yFv8EgT9m3AWoOkw0CG4NLPlh6hwfR | |
| dc.identifier.uri | https://hdl.handle.net/11616/106618 | |
| dc.identifier.yoktezid | 977831 | |
| dc.language.iso | tr | |
| dc.publisher | İnönü Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_TEZ_20260224 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | |
| dc.subject | Computer Engineering and Computer Science and Control | |
| dc.title | Yapay sinir ağlarında yeni bir öğrenme algoritmasının uygulanması | |
| dc.title.alternative | The implementation of a novel learning algorithm in artificial neural networks | |
| dc.type | Doctoral Thesis |
