Eigen RadarYapay Zekâ
Analiz

Türkiye’den araştırma, tablo özelliklerini sınıflandırmak için dört kanallı görüntülere dönüştürüyor

Türkiye’den Erdinç Karakullukçu’nun çalışması, sayısal özellikleri bulanık kümeleme temsilleriyle birleştirerek görüntü işleyen bir sinir ağına aktarıyor. Deneyler UCI deposundaki on veri kümesini kapsıyor. Bildirilen karşılaştırmalarda destek vektör makineleri ve çok katmanlı algılayıcılarla istatistiksel olarak anlamlı fark bulunmuyor. Temsil büyüdükçe ön işleme yükü ve bellek kullanımı artıyor; sonuçlar seçilmiş veri kümeleri ve açıklanan deney düzeniyle sınırlı kalıyor.

Yapay Zekâ··Sabah
Türkiye’de bir üniversite araştırma odasında tezgâhtaki ızgara üzerinde gri tonlu karolar bir sıradan kare bir ızgaraya dönüşüyor; yanında dört kanalı temsil eden renkli akrilik levhalar duruyor.

Sayısal satırlar görüntü girdisine dönüşüyor

Türkiye’den Erdinç Karakullukçu’nun yeni sınıflandırma yöntemi, bir sayısal örneği dört kanallı yapay görüntüye dönüştürüyor. Kanallardan birinde normalleştirilmiş ham özellikler bulunuyor. Diğerlerinde bulanık küme üyelikleri, eliptik kümeleri temsil eden bilgiler ve tipiklik değerleri yer alıyor. Bu farklı temsiller birlikte evrişimli sinir ağına veriliyor. 15 Kasım’da yayımlanan bu tek çalışma, görüntü girdileriyle kullanılan ağ yapısını tablo verisindeki ilişkileri incelemek için değerlendiriyor. Oluşturulan görüntü, fotoğraf çekiminden değil, sayısal özelliklerin ve kümeleme çıktılarının düzenlenmesinden elde ediliyor.[1]

On veri kümesi ve eğitimle sınırlı dönüşümler

Deneyler, UCI deposundan seçilen on veri kümesi üzerinde yürütülüyor. Özellikler bir ızgaraya yerleştiriliyor; boş kalan hücreler mevcut özelliklerin yinelenmesiyle dolduruluyor. Model ayarları rastgele aramayla seçiliyor. Değerlendirmede sınıf oranlarını koruyan on katlı çapraz doğrulama kullanılıyor. Ön işleme ve kümeleme ayarları, sınama bölümüne uygulanmadan önce eğitim bölümleri içinde belirleniyor. Böylece dönüşümün kurulmasıyla ayrılan veride sınanması farklı aşamalarda yapılıyor. Karşılaştırma için karar ağaçlarıyla topluluk yöntemlerinin yanında destek vektör makineleri ve çok katmanlı algılayıcılar da kullanılıyor.[1]

Sonuçlar karşılaştırma yöntemine göre değişiyor

Bildirilen ortalama sıralama 3,50. İstatistiksel karşılaştırmada destek vektör makineleriyle ve çok katmanlı algılayıcılarla anlamlı fark saptanmıyor. Holm düzeltmesi uygulanan sınamada ise karar ağaçlarına karşı önerilen yöntem lehine fark bulunuyor. Yeni ağın ayar arama bütçesi, karşılaştırmada kullanılan kapsamlı biçimde ayarlanmış yöntemlerden farklı. Çok yüksek özellik sayısında bulanık dönüşümler ön işleme yükünü, büyüyen ızgaralar ise bellek gereksinimini artırıyor. Bulgular, seçilen veri kümeleriyle açıklanan deney koşulları için geçerli; her sınıflandırma görevinde aynı başarımı ortaya koymuyor.[1]

Kaynakça

  1. Haber kaynağıBlack Sea Journal of Engineering and ScienceYeni çalışma, tablo verilerini çok kanallı görüntülere dönüştürerek sınıflandırıyor↩1↩2↩3