Bilgisayar Mühendisliği Bölümü Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/203
Browse
2 results
Search Results
Article Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması(Gazi Üniversitesi, 2017) Kaynar, Oğuz; Aydın, Zafer; Görmez, Yasin-- Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştirArticle Citation - WoS: 2Citation - Scopus: 9Human identification using palm print images based on deep learning methods and gray wolf optimization algorithm(SPRINGER, 2023-10-24) Alshakree, Firas; Akbas, Ayhan; Rahebi, JavadPalm print identification is a biometric technique that relies on the distinctive characteristics of a person’s palm print to distinguish and authenticate their identity. The unique pattern of ridges, lines, and other features present on the palm allows for the identification of an individual. The ridges and lines on the palm are formed during embryonic development and remain relatively unchanged throughout a person’s lifetime, making palm prints an ideal candidate for biometric identification. Using deep learning networks, such as GoogLeNet, SqueezeNet, and AlexNet combined with gray wolf optimization, we achieved to extract and analyze the unique features of a person’s palm print to create a digital representation that can be used for identification purposes with a high degree of accuracy. To this end, two well-known datasets, the Hong Kong Polytechnic University dataset and the Tongji Contactless dataset, were used for testing and evaluation. The recognition rate of the proposed method was compared with other existing methods such as principal component analysis, including local binary pattern and Laplacian of Gaussian-Gabor transform. The results demonstrate that the proposed method outperforms other methods with a recognition rate of 96.72%. These findings show that the combination of deep learning and gray wolf optimization can effectively improve the accuracy of human identification using palm print images.