Makine öğrenmesi ve derin öğrenme: Nesne tanıma uygulaması

Abstract

Büyük veri son yılların en popüler sorunlarından birisidir. İnternet üzerinden veya çevrimdışı olarak elde edilen verilerin saklanması oldukça zordur. Ancak mevcut veriler sayesinde karşılaşılan yeni veriler için doğru çıkarımlar yapmak bilim, ekonomi, tıp, savunma sanayi ve teknoloji gibi birçok disiplinlinler arası alan için oldukça önemlidir. Bu anlamda düzenlenerek bir araya getirilen veriler makine öğrenmesi ve derin öğrenme yöntemleri ile anlamlandırılarak yeni veya öngörülemeyen veriler için doğru tahminlerin yapılmasını sağlar. Bu çalışmada derin öğrenme yöntemi ve diğer makine öğrenmesi yöntemleri anlatılmıştır. Yöntemler, gerçek görüntülerden oluşan CIFAR-10 ve MNIST veri setleri üzerinde uygulanmıştır. Yeni bir derin ağ modeli (BasitNet) geliştirilerek lojistik regresyon, naive bayes, rastgele orman ve k-en yakın komşu yöntemleri ile karşılaştırılmıştır. Önerilen BasitNet modeli ile 1/50 oranında daha az parametreyle AlexNet'ten daha iyi tahmin performansı elde edilmiştir. Elde edilen sonuçlar önerilen BasitNet diğer yöntemlerden daha başarılı olduğunu göstermiştir.Anahtar Kelimeler: Makine Öğrenmesi, Derin Öğrenme, Nesne Tanıma, Görüntü İşleme, MNIST, CIFAR-10, Yapay Sinir Ağları, Rastgele Orman, k-En Yakın Komşu, Lojistik Regresyon, Naive Bayes.

Big data is one of the most popular problems experienced in recent years. Storing data obtained as offline or over the Internet is very difficult. However, making the correct inferences for the new data originating from the existing data is very important for many interdisciplinary fields such as science, economics, medicine, defense industry and technology. In this sense, the data gathered by means of machine learning and deep learning methods is used to make accurate predictions for new or unpredictable data. In this study, Machine Learning Methods and Deep Learning Method are explained. The methods were applied on CIFAR-10 and MNIST datasets composed of real images. A new deep network model (SimpleNet) was developed and compared with logistic regression, naive bayes, random forest and k-nearest neighbor methods. Better prediction performance than AlexNet was achieved with the proposed SimpleNet model with 1/50 fewer parameters The results obtained have shown that the proposed SimpleNet is more successful than the other methods.Keywords: Machine Learning, Deep Learning, Object Recognition, Image Processing, MNIST, CIFAR-10, Artificial Neural Network, Random Forest, k-Nearest Neighbors, Logistic Regression, Naive Bayes.