Görüntüleme
3
El yazısı rakamların tanıması birçok makine öğrenimi, derin öğrenme ve bilgisayarla görme uygulamalarında kullanıldığından, son zamanlarda önem kazanmış ve birçok bilim insanının ilgisini çekmiştir. Hiper parametre optimizasyonu, hem sınıflandırma hem de tahmin etmede doğruluğu artırmayı amaçlayan bir dizi değerlerin belirlenmesini içermektedir. Ayrıca algoritmalar tarafından seçilen parametreler daha doğru şekilde düzenlenerek özellik seçiminde performansın optimize edilmesi de amaçlanmaktadır. Bu çalışmada MNIST veri seti kullanılarak el yazısı ile yazılmış rakamların tanınmasında evrişimli sinir ağı kullanılmıştır. Hiper parametre belirlemede derin öğrenme geliştiricilerinin kullanabileceği birçok açık kaynaklı hiper parametre kütüphanesi mevcuttur. Geliştirilen modelde Optuna, HyperOpt ve Scikit-optimize kütüphaneleri kullanılarak hiper parametre optimizasyon tekniklerinin uygulaması yapılmıştır. Hiper parametre kütüphaneleri için optimizasyon süreleri, el yazısı rakamların tanınmasında başarı oranındaki değişim analiz edilmiştir. Rastgele verilmiş parametrelerle eğitilen model %78,45, %97,13, %75.62, %76.95, %97.46 ve %97.27 doğruluk elde ederken, optimize edilmiş hiper parametrelerle eğitilen model ile %99,26 doğruluk elde etmiştir.
Recognition of handwritten digits has recently gained importance and attracted the attention of many scientists, as it is used in many machine learning, deep learning and computer vision applications. Hyperparameter optimization involves determining a set of values aimed at increasing accuracy in both classification and prediction. It is also aimed to optimize the performance in feature selection by regulating the parameters selected by the algorithms more accurately. In this study, a convolutional neural network was used to recognize handwritten digits using the MNIST dataset. There are many open source hyperparameter libraries that deep learning developers can use to determine hyperparameters. In the developed model, hyperparameter optimization techniques were applied using Optuna, HyperOpt and Scikit-optimize libraries. Optimization times for hyperparameter libraries and the change in the success rate in recognizing handwritten digits were analyzed. The model trained with randomly given parameters achieved 78.45%, 97.13%, 75.62%, 76.95%, 97.46% and 97.27% accuracy, while the model trained with optimized hyperparameters achieved 99.26% accuracy.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
