Abstract
Araştırmada, ResNet mimarisi kullanılarak TensorFlow ve Keras kütüphaneleri kullanılarak bir derin öğrenme modeli oluşturulmuştur. Çalışmada 6 farklı bakteri sınıfı için toplamda 689 adet bakteri resmi veri kümesi olarak kullanılmıştır. Yazılım tasarımı, veri ön işleme, model oluşturma ve eğitim adımlarını içermektedir. Veri ön işleme aşamasında, resimler normalize edilmiş ve boyutlandırılmıştır. Model oluşturma aşamasında, ResNet mimarisi tercih edilmiştir çünkü derin ağların daha iyi öğrenme yetenekleri sunabileceği bilinmektedir. Model eğitimi sırasında, eğitim verisi üzerinde iteratif bir yaklaşım benimsenmiş ve optimize edici işlevler kullanılarak ağın ağırlıkları ayarlanmıştır. Sonuçlar, tasarlanan yazılımın %83,33 doğruluk oranı ile bakteri resimlerini başarılı bir şekilde sınıflandırdığını göstermektedir. Bu sonuçlar, derin öğrenme tekniklerinin biyomedikal görüntü analizinde potansiyelini vurgulamaktadır. Bu çalışma, bakteri sınıflandırma konusunda daha geniş veri kümeleri ve daha gelişmiş özellik mühendisliği tekniklerinin entegrasyonunu içerecek şekilde genişletilebilir.
Reference25 articles.
1. Samudre, P, Shende, P, & Jaiswal, V. Optimizing Performance of Convolutional Neural Network Using Computing Technique. 2019 IEEE 5th International Conference for Convergence in Technology.2019, doi:10.1109/I2CT45611.2019.9033876
2. S. S.-S. a. S. Ben-David, Understanding Machine Learning: From Theory to Algorithms, New York, NY: Cambridge University Press, 2014, pp. 5-19.
3. T. M. Mitchell, Machines Learning, McGraw-Hill Science/Engineering/Math, 1997, pp. 2-8.
4. H. Daumé III, A Course in Machine Learning, CIML License, 2012, pp.51-60.
5. L. Wu, H. Zhou, X. Ma, J. Fan, and F. Zhang, Daily reference evapotranspiration prediction based on hybridized extreme learning machine model with bio-inspired optimization algorithms: Application in contrasting climates of China, J. Hydrol, vol. 577, Oct. 2019, Art. no. 123960. https://doi.org/10.1016/j.jhydrol.2019.123960