PROBLEM ODAKLI YENİLİKÇİ AÇIKLANABİLİR VE HİBRİTYAPAY ZEKA MODELLERİNİN GELİŞTİRİLMESİ

Abstract

Bu tez çalışmasında problem odaklı 4 çalışma yapılmıştır. İlk çalışma, domates yaprak hastalıklarını teşhis etmek için derin öğrenme yöntemlerini kullanan bir sınıflandırma modeli önermektedir. Çalışmada, domates yapraklarındaki hastalıkları sınıflandırmak için Alexnet, Efficientb0, Googlenet, Shufflenet, Resnet50 ve Inceptionv3 gibi altı farklı Evrişimli Sinir Ağı mimarisi kullanılmış ve bu modellerin özellik haritaları birleştirilerek hibrit bir derin öğrenme modeli oluşturulmuştur. Model, Komşuluk Bileşen Analizi ile optimize edilmiştir ve %99.50 doğruluk oranı sağlamıştır. Diğer çalışma, beyin tümörlerinin erken teşhisi ve sınıflandırılması için hibrit bir derin öğrenme modeli önermektedir. Model, Glioma, Meningioma ve Pituitary olmak üzere üç beyin tümörü türünü otomatik olarak sınıflandırmak amacıyla Evrişimli Sinir Ağı tabanlı bir yaklaşım kullanır. İki önceden eğitilmiş modelin özellikleri birleştirilip, en etkili özellikler Relief yöntemiyle seçildikten sonra Destek Vektör Makinesi ile sınıflandırma yapılır. Deneyler, modelin %93.20 doğruluk oranı sağladığını ve literatürdeki diğer çalışmalara göre etkili sonuçlar sunduğunu göstermektedir. Bir diğer çalışmada ise; Parkinson hastalığı teşhisi için optimizasyon tabanlı yapay zeka algoritmaları kullanılarak açıklanabilirlik amaçlanmıştır. Son çalışmada ise meme kanseri varlığı tespiti için optimizasyon tabanlı bazı sınıflandırma algoritmaları açıklanabilirlik ve şeffaflık hedeflenmiştir.

In this thesis, four problem-focused studies have been conducted. The first study proposes a classification model using deep learning methods to diagnose tomato leaf diseases. It utilizes six different Convolutional Neural Network architectures—Alexnet, Efficientb0, Googlenet, Shufflenet, Resnet50, and Inceptionv3—to classify diseases on tomato leaves. A hybrid deep learning model is created by combining the feature maps from these models and optimized using Neighborhood Component Analysis, achieving an accuracy rate of 99.50%. The second study proposes a hybrid deep learning model for the early diagnosis and classification of brain tumors. This model uses a Convolution Neural Network-based approach to automatically classify three types of brain tumors: Glioma, Meningioma, and Pituitary. Features from two pre-trained models are combined, and the most effective features are selected using the Relief method before classification is performed with a Support Vector Machine. Experiments show that the model achieves an accuracy rate of 93.2% and provides effective results compared to other studies in the literature. The third study aims to enhance explainability in the diagnosis of Parkinson's disease using optimization-based artificial intelligence algorithms. In the last study, some optimisation-based classification algorithms for breast cancer presence detection are aimed at explainability and transparency.