Classification of Visualized Mixed Data With Convolutional Neural Networks Using Transfer Learning Method

Bahadır Elmas; Elif Özge Özdamar

Makale detayları

Classification of Visualized Mixed Data With Convolutional Neural Networks Using Transfer Learning Method

Yazarlar:

Bahadır Elmas | Elif Özge Özdamar

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Mühendislik

Dergi:

Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 1, pp.60-68

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001315942

pISSN:

1308-6529

Anahtar kelimeler:

Özet:

 Technological and scientific advances have made it compulsory to visualize and analyze datasets of different structures and sizes. The graphics used in data visualization are applied for exploratory purposes, both in terms of definition and analysis. Graphs are also used to reveal structures and phenomena in datasets such as time, space, flow, relationships, uncertainty, and hierarchy. The datasets used in todays research not only contain structural datasets consisting of nominal, ordinary, andor numerical variables mixed datasets, but also contain semi-structural or non-structured data sets. Numerous studies in the literature have demonstrated the effectiveness of evolutionary neural networks in these datasets. This study suggests a method to train evolutionary neural networks to apply the transfer learning method to structural datasets. To this end, the proposed approach was applied to nine structural datasets used in various literature studies, comparing the measured success of the networks with other studies in the literature that studied the same data sets and achieving better results.

 Technological and scientific advances have made it compulsory to visualize and analyze datasets of different structures and sizes. The graphics used in data visualization are applied for exploratory purposes, both in terms of definition and analysis. Graphs are also used to reveal structures and phenomena in datasets such as time, space, flow, relationships, uncertainty, and hierarchy. The datasets used in todays research not only contain structural datasets consisting of nominal, ordinary, andor numerical variables mixed datasets, but also contain semi-structural or non-structured data sets. Numerous studies in the literature have demonstrated the effectiveness of evolutionary neural networks in these datasets. This study suggests a method to train evolutionary neural networks to apply the transfer learning method to structural datasets. To this end, the proposed approach was applied to nine structural datasets used in various literature studies, comparing the measured success of the networks with other studies in the literature that studied the same data sets and achieving better results.

 Technological and scientific advances have made it compulsory to visualize and analyze datasets of different structures and sizes. The graphics used in data visualization are applied for exploratory purposes, both in terms of definition and analysis. Graphs are also used to reveal structures and phenomena in datasets such as time, space, flow, relationships, uncertainty, and hierarchy. The datasets used in todays research not only contain structural datasets consisting of nominal, ordinary, andor numerical variables mixed datasets, but also contain semi-structural or non-structured data sets. Numerous studies in the literature have demonstrated the effectiveness of evolutionary neural networks in these datasets. This study suggests a method to train evolutionary neural networks to apply the transfer learning method to structural datasets. To this end, the proposed approach was applied to nine structural datasets used in various literature studies, comparing the measured success of the networks with other studies in the literature that studied the same data sets and achieving better results.

 Teknolojik ve bilimsel gelişmeler, farklı yapı ve boyuttaki veri setlerini görselleştirmeyi ve analiz etmeyi zorunlu hale getirmiştir. Veri görselleştirmede kullanılan grafikler hem tanımsal hem de analizleri destekleyici olarak keşifsel amaçlarla uygulanmaktadır. Grafikler, veri setlerindeki zaman, mekân, akış, ilişki, belirsizlik ve hiyerarşi gibi yapı ve olguları ortaya çıkarmak için de kullanılmaktadır. Günümüz araştırmalarında kullanılan veri setleri sadece nominal, ordinal ve  veya nümerik değişkenlerden karma veri seti oluşan yapısal veri setlerini içermemekte, yarı yapısal ya da yapısal olmayan veri setlerini de barındırmaktadır. Söz konusu veri setlerinde evrişimli sinir ağlarının başarısı literatürdeki birçok araştırmayla kanıtlanmıştır. Bu çalışma, yapısal veri setleri üzerinde evrişimli sinir ağlarını transfer öğrenme yöntemi ile eğiterek uygulayabilmek için bir yöntem önermektedir. Bu amaç doğrultusunda, literatürde çeşitli araştırmalarda kullanılan dokuz adet yapısal veri seti üzerinde önerilen yaklaşım uygulanarak, ağların ölçülen başarısı aynı veri setleriyle çalışılan literatürdeki diğer çalışmalarla karşılaştırılmış ve daha iyi sonuçlar elde edilmiştir.

Makale detayları

Classification of Visualized Mixed Data With Convolutional Neural Networks Using Transfer Learning Method

Yazarlar:

Bahadır Elmas | Elif Özge Özdamar

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Mühendislik

Dergi:

Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 1, pp.60-68

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001315942

pISSN:

1308-6529

Categorical Variable Encoding

Data Visualization

Pre-Trained Networks

Transfer LearningKategorik Değişken Kodlama

Veri Görselleştirme

Önceden Eğitilmiş Ağlar

Transfer Öğrenme

Sayı

Makale detayları

Yazarlar: Bahadır Elmas | Elif Özge Özdamar

Yayıncı: Süleyman Demirel University

Ana Başlıklar: Mühendislik

Dergi: Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 1, pp.60-68

Belge Tipi: Makale

Yayın Tarihi: 4/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001315942

pISSN: 1308-6529

Sayı

Yazarlar:

Bahadır Elmas | Elif Özge Özdamar

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Mühendislik

Dergi:

Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 1, pp.60-68

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001315942

pISSN:

1308-6529