Classifying subcellular protein patterns in human cells

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Yıldırım Beyazıt Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: İngilizce

Öğrenci: MAHMUT MOL

Danışman: Ahmet Karaarslan

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

İNSAN HÜCRELERİNDE ALT HÜCRESEL PROTEİN DESENLERİNİN SINIFLANDIRILMASI ÖZ Görüntü tanıma ve nesne algılama, günümüzde bilim alanında ve endüstride popüler bir konudur. İçeriği, özellikle resimler aracılığıyla sınıflandırmanın birçok pratik uygulaması vardır. Son on yılda bu konuda önemli gelişmeler oldu. Özellikle, makine öğrenimi, diğer bilimsel alanlarda olduğu gibi, mevcut veri miktarındaki inanılmaz artış, bilgisayar donanımının daha güçlü hale gelmesi ve önerilen birçok algoritma ile görüntü tanımada bir numaralı yöntem haline geldi. Görüntü tanıma için görece yetersiz kalan Yapay Sinir Ağından sonra, Evrişimli Sinir Ağlarının icat edilmesiyle makine öğrenme sistemlerinin başarısı artmıştır. Bu çalışmada hücre resimlerindeki protein türleri bulunmaya çalışılmıştır. Verilerin boyutu nedeniyle okuma, eğitim ve değerlendirme süreçleri için bir girdi hattı geliştirilmiştir. Daha sonra, geçmişte başarılı olmuş ağ mimarilerinden esinlenerek üç farklı model tasarlandı. Bu modellerin sonuçları değerlendirilip, en başarılı modele ince ayar yapılarak başarı miktarı artırılmaya çalışılmıştır. VGG'den ilham alınarak tasarlanan ilk modelin kayıp ve makro-F1 puanlarından en iyi sonuçları verdiği bulunmuştur. Ayrıca overfitting durumlarında dropout katmanının kullanılmasının genellikle işe yaradığı ve sistemin başarısını artırdığı gözlemlenmiştir. Gradient Descent algoritmasının türevleri arasında bu veri seti için en başarılı olanın Adam Optimizer olduğu, diğerlerinin varsayılan parametrelerle istenilen sonucu vermediği anlaşıldı. Anahtar Kelimeler: Makine öğrenmesi, görüntü tanıma, evrişimli sinir ağı, insan hücrelerinde protein türleri, çok sınıflı çok etiketli sınıflandırma.