|
A. Taylan Cemgil Boğaziçi Üniversitesi |
Ali Taylan Cemgil Boğaziçi Üniversitesi Taylan Cemgil lisans ve yüksek lisans derecelerini Boğaziçi Üniversitesi Bilgisayar mühendisliğinde aldı. Hollanda’da Nijmegen Radboud Üniversitesinde doktora derecesini aldıktan sonra sırasıyla Amsterdam (Hollanda) ve Cambridge (İngiltere) üniversitelerinde doktora sonrası araştırmacı olarak çalıştı. 2008 yılından beri Boğaziçi Üniversitesi Bilgisayar mühendisliği bölümünde öğretim görevlisidir. Araştırmalarını, yapay öğrenme ve işaret işleme alanlarında sürdürmekte, son yıllarda özellikle matris ve tensor ayrıştırma modelleri, Monte Carlo yöntemleri, mahremiyet gözeten yapay öğrenme ve dağıtık eniyileme konuları ile ilgilenmektedir. Boğaziçi üniversitesi algısal zeka araştırma grubunun bir üyesidir. Bayesçi Öğrenme: Temeller ve Zaman Serileri (Bayesian Learning: Fundamentals & Time-series) Bu ders kapsamında, yapay öğrenme, veri analitiği ve madenciliği, hedef takibi veya bioinformatik gibi bir çok uygulama alanında etkin olarak kullanılan Bayesci istatistiğe bir giriş yapılacaktır. Bayesci yaklaşımı, veri analizi problemlerinde algoritma oluşturmak için kullanılabilecek bir hesaplama çerçevesi olarak düşünebiliriz. Bayesci yaklaşım, bilgisayar bilimlerinde alışılagelmiş olduğunun tersine öncelikle algoritmaya odaklanmak yerine, verilerin gerçekçi sayılabilecek bir modelinin oluşturulması, daha sonra da bu model kullanılarak hesaplamalı bir algoritmanın üretilmesini önerir. Bahsedilen modeller, gözlemlen verileri ‘oluşturduğu’ varsayılan rastlantısal süreçlerdir. Bu süreçlerde veriler hakkında öğrenmek istediğimiz bilgiler (Örneğin, bu veri noktası hangi sınıftan? Bu iki örnek aynı öbekte mi? Yarınki gözlemlerin beklenen değeri ne olacak?) bilgiler bilinmeyen parametreler olarak ifade edilir. Burada önemli bir özellik, bilinmeyen parametrelerin rastlantısal değişkenler olarak düşünülmesi ve veri gözlemlendiğinde de sadece Bayes theorem kullanılarak sonsal dağılımların hesaplanmasıdır. Bu hesaplama sürecine Bayesci çıkarım adı verilir. Sonsal dağılımların hesaplanması ise Monte Carlo veya varyasyonel-deterministik numerik yöntemlerle yapılabilir.
Bu ders kapsamında Bayesci modellemeye ve Bayesci çıkarıma bir giriş yapılacak, model oluşturma ve çıkarım için son 30 yılda geliştirilmiş tekniklerden bahsedilecek, finans, tavsiye sistemleri, bioinformatik ve nesne takibi gibi değişik uygulama alanlarından basit örnekler verilecektir. |
|
|
Umut Orguner ODTÜ |
Umut Orguner ODTÜ Umut Orguner lisans, yüksek lisans ve doktora derecelerini ODTÜ Elektrik Elektronik Mühendisliği Bölümü'nden sırasıyla 1999, 2002 ve 2006 yıllarında almıştır. Doktora sonrasında, 2007 ve 2012 yılları arasında, İsveç Linköping Üniversitesi, Elektrik Mühendisliği Bölümü'nde doktora sonrası araştırmacı ve yardımcı doçent olarak çalışmıştır. 2012 yılında beri ODTÜ Elektrik Elektronik Mühendisliği Bölümü'nde öğretim üyesi olarak çalışmakta, kontrol teorisi ve sinyal işleme alanında dersler vermektedir. İlgilendiği araştırma konuları kestirim teorisi, çoklu modelli kestirim, hedef izleme ve bilgi füzyonudur Bayes Yaklaşımına Dayalı İzleme (Bayesian Tracking) İzleme ya da özelinde hedef izleme literatürde genellikle ideal koşullar varsayılarak sunulan Bayesçi durum kestirimi algoritmalarının, model uyumsuzlukları, kaçırılmış tespitler, yanlış alarmlar ve veri eşleme belirsizliklerinin var olduğu gerçekçi koşullar altında kullanılmasına verilen addır. Bu sunumda Bayesçi yaklaşımın izleme problemine getirdiği çözümler incelenecektir. Bu çerçevede önce izlemenin temel yapıtaşları olan Bayesçi durum kestirimi algoritmaları özetlenecek ve bu algoritmaların gerçek uygulamalarda kullanılmasında ortaya çıkan temel sorunlardan bahsedilecektir. Daha sonra bu sorunlardan en önemli ikisi olan model uyumsuzluğu ve veri eşleme belirsizliği üzerine yoğunlaşılıp, Bayesçi yaklaşımın bu problemlere getirdiği geleneksel çözümler üzerinde detaylı olarak durulacaktır. Son olarak özellikle çoklu hedef izleme için yakın geçmişte geliştirilen yenilikçi Bayesçi yaklaşımlara kısa bir giriş yapılıp, Bayesçi izleme alanındaki güncel araştırma konularından bahsedilecektir. |
|
|
Mehmet Gönen Koç Üniversitesi |
Mehmet Gönen Koç Üniversitesi Mehmet Gönen endüstri mühendisliği lisans, bilgisayar mühendisliği yüksek lisans ve doktora derecelerini sırasıyla 2003, 2005 ve 2010 yıllarında Boğaziçi Üniversitesi'nden aldı. Doktora sonrası çalışmalarını Helsinki Bilişim Teknolojileri Enstitüsü ve Aalto Üniversitesi Bilişim ve Bilgisayar Bilimleri Bölümü'nde yaptı. Ardından sırasıyla Seattle'da Fred Hutchinson Kanser Araştırma Merkezi'nde uzman araştırmacı ve Portland'da Oregon Sağlık ve Bilim Üniversitesi Biyomedikal Mühendisliği Bölümü'nde Yrd. Doç. Dr. olarak görev aldı. Eylül 2015'ten itibaren Koç Üniversitesi Endüstri Mühendisliği Bölümü'nde Yrd. Doç. Dr. olarak çalışmaktadır. Araştırmaları ağırlıklı olarak yapay öğrenme (Bayesçi yöntemler ve çekirdek yöntemleri) ve hesaplamalı biyoloji (kanser biyolojisi ve kişiselleştirilmiş tedavi yöntemleri) konularında yer almaktadır. Kanser Biyolojisi İçin Bayesçi Öğrenme (Bayesian Learning for Cancer Biology) Kanser hastalığın doğasından kaynaklanan çeşitlilik nedeniyle hastalar kişiselleştirilmiş tedavi yöntemlerine ihtiyaç duymaktadır. Bu nedenle genetik faktörlerin ilaçlara verilen tepkilerdeki etkisini belirlemek için farmakogenomik paneller geliştirilmiştir. Literatürde ilaçlara verilen tepkilerini modellemede kullanılan hesaplamalı yöntemler her ilaç için ayrı bir model öğrenmekte ve ilaçların aralarındaki benzerliklerden faydalanamamaktadır. İlk bölümde bir farmakogenomik panelde yer alan bütün ilaçlar için aynı anda kestirim modelleri bulan Bayesçi yapay öğrenme yöntemi anlatılacaktır. MikroRNA’lar (miRNA) mesajcı RNA’lara (mRNA) bağlanıp yıkımlarını sağlayarak veya translasyonlarını önleyerek genleri doğrudan ya da dolaylı olarak düzenleyen moleküllerdir. miRNA mekanizmalarındaki değişiklikler kanserin oluşumunda ve ilerlemesinde önemli bir role sahiptir. Bu yüzden kanser çeşitlerine özgül miRNA-mRNA düzenleyici modüllerinin belirlenmesi büyük önem arz etmektedir. Bu bağlamda 31 değişik kanser hastalığı için yaklaşık 8000 primer tümör örneği üzerinde düzenleyici modülleri bulmakta kullandığımız seyrek Bayesçi yapay öğrenme yöntemi tartışılacaktır. |
|
|
Serdar Kozat Bilkent Üniversitesi |
Serdar Kozat Bilkent Üniversitesi Süleyman Serdar Kozat 1998 yılında Bilkent Üniversitesi’nden lisans derecesini yüksek onurlu ve dört yıl boyunca tam burslu olarak almıştır. Kendisi yüksek lisans ve doktora derecelerini University of Illinois at Urbana Champaign (UIUC), IL, USA üniversitesinden 2001 ve 2004 yıllarında almıştır. Dr. Kozat lise eğitimini de Ankara Fen Lisesi’nde tamamlamıştır. Doktora derecesini tamamladıktan sonra, Dr. Kozat, IBM Research, T. J. Watson Research Center, Yorktown, USA, firmasında, Konuşma Tanıma Teknolojileri Gurubu’nda tam zamanlı araştırmacı olarak çalışmaya başlamıştır. IBM firmasında istatistiksel işaret işleme ve otomatik öğrenme konularındaki birçok probleme çözüm geliştirmiştir. Ayrıca doktora yıllarında, Microsoft Research, Redmond, USA, firmasında yarı zamanlı araştırmacı olarak, Kripto ve Korsan Önleme Gurubu’nda çalışmıştır. IBM ve Microsoft Research firmalarında yaptığı çalışmalar ile birçok konuda patentler üreterek, bilime önemli katkılarda bulunmuştur. Dr. Kozat Bilkent Üniversitesi Elektrik ve Elektronik Bölümünde Doçent Doktor olarak çalışmaktadır. Kendisinin 120’nin üzerinde teknik değeri yüksek makale ve konferans kitapçıklarında bildirileri bulunmaktadır. Dr. Kozat genel olarak akıllı sistemler, uyarlanır işaret işleme ve otomatik öğrenmenin işaret işlemelerindeki uygulamalarında çalışmaktadır. Dr. Kozat IEEE’de kıdemli üyedir ve IEEE Sinyal İşleme Derneğinin Türkiye’deki Şube Başkanıdır. Kendisi 2014 yılında Bilim Kahramanları Ödülü’nü, 2015 yılında BAGEP Ödülü’nü, 2011 yılında IBM Faculty Award, 2011 yılında Koç Üniversitesi’nden Outstanding Faculty Award, 2010 yılında Türkiye Bilimler Akademisinden Üstün Başarılı Genç Bilim Adamı Ödülü’nü ve 2009 yılında TÜBİTAK’tan Kariyer Ödülü’nü almıştır.
Büyük Veri Analizi : Temeller ve Öğrenme (Big Data Analysis: Fundamentals & Learning) Son yıllarda geliştirilen bilgi toplama ve bilgiye erişim imkanlarısayesinde, günümüzde birçok uygulamada daha önce mümkün olmayan miktarda veri kullanılabilmektedir. Gerçek hayatta karşılaşılan birçok problemin çözümünde, bu büyük hacimdeki verilerin verimli ve soruna odaklı işlenmesinin uygulamalara getireceği kazanç gayet açıktır. Toplanan bu verilerin daha önceki benzer uygulamalarda kullanılan verilere göre karşılaştırılamayacak kadar büyük boyutlarda olması, verilerin hayli çeşitlilik içermesi (video, ses, resim) ve karakteristik özelliklerinin (istatistik, boyut, kalite, gürültü) zaman içinde son derece değişken olması, büyük verilerin online sinyal işleme ve makine öğrenme yaklaşımları ile işlenmesini gerektirmektedir. Online yöntemler, (1) tasarımları gereği, anlık veriyi depolamaya ihtiyaç duymadan sistemi en iyileştirmek için hemen kullandıkları, (2) kendilerini sürekli değişen veri ve problem koşullarına göre uyarladıkları için, büyük veri içeren uygulamaların başarısı için son derece önemli ve gerekli yaklaşımlardır. Bu doğrultuda son yıllarda geliştirilen yüksek verimliliğe ve son derece düşük işlem yüküne sahip online teknikler incelenecektir. Bu tekniklerin büyük verilerin etkin işlenmesindeki katkıları ve uygulamalara getirdikleri performans kazançları matematiksel olarak gösterilecektir. Kestirimden veri seçimine kadar bir çok uygulamada farklı yaklaşımlar uygulamalı olarak incelenecektir. |
|
|
Pınar Duygulu Şahin Hacettepe Üniversitesi |
Pınar Duygulu Şahin Hacettepe Üniversitesi Pınar Duygulu Şahin lisans, yüksek lisans ve doktora derecelerini 1996, 1998 ve 2003 yıllarında Orta Doğu Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü’nden almıştır. Doktorası sırasında University ve California, Berkeley’de ziyaretçi araştırmacı olarak bulunmuştur. Doktora sonrası araştırmacı olarak Carnegie Mellon Üniversitesi’ndeki çalışmalarından sonra Bilkent Üniversitesi Bilgisayar Mühendisliği bölümüne katılmıştır. 2014 yılında Fulbright bursu ile ödüllendirilmiş ve yine Carnegie Mellon Üniversitesi’nde 2014-2015 yılları arasında ziyaretçi öğretim üyesi olarak çalışmalarına devam etme olanağı bulmuştur. Halen Hacettepe Üniversitesi Bilgisayar Mühendisliği Bölümünde öğretim üyesidir. Bilgisayarla görü, örüntü tanıma ve çoğul-ortam veri madenciliği konularında çalışmaktadır. Özel olarak metinsel ve görsel verinin birlikte yer aldığı veri kümelerinde veri madenciliği teknikleri ile ilişkileri öğrenerek çok ölçekli nesne, kişi ve sahne adlandırma; videolarda insan ve hayvan hareketlerinin tanınması, takibi ve olay adlandırma; tarihi belgelerin erişimi, analizi ve çevrimi konularında çalışmalar yapmıştır. Büyük ölçekli video analizi (Leveraging Large Data for Video Analysis) Gelişen teknoloji ile birlikte sayısı gün geçtikçe büyük bir hızla artan fotoğraf ve videolar artık sadece kişisel arşivlerde saklı kalmayıp, sosyal medyada paylaşılır hale gelmiştir. YouTube istatistiklerine göre yalnızca YouTube’a her dakika 300 saatlik video yüklenmekte, her gün yüzlerce milyon saatlik video izlenmektedir; bu hacim aynı zamanda her geçen yıl %50 oranında artmaktadır. Bu büyük ölçekli veri getirdiği zorluklarla video erişim ve analizinde yeni yöntemleri zorunlu kılmıştır. Öte yandan başka türlü elde etmesi çok zor olan yarı-etiketlenmiş veri, gürültülü olsa da çok sayıda elde edilir olmuş, bu sayede makine öğrenme yöntemleriyle sınıflandırma ve etiketleme yapılmasına olanak sağlamıştır. Bu konuşmada son yıllarda dünyada öne çıkan büyük ölçekli video verisinin kendisinden veri madenciliği ile bilgi çıkarımı konuları ele alınacak, otomatik kavram öğrenme ve olay tanıma konularına yoğunlaşılacaktır.
|
|
|
Şeyda Ertekin ODTÜ |
Şeyda Ertekin ODTÜ Seyda Ertekin ODTU Bilgisayar Muhendisligi bolumu ogretim uyesidir. Lisans egitimini ODTU Elektrik-Elektronik Muhendisligi Bolumu’nde tamamladiktan sonra ASELSAN’da calismis ve daha sonra Amerika’da Pennsylvania State Universitesi’nde doktora calismalarina devam etmistir. Doktora tezi, bolumunde, “En iyi Tez” odulune layik gorulmustur. Doktora sonrasi calismalarina MIT’de devam etmis ve calismalari MIT Energy ve Intelligence Initiative’lerinden burs fonlari ile desteklenmistir. Daha sonra MIT’de enerji santrallerindeki ruzgar turbinleri icin akilli sistemler gelistirilmesi uzerine bir Big Data (Buyuk Veri) projesinin yoneticiligini yapmistir. Dr. Ertekin’in MIT'de calistigi Smart Power Grid (Akilli Elektrik Sistemleri) ile ilgili proje INFORMS’un “Innovative Applications in Analytics” yarismasinda birincilik odulune layik gorulmustur. Büyük Veri Analitiği : Inovasyon ve Karar Almada Yeni Hudutlar (Big Data Analytics: New Frontiers in Innovation and Decision Making) Enformasyon cagini yasadigimiz su donemde Buyuk Veri (Big Data) analizi buyuk onem kazanmistir. Gunumuzde bilimden endustriye, tiptan is dunyasina kadar her alanda olusan bu genis capli ve derin datayi isleyebilmek, analiz edebilmek ve ondan cikarimlar yapabilmek bir cok disiplinde daha hizli ilerlemeye ve yeni buluslara, is dunyasinda da daha cok verimlilige ve karliliga yol acacaktir. Bu baglamda konusmaci once Buyuk Veri analizinin temel taslarini anlatacak ve karsilasilabilecek sorunlardan bahsedecektir. Sonrasinda Buyuk Veri analitiginde uygulanan yapay ogrenme alanlarindan ve ana metodlarindan bahsedecektir. Verinin diger yapisal ozelliklerinin yaninda gecmis tarih bilgisinin de istatiksel modellemeler gelistirmekte onemli oldugunu gosterecek ve bunun karar destek sistemleri gelistirmekteki onemine vurgu yapacaktir. Konusmacinin Amerika'da MIT'de calistigi ve yuruttugu enerji dalindaki Buyuk Veri projeleri’nden ornekler sunulacak ve Buyuk Veri analizinin gercek hayatta karsilasilan sorunlari cozmedeki potansiyelinden bahsedilecektir.
|
|
|
Hande Alemdar |
Hande Alemdar
Hande Alemdar lisans, yüksek lisans ve doktora derecelerini Boğaziçi Üniversitesi Bilgisayar Mühendisliği Bölümü'nden sırasıyla 2004, 2009 ve 2015 yıllarında aldı. Doktora tezi, Boğaziçi Üniversitesi Bilimsel Araştırma Projeleri (BAP) tarafından tez ödülüne layık görülmüştür. Halen Fransa'da, Grenoble Bilgisayar Bilimleri Laboratuvarında doktora sonrası araştırmacı olarak çalışmaktadır. Temel araştırma alanları, uygulamalı yapay öğrenme, büyük veri analitiği ve derin öğrenmedir. Dr Alemdar, aynı zamanda profesyonel sporcu performansını görüntü ve sinyal işleme teknikleri ile analiz etme konusunda uzmanlaşan Sentio Sports Analytics firması kurucu ortağı ve yönetim kurulu üyesidir.
Derin öğrenme ile, özellikle son yıllarda, görüntü işleme, doğal dil işleme, yazı ve konuşma tanıma gibi birçok önemli yapay zeka probleminde diğer yöntemlere göre çok daha başarılı sonuçlar elde edilmiştir. Bu ders kapsamında, derin öğrenmeye bir giriş yapılacak ve temel çalışma prensipleri, nasıl bu kadar başarılı sonuçlar elde edilebildiği üzerinde durulacaktır. Çeşitli gerçek hayattan alınan uygulama örnekleri üzerinden evrişimsel sinir ağları, yinelemeli sinir ağları, Boltzmann makineleri gibi temel yapay sinir ağı modelleri tanıtılacak ve torch, TensorFlow gibi kodlama çerçeveleri ile pratikte nasıl uygulanabileceği üzerinde durulacaktır. Pratik uygulamalar sırasında karşılaşılacak problemlerin çözümü ile ilgili öneriler getirilecek ve açık araştırma problemlerinden bahsedilecektir.
|
|
|
Ceyhun Burak Akgül Vispera & Boğaziçi Üniversitesi |
Ceyhun Burak Akgül Vispera & Boğaziçi Üniversitesi Bilgisayarla görü ve istatistiksel öğrenme alanlarında hem akademik hem de endüstriyel ARGE çalışmalarını yürütmektedir. Endüstri için resim tanıma çözümleri geliştiren Vispera Bilgi Teknolojileri firmasının kurucu ortağı ve CTO'su olan Ceyhun Burak Akgül aynı zamanda 2010 yılından beri Boğaziçi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü'nde yarı zamanlı öğretim görevlisi olarak bilgisayarla görü, imge işleme, istatistiksel öğrenme ve veri madenciliği alanlarında lisansüstü dersleri vermekte ve lisansüstü öğrencilerine danışmanlık yapmaktadır. Dr. Akgül, Télécom ParisTech ve Boğaziçi Üniversitesi'nde tamamladığı doktora çalışmasının ardından 2008-2009 yılları arasında AB Marie Curie Doktora Sonrası Araştırma Programı çerçevesinde Philips Research Eindhoven'da çalışmıştır. 2010-2014 yılları arasında yine bilgisayarla görünün endüstriyel otomasyon alanındaki uygulamaları geliştiren Vistek ISRA Vision firmasında ARGE Direktörü olarak görev yapmış olan Dr. Akgül'ün çeşitli alanlarda yayınlanmış 7 makalesi, 50'nin üzerinde konferans bildirisi ve 2 patenti bulunmaktadır. Dr. Akgül, aynı zamanda İstanbul Teknik Üniversitesi Mimari Tasarımda Bilişim Programı'nda zaman zaman dersler ve seminerler vermekte ve endüstri danışmanı olarak görev yapmaktadır. Dr. Akgül'ün araştırma ilgileri arasında içerikle görsel arama, görsel nesne tanıma, otomatik imge anlama, görsel veri madenciliği, nesnelerin Internet'i, akıllı kentler ve sayısal mimarlık uygulamaları bulunmaktadır.
Bilgisayarla Görüde Derin Öğrenme Yaklaşımları ve Uygulamaları (Deep Learning Approaches and Applications in Computer Vision) Tarihi 1960'lara dayanan ve birçok araştırmacının ya hayali ya kabusu olmuş Yapay Sinir Ağları, artık Derin Ağlar adıyla yeniden hayat buluyor. Hinton, LeCun, Bengio gibi öncülerin özellikle 2006 yılından itibaren yoğun bir şekilde ürettiği makalelerden ve bu akademik çalışmalara paralel olarak gerçekleşen hesaplama teknolojilerindeki gelişmelerden aldığı güçle Derin Ağlar Teknolojisi, bugün Google, Facebook gibi devlerin genelde Yapay Zeka, özelde Örüntü Tanıma alanlarındaki en önemli kozları haline dönüşmüş durumda. Basit bir şekilde ifade etmek gerekirse, çok bileşenli, çok katmanlı ve bağlı bir sayısal hesaplama yapısından ibaret olan Derin Ağlar, çeşitli yaklaştırma ve eniyileme algoritmaları kullanarak görsel, işitsel ya da metinsel örüntülere ilişkin veri gösterimleri öğrenir. Peki bu öğrenme dediğimiz süreç nasıl gerçekleşir? Bu konuşmada bütün dünyadan araştırmacıların çalışmalarıyla hızla gelişmekte olan Derin Ağ mimarilerini ve Derin Öğrenme algoritmalarını genç araştırmacılara tanıtıyor ve bu heyecan verici alanın mümkün kıldığı bilgisayarla görü uygulamalarından örnekler sunulacaktır.
|
|
|
Deniz Yuret Koç Üniversitesi |
Deniz Yuret Koç Üniversitesi Doç. Dr. Deniz Yuret Koç Üniversitesi Bilgisayar Mühendisliği Bölümünde 2002'den beri öğretim üyesi ve Yapay Zeka Laboratuarı'nın kurucusudur. Lisans ve lisansüstü eğitimlerini Massachusetts Institute of Technology'de (1988-1999) tamamlayan Dr. Yuret, doktora sonrası çalışmalarının ardından geliştirdiği otomatik soru cevaplama teknolojilerini ticarileştiren Inquira, Inc. şirketini (2000-2002) kurmuştur. Halen Koç Üniversitesi'nde otomatik öğrenme ve doğal dil işleme üzerine araştırmalarını devam ettirmekte ve Julia dilinde yazdığı Knet derin öğrenme sistemini geliştirmektedir. Julia ve Knet ile Derin Öğrenmeye Giriş (Introduction to Deep Learning using Julia and Knet) Bu derste derin öğrenme modellerini tanımlamak, eğitmek ve değerlendirmek için gerekli adımlar örnekleriyle sunulacaktır. Amaç, sadece temel programlama bilgisine sahip bir katılımcının en kısa zamanda kendi problemleri için gerekli derin öğrenme modellerini geliştirebilir ve eğitebilir hale gelmesidir. Örnekler Julia [1] dilinde yazdığım Knet.jl [2] derin öğrenme paketi üzerinden verilecektir. Julia, açık kaynak kodlu, yüksek performanslı ve yüksek seviyede programlanabilen bir dil olarak derin öğrenmeye giriş için uygun bir platform oluşturmaktadır. Knet.jl derin öğrenme modellerinin program fonksiyonlarına yakın bir dille tanımlanmasına izin vermekte, alt fonksiyonlar kullanarak kompleks modellerin kolaylıkla geliştirilmesine olanak sağlamakta, model eğitimi için gerekli türev ve güncelleştirme işlemlerini otomatikleştirerek kullanıcının model yapısına konsantre olmasını kolaylaştırmaktadır. Ders basit regresyon ve sınıflandırma modelleri ile başlayıp, çok katmanlı (multi-layer), katlamalı (convolutional) ve tekrarlayan (recurrent) sinir ağları ile devam edecek, bu modellerle emlak fiyat tahmini, el yazısı tanıma ve verilen bir stilde metin üretme gibi problemler için uygulamalar geliştirilecektir.
|
|
|
Uğur Halıcı ODTÜ
Rengül ÇETİN ATALAY ODTÜ |
Prof. Dr. Uğur Halıcı ODTÜ Camelyon16 “IEEE ISBI Challenge on Cancer Metastasis Detection in Lymph Node” yarışmasında liderliğini yaptığı ODTÜ ekibi uyguladığı derin öğrenme yöntemi ile “5 lider takım“ arasında yer almıştır. Doç. Dr. Rengül ÇETİN ATALAY ODTÜ LENF DÜĞÜMLERİNDE KANSER METASTAZ BÖLGELERİNİN DERİN ÖĞRENME İLE TESPİTİ (Deep Learning for Biomedical Imaging) Nöral Ağlar beyinden esinlenerek geliştirilen hesaplamalı modellerdir. Son yıllarda önemli bir gelişme gösteren Derin öğrenme (Deep Learning), çok sayıda katman içeren yapay sinir ağlarını eğitmek için kullanılan bir makine öğrenmesi yöntemlerine verilen genel isimdir. Bir çok alanda diğer yöntemleri performans açısından geride bırakarak başarıyla uygulanmaya başlanmıştır. Dijital patoloji medikal görüntülemede yeni ve hızla büyüyen bir alandır. Dijital patolojide, doku örnekleri içeren cam slaytların sayısal hale çevrilmesi için bütün-slayt görüntü (whole-slide image, WSI) tarayıcıları kullanılarak günümüzde 160 nanometre çözünürlükte sayısal görüntüler elde edilebilmektedir. WSI’lar çoklu çözünürlük içeren piramit yapıdaki dijital görüntülerdir. WSI’larda Katman 0 en yüksek çözünürlüğe karşılık gelmektedir. Her bir katmandaki 2x2 pixellik görüntü, bir yukarıdaki katmanda 1 piksel ile temsil edilmektedir. Boyanmış lenf düğümü kesitlerinin patologlar tarafından değerlendirilmesi, hem konuda uzmanlık gerektiren hem de zaman alıcı bir iştir. Dolayısı ile kanser tespitinde başarılı bir otomatik çözümün patologların iş yükünü azaltmasının yanısıra tanıda objektif değerlendirmeye de katkıda bulunması beklenmektedir. Konvolüsyonel Sinir Ağları (Convolutional Neural Networks) görüntü analizinde önem kazanan derin sinir ağı yapılarıdır. Çok sayıda konvolüsyon tabakasında bulunan filtreler, ağa uygulanan örnekler üzerinden eğitilerek otomatik öznitelik elde etmeye yaramaktadır. Konvolüsyonel tabakalar arasında yer alan ortaklama (pooling) tabakaları ötelemeden (translation) dolayı ortaya çıkan değişimleri tolere edebilmektedir. Konvolüyonel katmanların ardından gelen tam bağlantılı katmanlarda ise sınıflama yapılmaktadır. Genellikle ağ çıkış katmanında soft-max denilen yapı kullanılarak örnek girdinin hangi sınıfa ait olduğu ağ çıktısında olasılık değerleri olarak elde edilmektedir. Yazokulunun bu bölümünde Konvolüsyonel Sinir ağlarının lenf düğümlerinde göğüs kanseri ilintili metastas bölgelerinin tespiti için kullanılması anlatılacaktır.
|
|
|
Nazlı İkizler Cinbiş Hacettepe Üniversitesi
Aykut Erdem Hacettepe Üniversitesi
Erkut Erdem Hacettepe Üniversitesi
|
Nazlı İkizler Cinbiş Hacettepe Üniversitesi Aykut Erdem Hacettepe Üniversitesi Çalışmalarını kurucuları arasında yer aldığı Hacettepe Üniversitesi Bilgisayarlı Görü Laboratuvarı bünyesinde lisans, yüksek lisans ve doktora öğrencileri ile birlikte sürdürmektedir.
Erkut Erdem Hacettepe Üniversitesi Dil İşleme ve Bilgisayarla Görüde Derin Öğrenme (Deep Learning in Vision & Language) Bu konuşmada, bilgisayarlı görü ve doğal dil işleme yöntemlerinin bir arada kullanılması irdelenecek; bu sayede görsel içeriği bütünsel olarak açıklayan insan diline yakın cümlelerin otomatik olarak oluşturulmasına yönelik son yıllarda geliştirilmekte olan yaklaşımlardan bahsedilecektir. Bu kapsamda, ağırlıklı olarak, bu problemin çözümünde her iki alt alanda da kullanılmakta olan derin öğrenme teknikleri üzerinde durulacaktır. Detaylı belirtmek gerekirse; bilgisayarlı görüde görüntüleri dillendirme amacıyla kullanılmakta olan Evrişimsel Sinir Ağları (Convolutional Neural Networks) ve Özyineli Sinir Ağları (Recurrent Neural Networks) yapılarından bahsedilecek ve kelime benzerliklerini ölçümlemede son senelerde oldukça yüksek başarım göstermekte olan Dağıtılmış Sözcük Gösterimleri (Distributed Word Representations) konusunda yöntemler tanıtılacaktır. Ayrıca, gözetimsiz öğrenme modelleri olan Kanonik Korelasyon Analizi (Canonical Correlation Analysis - CCA) ve çok yönlü CCA gibi tekniklere de değinilecektir.
|
|
