FBE- Bilgisayar Mühendisliği Lisansüstü Programı - Doktora
Bu koleksiyon için kalıcı URI
Gözat
Konu "Aktif makine öğrenimi" ile FBE- Bilgisayar Mühendisliği Lisansüstü Programı - Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeYapay Öğrenme Yöntemleri İle Otizm Spektrum Bozukluğu Olan Öğrencilerin Öğretiminin Ve Öğretim Performansı Tahmininin İyileştirilmesi(Fen Bilimleri Enstitüsü, ) Radwan, Akram ; Çataltepe, Zehra ; 10119524 ; Bilgisayar Mühendisliği ; Computer EngineeringOtizm Spektrum Bozukluğu (ASD – Autism Spectrum Disorder) teşhisi alan çocuk sayısı son zamanlarda büyük artış göstermiştir. Internet Teknolojileri’ndeki ilerlemeler sayesinde ise bilgisayarla öğretim sistemlerinin kullanımı ve dolayısı ile bu yolla toplanan verilerin çeşitliliği, miktarı ve kalitesi artmıştır. Bu tez kapsamında, öncelikle ASD’li çocukların öğretiminde kullanılabilecek web tabanlı bir yazılım üretilmiştir. Daha sonra öğrencilerle yapılan öğrenim uygulamalarından elde edilen veriler üzerinde aktif yapay öğrenme, gürültülü verileri giderme, sınıfları dengeleme yapay öğrenme teknikleri kullanılmıştır. Tez kapsamında geliştirilen yeni bir aktif yapay öğrenme tekniği ile önceki öğrenme oturumlarının verileri kullanılarak bir sonraki oturumda ne öğretilebileceği belirlenmiştir. Yine tez kapsamında geliştirilen ve gürültü temizleme ve sınıf dengelemeyi aynı zamanda yapan bir yöntemle, öğretim sırasında öğrenci başarım ve süre performansını tahmin eden bir yöntem geliştirilmiştir. Bu tez otizm spektrum bozuklukları (ASD – autism spectrum disorders) olan çocukların eğitiminde yapay öğrenme (ML – machine learning) teknikleri kullanılarak çocuklara bir nesne tanıma görevi öğretilirken performanslarının öngörülmesine yönelik ilk girişimi yansıtmaktadır. Otizm genelde öğrenme bozukluğuyla ilişkilendirilir. ASD'li insanların yaklaşık %70'inde belli bir dereceye kadar öğrenme bozukluğu mevcuttur. Dolayısıyla bu kişiler çoğu insanla aynı şekilde öğrenemez ve bir kavramı öğrenmeleri için eğitimlerinde özel yöntemlerin izlenmesine ihtiyaç vardır. Bu tezde davranış modelleri ile ML modelleri birlikte kullanılarak bu çocukların daha iyi öğrenmeleri için ML tekniklerinden faydalanmalarının mümkün olup olmadığı araştırılmıştır. Aktif makine öğrenimi (AML – Active Machine Learning) teknikleri, ML modelinin öğrenme sırasında kullanılacak örnekleri seçmesine olanak tanıyarak modelin daha az sayıda etiketli eğitim verisi ile daha iyi işlev görmesini sağlamaktadır. AML, video etiketleme ve internet sayfası sınıflandırması gibi farklı alanlarda kullanılmış olsa da, insan öğrenmesi üzerindeki uygulamalarına yönelik araştırmalar kısıtlıdır. Bildiğimiz kadarı ile ASD'li çocuklara eğitim vermek için AML tekniklerinin kullanılması üzerine bir araştırma mevcut değildir. Bu tezin ilk kısmında ASD'li çocuklara eğitim verilmesi konusunda bir AML yaklaşımı benimsenmesi önerilmiş ve bu çocuklar için nesne tanınmasının öğretilmesinde pasif öğrenme (PL - Passive Learning) ve AML tekniklerinin etkililikleri karşılaştırılmıştır. AML yaklaşımı çocuklara bir dizi nesnenin öğretilmesi için, çocuğun daha önceki eğitim seanslarında aynı kategoride ya da zorluk seviyesinde olan nesneler tanıma sırasında gösterdiği performansı hesaba katan bir yöntem sunmaktadır. Önceki eğitimler sırasındaki performans, çocuğun bilip bilmediği, ne kadar sürede cevap verdiği ve kaç defa yönergenin sesli olarak tekrar edilmesini istediği bilgilerinin hepsini içerecek şekilde değerlendirilmiştir. Bu doğrultuda internet ve dokunma tabanlı bir uygulama geliştirilmiş ve bir tablet bilgisayar üzerinde sunulmuştur. Çocukların günlük hayatlarından nesneler kategorilerine ve dört zorluk derecesine göre gruplara ayrılmıştır. Öğretme prosedürü için ASD'li her yaştan insan için etkili olduğu bulunan uygulamalı davranış analizi (ABA – Applied Behavioral Analysis) prensipleri temel alınmıştır. Uygulama çocuğun hata yapmasına izin vermemektedir. Eğer çocuk doğru seçeneği bulamamış ise, sunulan resimler üzerinde çeşitli etkiler ile (yanlış resmin küçültülmesi, doğru resmin sallanması gibi) çocuk doğru seçeneğe yönlendirilmektedir. Çocuğa bulması gereken nesne sesli olarak bildirilmektedir. Doğru ya da yanlış cevap vermesi durumunda, doğru cevabı pekiştirecek ve doğruyu ödüllendirecek sesli uyarılar içermektedir. Araştırmaya hafif ve orta derecede ASD'si olan beş çocuk (1 kız, 4 erkek) katılmıştır. Katılımcıların yaşları 5 ile 9 arasındadır (ortalama: 7,16; standart sapma: 1,1). Katılımcılar Filistin'de ASD'li öğrencilere eğitim veren iki okuldan seçilmiştir. AML ve PL'nin etkilerinin karşılaştırılması için tek denekli araştırma yöntemleri şeklinde tasarlanan eğitimler değişmeli olarak uygulanmıştır. Çalışma İstanbul Teknik Üniversitesi (İTÜ) Etik Kurulu tarafından onaylanmıştır. Sonuçlar AML'nin araştırmamızdaki beş öğrencinden dördü için pasif öğrenmeden daha etkili olduğunu göstermiştir. Sonuç olarak bu öğrenciler bir öğrenme kriterine ulaşmak için gerekli öğrenme denemelerine daha az ihtiyaç duyarak daha hızlı öğrenebilmiştir. Bu tezde tanımlandığı şekliyle önerilen AML sadece ASD’li bireylerin eğitiminde kullanılmakla sınırlı değildir, başka eğitim alanlarına da uygulanabilir. Tablet bilgisayarlar, özellikle anında geri bildirim sağlamaları ve öğrenme sürecindeki ara adımlar hakkında geniş bilgi tutma imkanları sayesinde öğretimin geliştirilmesi açısından etkili eğitim araçları olabilmektedir. Tezin ikinci kısmında öğrenme seansları esnasında, tez kapsamında geliştirilmiş olan bir web tabanlı internet uygulaması tablet bilgisayarlar üzerinde kullanılarak, toplanan veriler analiz edilmiş ve görselleştirilmiştir. Analiz sonuçları sayesinde deney yapılan ASD'li öğrencilerin nesne sınıflandırmasına ilişkin açıklamalar sunulmuştur. Kategorilerin aşinalığı, zorluk seviyeleri, nesnenin görüntüsünün konumu ve diğer nesnelerle olan benzerliği gibi birçok faktör öğrencinin tepkisini etkileyebilir. Çalışmamızda tepki süresi ile öğrencilerin performansları arasında güçlü bir negatif korelasyon olduğu saptanmıştır. Aynı zamanda pozitif tepkilerin negatif tepkilerden daha hızlı verildiği gözlemlenmiştir. Bu bulgular ile öğrencilerin öğrenme süreçleri izlenerek öğrenmenin her bir öğrenci için kişiselleştirilmesi sağlanabilecektir. Son olarak da ASD'li öğrenciler için ileride geliştirilebilecek uygulamalara yardımcı olabilecek önerilerde bulunulmaktadır. Tezin üçüncü kısmında ASD'li öğrenciler yukarıdaki nesne tanıma görevini öğrenirken performanslarının öngörülmesi için makine öğrenimi tekniklerinin uygulanması tavsiye edilmektedir. Öğrenciler için geliştirilmiş olan internet uygulamasından elde edilen gerçek veri kümesinde doğru etiketi (öğrencinin bir sonraki soruyu bilip bilmeyeceği ve ne kadar sürede bileceği) tahmin etmek için sınıflandırma modellerinin yeterliliğini olumsuz bir şekilde etkileyebilecek iki büyük problemin olduğu görülmüştür: sınıf dengesizliği ve sınıf gürültüsü. Hem sınıf gürültüsünün hem de sınıf dengesizliğinin uyarılan sınıflandırıcılar üzerindeki etkisinin azaltılması ile öngörü sonuçlarının iyileştirilmesi için yapılan farklı araştırmalar vardır. Dengesiz sınıflandırma problemini çözmek amacıyla verilerin tekrar örneklenmesi ve maliyete duyarlı öğrenme yaklaşımları uygulanmıştır. Sınıfın çoğunluğuna göre sınır bölgesi içerisinde bulunan gürültülü durumların ortadan kaldırılması için iki yöntem tavsiye edilmiştir. Tez kapsamında geliştirilen yöntemlerde, verilerde sentetik azınlık aşırı örneklendirme tekniği olan SMOTE (synthetic minority over-sampling technique) ile eşik tekniği kullanılarak eğitim verilerinin dengelenmesi ve sınıflar arasındaki en iyi sınırın seçilmesi sağlanmaktadır. Daha sonra gürültülü durumların belirlenmesi için bir gürültü tespit yaklaşımı uygulanmıştır. İlk yöntemde gürültülü durumların belirlenmesi için sınıflandırma filtresi (classification filter - CF) kullanılırken, ikinci yöntemde toplu filtre (ensemble filter - EF) kullanılmıştır. İki deneydeki en iyi sonuçlar üçüncü deneyde yalnızca önceki seanstaki deneyler ile öğrencilerin ilerideki deneydeki doğru yanıtlarının öngörülmesi için kullanılmıştır. Farklı sınıflandırma algoritmalarının sonuçları önerilen CF ve EF bazlı iki yöntemin daha önceki çalışmalarda kullanılan sınıf dengesizliği tekniklerine göre başarım açısından önemli ilerlemeler sağladığını göstermektedir. Ayrıca verisinde çok sayıda gürültülü örnek olan bir öğrencinin verileri veri kümesinden tamamen çıkarıldığında, sınıflandırma yöntemleri daha da etkili olmuştur. Farklı sınıflandırıcılar kullanılan deneylerde, en iyi sınıflandırıcı rastgele orman sınıflandırıcısı olmuştur. Rastgele orman sınıflandırıcısı ortalama olarak lojistik regresyon (LR), destek vektör makineleri (DVM) ve LR sınıflandırıcısı kullanan Adaboost yönteminden daha etkili sonuçlar vermiştir. Özelliklerin önemi üzerine yapılan bir analiz, tepki süresi ve nesnenin seviyesinin bir öğrencinin performans tahmininin doğru olmasında en etkili olduğunu göstermiştir. Bu tezin katkıları şu şekilde özetlenebilir: 1- Bu yazımın yapıldığı sırada, ASD’de olan öğrencilerin eğitiminde aktif yapay öğrenme (AML) tekniklerinin kullanıldığı ilk çalışmadır. 2- Yapılan tez çalışması sonucunda oluşturulan yöntemlerle öğrencilerin bilgi öğrenme performanslarının diğer yöntemlere göre daha iyi arttığı gösterilmiştir. Bu yöntemler ASD’li öğrencilerin öğrenme süreçlerini iyileştirme amacı ile kullanılabilir. 3- Tez çalışması sırasında bir çocuğun günlük hayatında gördüğü nesnelerin değişik zorluk seviyelerine göre sınıflandırıldığı bir görüntü veri kümesi oluşturulmuştur. 4- Kullanımı kolay web tabanlı bir uygulama tasarlanmış ve üretilmiştir. Bu uygulama öğrenci, ebeveyn ve öğretmenin beraber çalışarak bilgisayarla öğretim yöntemlerini kullanabileceği bir ortam oluşturmuştur. 5- Geliştirilen verideki gürültülü örnekleri bulup eleyen filtreleme yöntemlerinin veri kalitesini ve başarım performansını arttırdığı gösterilmiştir. 6- Gürültü giderme yöntemleri sınıf dengesizliğini giderme yöntemleri ile bir arada kullanılarak başarım performansı daha da arttırılmıştır.