Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi

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.