Yüksek Lisans Adayı: Özge Köktürk

EABD: Veri Bilişimi

Tarih: 06.01.2025 / 14:30

Yer: A-212

Özet: Makine öğrenimi modellerinin pratikte kullanımında, genellenebilirlik büyük öneme haizdir. Belirli bir bağlamda elde edilmiş bir veri kümesi üzerinde eğitilen bir model, farklı bağlamlardaki benzer durumlarda genellikle kötü bir başarım sergiler. Bu durum, gerçek hayat uygulamalarında güvenilmez tahminlere ve potansiyel olarak zararlı kararlara yol açabilir. Bu tez denetimsiz alan uyarlaması yoluyla bağlamdan bağımsız otokodlayıcılar için bir eğitim yöntemi önermekte ve farklı bağlamlarda tutarlı kalan temsili özellikleri öğrenmeyi hedeflemektedir. Sonuç olarak herhangi bir uygulama bu alan-bağımsız temsili özelliklerin üzerine inşa edilebilir. Bu çalışmada, giriş görüntülerinin temel yapılarını yakalayan ancak bağlamsal değişikliklerle ilişkili özellikleri göz ardı eden özellikleri çıkarmak için alan-çekişmeli eğitim ve veri artırma stratejileri kullanılmıştır. Deneylerde farklı hava koşulları ve günün çeşitli saatlerinde CARLA (Car Learning to Act) benzetim sisteminden toplanan görüntü verileri kullanılmıştır.