BİLGİSAYAR DESTEKLİ TANI YAKLAŞIMLARININ PERFORMANS DEĞERLENDİRMESİ: GELENEKSEL MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME

Abstract

Geleneksel makine öğrenmesi (TML) ve derin öğrenme (DL), yapay zeka alanında iki önemli yaklaşımdır. TML, tahmine dayalı modeller oluşturmak için karar ağaçları, destek vektör makineleri (SVM), k-en yakın komşular (k-NN) gibi çeşitli algoritmalar kullanır. Bu yaklaşımda özellik çıkartımı algoritmanın başarımını etkileyen en önemli unsurdur. TML küçük veri kümelerinde başarılı sonuçlar elde ederken karmaşık veriler ve büyük ölçekli veri kümelerinde aynı başarıyı gösteremezler. Makine öğreniminin bir alt kümesi olan DL ise ham veriden hiyerarşik özellik temsillerini otomatik olarak öğrenmek için çok katmanlı sinir ağlarını kullanır. Görüntü tanıma, doğal dil işleme ve konuşma tanıma gibi çalışmalarda çok iyi sonuçlar elde ederken büyük miktarda veri ve hesaplama kaynağı gerektirir. Bu çalışma TML ve DL'nin tahmin performansını karşılaştırmak amacıyla bitki hastalığının bilgisayar destekli teşhisini sunmaktadır. Bitki hastalıklarının tespiti, modern tarımda ürün kayıplarını en aza indirmek ve gıda güvenliğini sağlamak açısından çok önemlidir. Bitki hastalıklarının erken ve doğru bir şekilde belirlenmesi pestisit kullanımını azaltabilir, mahsul verimini artırabilir ve ürün kalitesini iyileştirebilir. Bu amaçla çalışmada geleneksel yöntemlerden lojistik regresyon (LR), destek vektör makineleri (SVM), ve rastgele orman algoritmaları (RF) ile derin öğrenme yöntemlerinden konvolüsyonel sinir ağı (CNN), LSTM, YOLOv8 ve VGG16 algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlar TML’de SVM için %78.6 ile en yüksek olmak üzere ortalama %78.8 elde edilirken DL’de CNN için %99 ile en yüksek olmak üzere ortalama %91.75 olacak şekilde elde edilmiştir.

Traditional machine learning (TML) and deeplearning (DL) are two important approaches in artificial intelligence. To build predictive models, TML uses algorithm ssuch as decision trees, support vector machines (SVM), and k-nearest neighbors (k-NN). In this approach, feature extraction is the most important element affect in the performance of the algorithm. While TML achieves successful results in small datasets, it cannot show the same success in complex data and large-scale data sets. DL, a subset of machine learning, uses multilayer neural networks to automatically learn hierarchical feature representations from rawdata. While it achieves very good results in studies such as image recognition, natural language processing and speech recognition, it requires large amounts of data and computational resources. This study presents computer-aided diagnosis of plant disease to compare the predictive performance of TML and DL. Plants are a source of food and life of great importance for humans and other living things. Detection of plant diseases is very important in modern agriculture to minimize product losses and ensure food safety. Early and accurate identification of plant diseases can reduce pesticide use, increase crop yields and improve product quality. For this purpose, the performance of traditional methods such as logistic regression (LR), support vector machines (SVM), and random forest algorithms (RF) and deep learning methods such as convolutional neural network (CNN), LSTM, YOLOv8 and VGG16 algorithms were compared. The results obtained were obtained as an average of 78.8%, with the highest being 78.6% for SVM in TML, and an average of 91.75%, with the highest being 99% for CNN in DL.