Kuantum teknolojiler kullanılarak makine öğrenmesi ile görüntülerden nesne tanıma

Basit Öğe Kaydı
dc.contributor.advisorŞahin, Engin
dc.contributor.authorYavuz, Mert
dc.date.accessioned2025-01-26T21:01:13Z
dc.date.available2025-01-26T21:01:13Z
dc.date.issued2024
dc.departmentÇOMÜ, Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.descriptionLisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.description.abstractMakine öğrenmesi günümüzde otonom araçlardan uzay ve savunma sanayisine kadar birçok alanda geniş bir uygulama alanına sahiptir. Bu uygulamalardan biri de tıp alanında görülmekte olup, özellikle doktorların teşhis konusundaki zorluklarını hafifleme potansiyeline sahiptir. Kuantum makine öğrenmesi, büyük veri setlerini anlamlandırmak ve karmaşık ilişkileri çözmek için klasik yöntemlere göre daha hızlı ve etkili bir şekilde çalışabilir. Bu inovasyon, sağlık sektöründe önemli ilerlemelere öncülük edebilir ve hastaların daha hızlı ve doğru teşhis almasına katkıda bulunabilir. Bu araştırmada, beyin tümörlerinin tespiti konusunda klasik ve hibrit kuantum makine öğrenmelerinin etkinliğini detaylı bir şekilde incelenmiştir. Bu çalışma, beyin sağlıklı dokularıyla birlikte dört farklı tümör türünü içermektedir, bu da teşhis süreçlerinin daha geniş bir yelpazede ele alındığını göstermektedir. Klasik makine öğrenmesi kullanılarak yapılan beyin tümörü nesnesinin tespitinde elde edilen %75-%79 doğruluk oranı, bu alandaki mevcut başarı seviyelerini yansıtmaktadır. Bu çalışmada hem veriler üzerinde iyileştirme işlemleri yapılarak hem de hibrit kuantum makine öğrenmesi yöntemleriyle bu oranın %95-%100 aralığına arttığı gözlemlenmiştir. Bu etkileyici sonuçlar, kuantum makine öğrenmesinin sunduğu yüksek doğruluk seviyelerini vurgulamaktadır. Araştırma sonucunda elde edilen bulgular sunulmuş ve önerilen çalışmanın verimi ortaya konmuştur.
dc.description.abstractMachine learning has a wide range of applications today, spanning from autonomous vehicles to space and defence industries. One of these applications is observed in the field of medicine, particularly in potentially alleviating the diagnostic challenges faced by doctors. Quantum machine learning has the potential to work more quickly and effectively than classical methods in understanding and deciphering large datasets and complex relationships. This innovation could lead to significant advancements in the healthcare sector, contributing to faster and more accurate diagnoses for patients.In this research, the effectiveness of classical and hybrid quantum machine learning methods in the detection of brain tumors is extensively explored. The study encompasses four different tumor types along with healthy brain tissues, indicating a broader spectrum of diagnostic processes. The accuracy rate of 75-79% achieved in the detection of brain tumor objects using classical machine learning reflects the current success levels in this field. In this study, both data improvements and the application of hybrid quantum machine learning methods have been observed to increase this rate to the range of 95-100%. These impressive results underscore the high levels of accuracy offered by quantum machine learning. The findings of the research are presented, and the efficiency of the proposed study is highlighted.
dc.identifier.endpage75
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHEW8Ye9srxiy-aTWGrOgQwy5ZbtgE1Zm8arPumcnZbH1
dc.identifier.urihttps://hdl.handle.net/20.500.12428/9326
dc.identifier.yoktezid848627
dc.language.isotr
dc.publisherÇanakkale Onsekiz Mart Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_Tez_20250125
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control
dc.titleKuantum teknolojiler kullanılarak makine öğrenmesi ile görüntülerden nesne tanıma
dc.title.alternativeObject recognition from images with machine learning by using quantum technologies
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu