Yazar "Ekinci, Adem" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Bebek ağlamalarının makine öğrenmesi algoritmalarıyla sınıflandırılması
    (Düzce Üniversitesi, 2023) Ekinci, Adem; Küçükkülahlı, Enver
    İnsanlar sürekli olarak birbirleriyle iletişim halindedirler ve bunu genellikle dil aracılığıyla gerçekleştirirler. Yeni doğan bir bebeğin bu beceriyi kazanana kadar kendini ifade etmek için en etkili yolu ağlamaktır. Bebek ağlamaları genellikle yetişkinler tarafından rahatsız edici ve anlamsız olarak algılanabilirken, aslında birçok bilgi içerebilirler. Bu bilgiler doğru yöntemler kullanılarak analiz edildiğinde bebeğin ağlama nedenini ortaya koyabilir. Bebeğin sağlığı ve mutluluğu için ağlama nedeninin anlaşılması çok önemlidir. Bu tez çalışmasında, bebek ağlaması sinyallerindeki bilgi ses işleme yöntemleri kullanılarak anlamlandırılmaya ve makine öğrenimi algoritmalarıyla sınıflandırılmaya çalışılmıştır. Bu doğrultuda beş ayrı sınıfa ayrılmış bebek ağlaması ses sinyalleri içeren bir veri seti kullanılmış, veri seti üzerinde verileri eşit parçalara bölme yöntemi uygulanarak her bölme işlemi için ayrı veri seti oluşturulmuştur. Daha sonra her veri seti üzerinde öznitelik çıkarma işlemleri uygulanmış ve sınıflandırma algoritmaları ile performans değerleri ölçülmüştür. Bu ölçüm sonuçları incelenmiş ve kullanılan veri artırma yöntemi ile oluşturulan veri setleri üzerinde daha yüksek performans değerleri elde edildiği görülmüştür. Kullanılan altı algoritma oluşturulan veri setleri ile modellenmiş ve en yüksek performans skoru Extreme Gradient Boosting (XGBoost) algoritması ile %99,51 olarak bulunmuştur.
  • Küçük Resim Yok
    Öğe
    Classification of Baby Cries Using Machine Learning Algorithms
    (Ağrı İbrahim Çeçen University, 2023) Ekinci, Adem; Küçükkülahlı, Enver
    People are constantly engaged in communication with each other, and they mostly do so through language. The most effective form of communication for a newborn baby until they acquire this skill is crying. Although baby cries are often perceived as bothersome by adult individuals, they can contain a wealth of information. In this study, our goal is to interpret the information embedded in baby cry audio signals using sound processing methods and classify them using machine learning algorithms. To achieve this objective, we utilized a dataset consisting of baby cry audio signals divided into five distinct classes. Feature extraction operations were applied to the dataset, and performance metrics were measured using classification algorithms. Subsequently, to examine the impact of data augmentation on performance metrics, the data was partitioned into equal segments. The changes in performance metrics were analyzed based on the applied data augmentation technique, and it was determined that the employed method enhanced the classification accuracy.