Derin Öğrenme ve Makine Öğrenmesi Algoritmaları Karşılaştırması

Bahis Konusu:

Bu raporda, 2024 ve 2025 yıllarında yayımlanmış iki güncel çalışmanın incelemesi yapılmıştır. Her iki çalışma da açık erişimli olup, derin öğrenme algoritmalarının performanslarını değerlendirmeye yöneliktir.

İçerik ve Detaylar

TabM: Advancing Tabular Deep Learning

TabM modeli, tabular veri üzerinde çalışan derin öğrenme modellerinde yeni bir yaklaşımdır. Parametre verimliliği sağlayarak daha az kaynakla yüksek doğruluk hedeflenmiştir.

Gradient-Based Multi-Objective Deep Learning

Bu çalışmada çok amaçlı derin öğrenme problemleri ele alınmıştır. Yeni gradyan tabanlı yaklaşımlar geliştirilerek, birden çok hedefin aynı anda optimize edilmesi hedeflenmiştir.

Veri Setleri

TabM çalışması, UCI ML Repository ve Kaggle’daki tabular veri setlerini kullanırken, diğer çalışma CIFAR-10 ve sağlık verileri gibi görsel ve tıbbi veri setlerine odaklanmıştır.

Kullanılan Algoritmalar ve Hiperparametreler

TabM modeli ensemble MLP mimarisine dayalıdır. Öğrenme oranı, aktivasyon fonksiyonu gibi parametreler test edilmiştir. MOO çalışmasında ise MGDA ve Pareto-aware optimizasyon teknikleri kullanılmıştır.

Performans ve Sonuçlar

Her iki çalışma da önceki yöntemlerden daha iyi performans göstermiştir. TabM %90'ın üzerinde doğruluk sunarken, MOO ise çok görevli yapılarda belirgin performans artışı sağlamıştır.

Sonuç ve Tartışma

Bu iki makale, derin öğrenmenin farklı alanlarında önemli katkılar sunmaktadır. Açık erişimli yapıları sayesinde araştırmacılara referans olabilecek niteliktedir.

Kaynakça

Gorishniy, Y., Kotelnikov, A., & Babenko, A. (2024). TabM: Advancing Tabular Deep Learning. arXiv:2310.03317.

Gradient-Based Multi-Objective Deep Learning. (2025). arXiv:2401.11307.