Buradasın
Zaman Serilerinde Anormalliklerin Doğru Öğrenmeyle Tespiti Projesi Sunumu
youtube.com/watch?v=3L9lqWzp3asYapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Gebze Teknik Üniversitesi Bilgisayar Mühendisliği 4. sınıf öğrencisi Berat Ömer Beyaz'ın 1495 bitirme projesinde yaptığı "Zaman Serilerinde Anormalliklerin Doğru Öğrenmeyle Tespiti" projesinin sunumudur.
- Sunumda, zaman serilerinden oluşan veri setlerinde anormalliklerin tespit edilmesi için LSD Autoencoder modelinin nasıl kullanıldığı anlatılmaktadır. Proje beş basit adımda gerçekleştirilmiştir: veri seti belirlenmesi, anormallik anlanması, güven aralığı belirlenmesi, anormallik tespiti ve anormallik ispatlanması. Berat, üç farklı firmanın verilerini kullanarak (Yahoo Finans, Enerji Bilgi Yönetimi İdaresi API servisleri ve Numenta Anomali Benchmark) modeli eğitip, anormallikleri tespit etme sürecini detaylı olarak açıklamaktadır.
- Proje Tanıtımı
- Berat Ömer Beyaz, Gebze Teknik Üniversitesi Bilgisayar Mühendisliği 4. sınıf öğrencisi olarak 1495 bitirme projesinde zaman serilerinde anormalliklerin doğru öğrenmeyle tespiti projesini anlatacak.
- Proje, zaman serilerinden oluşan veri setlerinde istenilen veriler üzerinde anormallik tespiti yaparak, güven eşiğinin dışına çıkan verileri anormallik olarak tespit eder.
- Projenin amacı, veriler üzerindeki anormallikleri tespit ederek ilerde problem çıkarmasını önlemektir; örneğin borsa verilerinde kar elde etmek veya güvenlik verilerinde güvenlik açıklarını kapatmak için kullanılabilir.
- 00:54Projenin Adımları ve Veri Kümeleri
- Proje beş basit adımda gerçekleştirilir: veri seti belirlenir, anormallik anlanır, güven aralığı belirlenir, anormallik tespit edilir ve anormallik ispatlanır.
- Veri kümeleri olarak Yahoo Finans'tan firmaların borsadaki verileri, Enerji Bilgi Yönetimi İdaresi API servisleri üzerinden elektrik ve gaz firmalarının verileri, Numenta Anomali Benchmark veri kümesi kullanılmıştır.
- Derin öğrenme modeli seçiminde literatür taramaları sonucu LSDN veya autoencoder modelleri kullanılmış, son dönemlerde ise ikisinin kombine edilmiş hali olan LSD Autoencoder modeli tercih edilmiştir.
- 02:02Proje Tasarım Planı ve Veri Görselleştirme
- Proje tasarım planında öncelikle veriler temizlenip görselleştirilerek istenilen veri seti oluşturulur, ardından LSD Autoencoder modelinin optimal parametreleri belirlenerek model oluşturulur ve eğitilir.
- Veriler üç farklı şekilde görselleştirilmiştir: geçmişten günümüze olan veriler gözlemlenebilir, histogram ve kutu grafiğiyle de görselleştirmeler pekiştirilmiştir.
- Anormallik eşiğinin hesaplanması için ortama mutlak hata (Minnabsd error) hesabından yardım alınmıştır; bu değer eğitim verileri üzerinde hesaplanarak en yüksek değer eşik değeri olarak belirlenmiştir.
- 03:25Anormallik Tespiti ve Raporlama
- Anormalliğin hangi tarihlerde oluştuğu, hangi eşik ve kayıp değerlerine sahip olduğu ve hangi verinin anormalliğini tespit ettiği kullanıcıya raporlanır.
- Bu sayede kullanıcılar yazılı halde de hangi anormalliklerin hangi tarihlerde ve hangi veri üzerinde gerçekleştiğini gözlemleyebilirler.
- Son adım olarak anormallikler görselleştirilerek kullanıcıya hangi tarihlerde anormallik oluştuğu gösterilir.