Derin öğrenme ve transfer öğrenme yöntemleri kullanarak değişen yıldızlarda sınıflandırma
Yükleniyor...
Tarih
2024-07-07
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Değişen yıldızların sınıflandırılması, geleneksel yöntemlerle bazen zorlu bir süreç olabilir. Gökbilimcilerin, genellikle yıldızların parlaklık eğrilerini ve diğer fiziksel özelliklerini analiz ederek sınıflandırma yaptıkları süreç, zaman alıcı ve zahmetli olabilir. Transfer öğrenimi yaklaşımı, bu noktada önemli bir rol oynayabilir. Bu çalışma ile gökbilimcilerin yıldız sınıflandırması yaparken daha az sayıda veri etiketlemesi yaparak, çalışmalarını yapmalarını sağlayıp, zaman alıcı ve zahmetli bir sürecin kısaltılması amaçlanmıştır. Transfer öğrenme için bir derin sinir ağı eğitilmiş ve bu modelin performansı diğer makine öğrenmesi yöntemleriyle de karşılaştırılmıştır. Model eğitiminde kullanılan veri setleri, CoRoT hedefleri için yapılan çalışmalardan elde edilmiş veri setleridir. Bu veri setleri CoRoT hedeflerinin ışık eğrileriyle yapılan hesaplamalarından oluşur. Transfer öğrenme için eğitilen temel model metrikleri incelendiğinde doğruluk, duyarlılık, hassasiyet ve f1-skor değerlerinin %94 olduğu bulunmuştur. Değişen yıldızların sınıflandırılmasında transfer öğrenimi yaklaşımı kullanıldığında, daha önce sınıflandırılmış yıldızların bilgileri ve özellikleri yeni yıldızların sınıflandırılmasında kullanılabilir. Çalışmadan elde edilen temel modelin astronomi alanında farklı problemler ve farklı veri setleri için yeniden kullanılabilir olması ve bu alanda çalışan araştırmacılara katkı sağlaması beklenmektedir.
Classifying variable stars can sometimes be a challenging process using traditional methods. The process by which astronomers classify stars, often by analyzing their brightness curves and other physical properties, can be time-consuming and laborious. The transfer learning approach can play an important role at this point. This study aims to shorten a time-consuming and laborious process by enabling astronomers to do their work by labeling fewer data while classifying stars. A deep neural network was trained for transfer learning and the performance of this model was compared with other machine learning methods. The data sets used in model training are data sets obtained from studies conducted for CoRoT targets. These data sets consist of calculations made with the light curves of CoRoT targets. When the basic model metrics trained for transfer learning were examined, it was found that the accuracy, precision, recall and f1-score values were 94%. When transfer learning approach is used to classify variable stars, the information and properties of previously classified stars can be used to classify new stars. It is expected that the basic model obtained from the study will be reusable for different problems and different data sets in the field of astronomy and will contribute to researchers working in this field.
Classifying variable stars can sometimes be a challenging process using traditional methods. The process by which astronomers classify stars, often by analyzing their brightness curves and other physical properties, can be time-consuming and laborious. The transfer learning approach can play an important role at this point. This study aims to shorten a time-consuming and laborious process by enabling astronomers to do their work by labeling fewer data while classifying stars. A deep neural network was trained for transfer learning and the performance of this model was compared with other machine learning methods. The data sets used in model training are data sets obtained from studies conducted for CoRoT targets. These data sets consist of calculations made with the light curves of CoRoT targets. When the basic model metrics trained for transfer learning were examined, it was found that the accuracy, precision, recall and f1-score values were 94%. When transfer learning approach is used to classify variable stars, the information and properties of previously classified stars can be used to classify new stars. It is expected that the basic model obtained from the study will be reusable for different problems and different data sets in the field of astronomy and will contribute to researchers working in this field.
Açıklama
*Bu makale 2-4 Mayıs 2024 tarihleri arasında Batman Üniversitesi'nde düzenlenen Uluslararası Bilişim Kongresi'nde 2024 (IIC2024) sunulan ‘Derin Öğrenme ve Transfer Öğrenme Yöntemleri Kullanarak Değişen Yıldızlarda Sınıflandırma’ isimli bildiriden türetilmiştir.
Anahtar Kelimeler
Yapay Zekâ, Makine Öğrenmesi, Derin Öğrenme, Transfer Öğrenme, Astrofizik, Astroenformatik, Artificial Intelligence, Machine Learning, Deep Learning, Transfer Learning, Astrophysics, Astroinformatics
Kaynak
Batman Üniversitesi Yaşam Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
14
Sayı
1
Künye
Kuştaşı, E., Yağanoğlu, M. (2024). Derin öğrenme ve transfer öğrenme yöntemleri kullanarak değişen yıldızlarda sınıflandırma. Batman Üniversitesi Yaşam Bilimleri Dergisi, 14 (1), 55. 81-97. https://doi.org/10.55024/buyasambid.1501877.
