İŞARET DİLİ TANIMADA DERİN ÖĞRENME İLE İSTATİSTİKSEL YÖNTEMLERİN KARŞILAŞTIRILMASI

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: Caner Doğan

Danışman: Levent Özbek

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmada, Türk İşaret Dili tanıma alanında derin öğrenme yaklaşımlarının istatistiksel analizi ve performans karşılaştırması gerçekleştirilmiştir. Derin öğrenme modellerinin performans değerlendirmesi, hiperparametre optimizasyonu ve model seçimi süreçlerinde istatistiksel analizler kritik bir rol oynamaktadır. Bu bağlamda, Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM) ve CNN-LSTM hibrit modellerinin işaret dili tanımadaki etkinliği istatistiksel metrikler kullanılarak karşılaştırılmıştır. MediaPipe çerçevesi ile elde edilen el ve poz özellikleri üzerinden geliştirilen modeller, Aile ve Sosyal Hizmetler Bakanlığı tarafından oluşturulan ASBTSL veri kümesinden seçilen, en sık kullanılan 20 isim türü Türk İşaret Dili kategorisini içeren 9188 videodan oluşan veri seti ile eğitilmiştir. Veri seti %70 eğitim, %15 doğrulama ve %15 test olarak bölünmüştür. Modellerin performansı, olasılık teorisi ve istatistiksel çıkarım yöntemleri ışığında doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerle değerlendirilmiştir. CNN-LSTM hibrit modeli, %90,19 doğruluk oranıyla en yüksek performansı göstermiştir. Bu araştırma, derin öğrenme süreçlerinde istatistiksel analizlerin önemini vurgulamakta ve işaret dili tanıma alanındaki çalışmalara katkı sağlamaktadır. Bu alanda geliştirilecek uygulamalar için sağlam bir temel sunmaktadır.