Proje Hakkında

Bu tez projesi, iki makine öğrenimi paradigması (merkezi Derin Öğrenme ve gizlilik koruyucu Federatif Öğrenme) etrafında oluşturulmuş, UCI HAR Veri Seti (561 özellik, 6 aktivite sınıfı, 10.299 örnek) üzerinde karşılaştırmalı olarak değerlendirilen uçtan uca bir İnsan Aktivitesi Tanıma (HAR) sistemi sunmaktadır. Model Eğitimi katmanı, TensorFlow/Keras ve PyTorch kullanarak her iki mimariyi de uygular ve doğruluk, kesinlik, geri çağırma ve F1 puanı metriklerinde performans karşılaştırmalarına sahip eğitilmiş modeller üretir. Flask REST API, SOA ilkeleriyle organize edilmiş 17 uç noktayı ortaya çıkarır: rota denetleyicileri (Blueprints), özel hizmet bileşenleri (DeepLearningService, FederatedService, GradientAggregator) ve ön işleme, doğrulama ve metrik izleme için paylaşılan yardımcı programlar. Kotlin ve Jetpack Compose (MVVM) ile oluşturulan Android Mobil Uygulaması, gerçek zamanlı atalet sensörü verilerini toplar, PyTorch Mobile aracılığıyla cihaz üzerinde FL çıkarımını gerçekleştirir ve Retrofit aracılığıyla API ile iletişim kurar. Kullanıcılar tahminleri tetikleyebilir, federasyon modelini güncellemek için geri bildirim gönderebilir ve sınıflandırma geçmişini inceleyebilir.