Theses supervised by Doç. Dr. Ahmet Murat Özbayoğlu
14 theses · TOBB Economics and Technology University
Yapay öğrenme ile yazılım test eforu kestirimi
Yazılım Test dünyasındaki en önemli problemlerden bir tanesi yazılım test planları oluşturulurken test eforunun net bir şekilde belirlenememesidir. Projelerdeki yazılım test işçiliği için ayırılması gereken süre ve kaynak ihtiyacının doğru bir şekilde belirlenebilmesi, proje takvimlerinin oluşturulabilmesi ve kaynakların verimli bir şekilde kullanılabilmesi için önem arz etmektedir. Bu çalışmada yapay öğrenme algoritmaları kullanarak yazılım test eforu tahmini üzerine çeşitli yapay öğrenme modelleri önerilmiştir. Önerilen metot ile ASELSAN A.Ş. bünyesinde geliştirilen, Komuta Kontrol Kullanıcı Arayüzü Yazılımları ve Gömülü ve Gerçek Zamanlı Yazılımları doğrulamak için harcanan test eforu analiz edilerek, ileride yapılması planlanan test aktiviteleri için etkin bir test eforu tahmini yapılmaktadır. Yapılan test eforu tahminleri, şu anda kullanılmakta olan geleneksel yöntemler ile karşılaştırılarak önerilen yöntemin başarı değerlendirmesi de yapılmıştır.
Derin öğrenme ile çizge zaman serilerinin analizi
Zaman serileri bir nesnenin zamansal değişimini anlamak için kullanılır. Finans, enerji sektörü, trafik gibi çeşitli alanlarda zaman serileri ile karşılaşılmaktadır. Ayrıca anomali tespiti, davranış tanıma gibi birçok problem, zaman serisi problemi olarak modellenebilir. Bu yüzden gerçek hayatta sıkça karşılaşılan zaman serilerinin analizi büyük öneme sahiptir. Dolayısıyla, zaman serisi problemleri yaygın bir şekilde araştırılmakta ve çözülmeye çalışılmaktadır. Çizgeler ise nesneler arası ilişkileri analiz etmek için kullanılır. Bazı zor problemler, problem verisi çizge olarak analiz edildiği zaman daha iyi anlaşılabilir. Bu yüzden çizge problemleri de literatürde önemli bir yer sahiptir. Zaman serileri ve çizgeler problemin farklı yönlerini anlama imkânı sunarlar. Bu yüzden, literatürde zaman serilerini çizgeler ile birleştirerek daha iyi modelleme yapan çalışmalar mevcuttur. Bu yöntem finans alanında bazı çalışmalarda uygulanmaktadır. Bu tez çalışmasında, finansal tahmin problemi için derin öğrenme yöntemleri ile çizge serisi analizi yapılmıştır. Bunun için öncelikle DOW 30 borsası bir çizge olarak temsil edilmiştir. Sonrasında farklı zaman anlarındaki çizgeler sıralanarak çizge serisi oluşturulmuştur. Elde edilen seri ile yapay sinir ağı eğitilerek hisselerin değişim miktarı tahmini yapılmıştır. Tahmin edilen değişim miktarına göre ana paradan günlük al/sat stratejisi uygulanarak yatırım yapılmıştır. Bunun sonucunda yıllık getiri yüzde olarak hesaplanmıştır. Araştırma sonucunda, sadece zaman serisi kullanılarak geliştirilen derin öğrenme modellerine kıyasla daha yüksek ortalama yıllık getiri kazanılmış olup çizge serisi kullanmanın finansal tahmini ciddi ölçüde iyileştirdiği bir başka deyişle zaman serisi ile yakalanamayacak çıkarımların yapılabildiği sonucuna varılmıştır. Tez çalışmasında, birden çok yöntemle çizge serisi oluşturulmuştur. Farklı çizgelerle eğitilen derin öğrenme modelleri ile benzer ortalama yıllık getiri elde edilmiştir. Böylece, çizge serisi elde etme yönteminin güçlü (robust) ve kararlı (stable) bir yöntem olduğu gösterilmiştir. Ayrıca eğitilen derin öğrenme modellerinin çıktılarından en çok artan hisse tahminin yapan bir kolektif model eğitilmiştir. Nihai model ile ortalama yıllık %26,68 kazanç elde edilmiştir. Bu yöntemin literatürdeki temel yöntemlerin yanı sıra çeşitli açgözlü (greedy) algoritmadan da daha yüksek getiri sağladığı gösterilmiştir. Sonuç olarak geliştirilen kolektif model, gerçek hayatta günlük al/sat stratejisi için kullanılabilecek bir yöntem olarak önerilmiştir.
Derin öğrenme ile çizge zaman serilerinin analizi
Zaman serileri bir nesnenin zamansal değişimini anlamak için kullanılır. Finans, enerji sektörü, trafik gibi çeşitli alanlarda zaman serileri ile karşılaşılmaktadır. Ayrıca anomali tespiti, davranış tanıma gibi birçok problem, zaman serisi problemi olarak modellenebilir. Bu yüzden gerçek hayatta sıkça karşılaşılan zaman serilerinin analizi büyük öneme sahiptir. Dolayısıyla, zaman serisi problemleri yaygın bir şekilde araştırılmakta ve çözülmeye çalışılmaktadır. Çizgeler ise nesneler arası ilişkileri analiz etmek için kullanılır. Bazı zor problemler, problem verisi çizge olarak analiz edildiği zaman daha iyi anlaşılabilir. Bu yüzden çizge problemleri de literatürde önemli bir yer sahiptir. Zaman serileri ve çizgeler problemin farklı yönlerini anlama imkânı sunarlar. Bu yüzden, literatürde zaman serilerini çizgeler ile birleştirerek daha iyi modelleme yapan çalışmalar mevcuttur. Bu yöntem finans alanında bazı çalışmalarda uygulanmaktadır. Bu tez çalışmasında, finansal tahmin problemi için derin öğrenme yöntemleri ile çizge serisi analizi yapılmıştır. Bunun için öncelikle DOW 30 borsası bir çizge olarak temsil edilmiştir. Sonrasında farklı zaman anlarındaki çizgeler sıralanarak çizge serisi oluşturulmuştur. Elde edilen seri ile yapay sinir ağı eğitilerek hisselerin değişim miktarı tahmini yapılmıştır. Tahmin edilen değişim miktarına göre ana paradan günlük al/sat stratejisi uygulanarak yatırım yapılmıştır. Bunun sonucunda yıllık getiri yüzde olarak hesaplanmıştır. Araştırma sonucunda, sadece zaman serisi kullanılarak geliştirilen derin öğrenme modellerine kıyasla daha yüksek ortalama yıllık getiri kazanılmış olup çizge serisi kullanmanın finansal tahmini ciddi ölçüde iyileştirdiği bir başka deyişle zaman serisi ile yakalanamayacak çıkarımların yapılabildiği sonucuna varılmıştır. Tez çalışmasında, birden çok yöntemle çizge serisi oluşturulmuştur. Farklı çizgelerle eğitilen derin öğrenme modelleri ile benzer ortalama yıllık getiri elde edilmiştir. Böylece, çizge serisi elde etme yönteminin güçlü (robust) ve kararlı (stable) bir yöntem olduğu gösterilmiştir. Ayrıca eğitilen derin öğrenme modellerinin çıktılarından en çok artan hisse tahminin yapan bir kolektif model eğitilmiştir. Nihai model ile ortalama yıllık %26,68 kazanç elde edilmiştir. Bu yöntemin literatürdeki temel yöntemlerin yanı sıra çeşitli açgözlü (greedy) algoritmadan da daha yüksek getiri sağladığı gösterilmiştir. Sonuç olarak geliştirilen kolektif model, gerçek hayatta günlük al/sat stratejisi için kullanılabilecek bir yöntem olarak önerilmiştir.
Derin öğrenme ile çizge zaman serilerinin analizi
Zaman serileri bir nesnenin zamansal değişimini anlamak için kullanılır. Finans, enerji sektörü, trafik gibi çeşitli alanlarda zaman serileri ile karşılaşılmaktadır. Ayrıca anomali tespiti, davranış tanıma gibi birçok problem, zaman serisi problemi olarak modellenebilir. Bu yüzden gerçek hayatta sıkça karşılaşılan zaman serilerinin analizi büyük öneme sahiptir. Dolayısıyla, zaman serisi problemleri yaygın bir şekilde araştırılmakta ve çözülmeye çalışılmaktadır. Çizgeler ise nesneler arası ilişkileri analiz etmek için kullanılır. Bazı zor problemler, problem verisi çizge olarak analiz edildiği zaman daha iyi anlaşılabilir. Bu yüzden çizge problemleri de literatürde önemli bir yer sahiptir. Zaman serileri ve çizgeler problemin farklı yönlerini anlama imkânı sunarlar. Bu yüzden, literatürde zaman serilerini çizgeler ile birleştirerek daha iyi modelleme yapan çalışmalar mevcuttur. Bu yöntem finans alanında bazı çalışmalarda uygulanmaktadır. Bu tez çalışmasında, finansal tahmin problemi için derin öğrenme yöntemleri ile çizge serisi analizi yapılmıştır. Bunun için öncelikle DOW 30 borsası bir çizge olarak temsil edilmiştir. Sonrasında farklı zaman anlarındaki çizgeler sıralanarak çizge serisi oluşturulmuştur. Elde edilen seri ile yapay sinir ağı eğitilerek hisselerin değişim miktarı tahmini yapılmıştır. Tahmin edilen değişim miktarına göre ana paradan günlük al/sat stratejisi uygulanarak yatırım yapılmıştır. Bunun sonucunda yıllık getiri yüzde olarak hesaplanmıştır. Araştırma sonucunda, sadece zaman serisi kullanılarak geliştirilen derin öğrenme modellerine kıyasla daha yüksek ortalama yıllık getiri kazanılmış olup çizge serisi kullanmanın finansal tahmini ciddi ölçüde iyileştirdiği bir başka deyişle zaman serisi ile yakalanamayacak çıkarımların yapılabildiği sonucuna varılmıştır. Tez çalışmasında, birden çok yöntemle çizge serisi oluşturulmuştur. Farklı çizgelerle eğitilen derin öğrenme modelleri ile benzer ortalama yıllık getiri elde edilmiştir. Böylece, çizge serisi elde etme yönteminin güçlü (robust) ve kararlı (stable) bir yöntem olduğu gösterilmiştir. Ayrıca eğitilen derin öğrenme modellerinin çıktılarından en çok artan hisse tahminin yapan bir kolektif model eğitilmiştir. Nihai model ile ortalama yıllık %26,68 kazanç elde edilmiştir. Bu yöntemin literatürdeki temel yöntemlerin yanı sıra çeşitli açgözlü (greedy) algoritmadan da daha yüksek getiri sağladığı gösterilmiştir. Sonuç olarak geliştirilen kolektif model, gerçek hayatta günlük al/sat stratejisi için kullanılabilecek bir yöntem olarak önerilmiştir.
Yer gözlem uydu operasyonları için JPEG 2000 kod çözücü performans optimizasyonu
Yüksek sıkıştırma performansı, bit hatalarına karşı dayanımı ve kayıpsız modun yanısıra esnek kayıplı modları desteklemesi nedeniyle JPEG 2000, uydu görüntü işleme, uzaktan algılama ve diğer birçok alanda sıklıkla kullanılan bir görüntü sıkıştırma standardıdır. Kamera ve haberleşme teknolojisinin gelişmesiyle birlikte yer gözlem uydu görüntülerinin çözünürlükleri ve indirme hızları gün geçtikçe artmaktadır. Dolayısıyla JPEG 2000 kod çözme dahil olmak üzere, uydu operasyonu dahilindeki tüm görüntü işleme aşamalarının eş zamanlı olarak hızlandırılması büyük önem arz etmektedir. Literatürde JPEG 2000 kod çözme işleminin GPU'da hızlandırılmasına dair, yer gözlem uydu operasyonlarına doğrudan uyarlanabilecek çalışmalar yetersiz kalmaktadır. Bu çalışmada, öncelikli olarak JPEG 2000 kod çözücünün GPU'da CUDA optimizasyon yöntemleriyle hızlandırılması konu alınmıştır. Buna ek olarak, GPU ve CPU işlemcilerin birlikte tam verimlilikte kullanıldığı bir hibrit kod çözücü tasarımı önerilmiştir. Son olarak, homojen düğümlerden oluşan, esnek ve ölçeklenebilir bir dağıtık JPEG 2000 kod çözücü mimarisi tasarlanmıştır. Bu çalışmanın, uydu görüntü işleme sürecindeki diğer aşamaların hızlandırılmasına yönelik gelecek çalışmalar için faydalı bir referans ve perspektif kazandıracağı öngörülmektedir.
Yer gözlem uydu operasyonları için JPEG 2000 kod çözücü performans optimizasyonu
Yüksek sıkıştırma performansı, bit hatalarına karşı dayanımı ve kayıpsız modun yanısıra esnek kayıplı modları desteklemesi nedeniyle JPEG 2000, uydu görüntü işleme, uzaktan algılama ve diğer birçok alanda sıklıkla kullanılan bir görüntü sıkıştırma standardıdır. Kamera ve haberleşme teknolojisinin gelişmesiyle birlikte yer gözlem uydu görüntülerinin çözünürlükleri ve indirme hızları gün geçtikçe artmaktadır. Dolayısıyla JPEG 2000 kod çözme dahil olmak üzere, uydu operasyonu dahilindeki tüm görüntü işleme aşamalarının eş zamanlı olarak hızlandırılması büyük önem arz etmektedir. Literatürde JPEG 2000 kod çözme işleminin GPU'da hızlandırılmasına dair, yer gözlem uydu operasyonlarına doğrudan uyarlanabilecek çalışmalar yetersiz kalmaktadır. Bu çalışmada, öncelikli olarak JPEG 2000 kod çözücünün GPU'da CUDA optimizasyon yöntemleriyle hızlandırılması konu alınmıştır. Buna ek olarak, GPU ve CPU işlemcilerin birlikte tam verimlilikte kullanıldığı bir hibrit kod çözücü tasarımı önerilmiştir. Son olarak, homojen düğümlerden oluşan, esnek ve ölçeklenebilir bir dağıtık JPEG 2000 kod çözücü mimarisi tasarlanmıştır. Bu çalışmanın, uydu görüntü işleme sürecindeki diğer aşamaların hızlandırılmasına yönelik gelecek çalışmalar için faydalı bir referans ve perspektif kazandıracağı öngörülmektedir.
Yer gözlem uydu operasyonları için JPEG 2000 kod çözücü performans optimizasyonu
Yüksek sıkıştırma performansı, bit hatalarına karşı dayanımı ve kayıpsız modun yanısıra esnek kayıplı modları desteklemesi nedeniyle JPEG 2000, uydu görüntü işleme, uzaktan algılama ve diğer birçok alanda sıklıkla kullanılan bir görüntü sıkıştırma standardıdır. Kamera ve haberleşme teknolojisinin gelişmesiyle birlikte yer gözlem uydu görüntülerinin çözünürlükleri ve indirme hızları gün geçtikçe artmaktadır. Dolayısıyla JPEG 2000 kod çözme dahil olmak üzere, uydu operasyonu dahilindeki tüm görüntü işleme aşamalarının eş zamanlı olarak hızlandırılması büyük önem arz etmektedir. Literatürde JPEG 2000 kod çözme işleminin GPU'da hızlandırılmasına dair, yer gözlem uydu operasyonlarına doğrudan uyarlanabilecek çalışmalar yetersiz kalmaktadır. Bu çalışmada, öncelikli olarak JPEG 2000 kod çözücünün GPU'da CUDA optimizasyon yöntemleriyle hızlandırılması konu alınmıştır. Buna ek olarak, GPU ve CPU işlemcilerin birlikte tam verimlilikte kullanıldığı bir hibrit kod çözücü tasarımı önerilmiştir. Son olarak, homojen düğümlerden oluşan, esnek ve ölçeklenebilir bir dağıtık JPEG 2000 kod çözücü mimarisi tasarlanmıştır. Bu çalışmanın, uydu görüntü işleme sürecindeki diğer aşamaların hızlandırılmasına yönelik gelecek çalışmalar için faydalı bir referans ve perspektif kazandıracağı öngörülmektedir.
Zaman serisi analiz ve tahmini: Derin öğrenme yaklaşımı
Günlük hayatta, oldukça fazla problem, zaman serisi verileri içermektedir. Zaman serisi verilerinin analizini veya gelecek değer tahminlerini iyi bir şekilde yapabilmek, bu problemlerin çözümü için çok önemlidir. Çeşitli istatistiksel analiz, matematiksel analiz, sinyal işleme, makine öğrenmesi ve onun alt alanı olan derin öğrenme yöntemleri, zaman serisi verilerini analiz etmek ve gelecek tahmini yapabilmek için kullanılmaktadırlar. Özellikle, son yıllarda popülaritesi giderek artan derin öğrenme yöntemleri, karmaşık zaman serisi problemlerinin çözümünde, geleneksel yöntemlere göre daha başarılı olmuş ve kullanımları hızla artmıştır. Ancak, bahsedilen analiz ve tahminlere, baştan sona nasıl yaklaşılacağını, hangi modellerin kullanılması gerektiğini, seçilen modelin nasıl kullanılacağını ve veri setinin nasıl hazırlanması gerektiğini, bütün bir şekilde ele alan çalışmalara literatürde pek rastlanmamıştır. Önerilen tez ile, çeşitli zaman serisi problemleri incelenmiş ve yaklaşımlar anlatılmıştır. Durum denetlemeli-LSTM ve durum denetlemesiz-LSTM karşılaştırması yapılmış, basit problemler üzerinde analizleri yapılmış, iç yapıları incelenmiş, bir hanenin elektrik üretim ve tüketim miktarları tahmin edilerek, hanedeki bataryanın optimizasyonu yapılmıştır. Batarya optimizasyonu yapıldığında, optimum sonuca %99 oranında yakınsanmış ve 3-zamanlı elektrik fiyat tarifesi kullanımı ile yüksek oranda kar sağlanmıştır. Bunun dışında, CNN ile finans verisi üzerinden hesaplanan teknik analiz özniteliklerinin yardımı ile gelecek değer tahmini yapılmıştır. Bu tahmin yapılırken, CNN modelinin girdileri olacak olan teknik indikatörlerin 2D resim şeklinde dönüştürülmesi çalışılmamış bir konudur. 2D resim oluşturulurken kullanılan dendrogram kümeleme algoritması bir eksende korelasyonu sağlamış, diğer eksende zaman serisinin otokorelasyonundan faydalanılmıştır. Geliştirilen model, zaman serisi verisine uygun dönüşümler uygulandığında, eğitilebilmiş ve başarılı sonuçlar çıkarmıştır. Finans verisine uygulanan dönüşümler, farklı alanlardaki zaman serisi verilerine de uygulanabilir olduğu için, farklı mimarideki modeller de kullanışlı duruma geçmişlerdir.
Zaman serisi analiz ve tahmini: Derin öğrenme yaklaşımı
Günlük hayatta, oldukça fazla problem, zaman serisi verileri içermektedir. Zaman serisi verilerinin analizini veya gelecek değer tahminlerini iyi bir şekilde yapabilmek, bu problemlerin çözümü için çok önemlidir. Çeşitli istatistiksel analiz, matematiksel analiz, sinyal işleme, makine öğrenmesi ve onun alt alanı olan derin öğrenme yöntemleri, zaman serisi verilerini analiz etmek ve gelecek tahmini yapabilmek için kullanılmaktadırlar. Özellikle, son yıllarda popülaritesi giderek artan derin öğrenme yöntemleri, karmaşık zaman serisi problemlerinin çözümünde, geleneksel yöntemlere göre daha başarılı olmuş ve kullanımları hızla artmıştır. Ancak, bahsedilen analiz ve tahminlere, baştan sona nasıl yaklaşılacağını, hangi modellerin kullanılması gerektiğini, seçilen modelin nasıl kullanılacağını ve veri setinin nasıl hazırlanması gerektiğini, bütün bir şekilde ele alan çalışmalara literatürde pek rastlanmamıştır. Önerilen tez ile, çeşitli zaman serisi problemleri incelenmiş ve yaklaşımlar anlatılmıştır. Durum denetlemeli-LSTM ve durum denetlemesiz-LSTM karşılaştırması yapılmış, basit problemler üzerinde analizleri yapılmış, iç yapıları incelenmiş, bir hanenin elektrik üretim ve tüketim miktarları tahmin edilerek, hanedeki bataryanın optimizasyonu yapılmıştır. Batarya optimizasyonu yapıldığında, optimum sonuca %99 oranında yakınsanmış ve 3-zamanlı elektrik fiyat tarifesi kullanımı ile yüksek oranda kar sağlanmıştır. Bunun dışında, CNN ile finans verisi üzerinden hesaplanan teknik analiz özniteliklerinin yardımı ile gelecek değer tahmini yapılmıştır. Bu tahmin yapılırken, CNN modelinin girdileri olacak olan teknik indikatörlerin 2D resim şeklinde dönüştürülmesi çalışılmamış bir konudur. 2D resim oluşturulurken kullanılan dendrogram kümeleme algoritması bir eksende korelasyonu sağlamış, diğer eksende zaman serisinin otokorelasyonundan faydalanılmıştır. Geliştirilen model, zaman serisi verisine uygun dönüşümler uygulandığında, eğitilebilmiş ve başarılı sonuçlar çıkarmıştır. Finans verisine uygulanan dönüşümler, farklı alanlardaki zaman serisi verilerine de uygulanabilir olduğu için, farklı mimarideki modeller de kullanışlı duruma geçmişlerdir.
Zaman serisi analiz ve tahmini: Derin öğrenme yaklaşımı
Günlük hayatta, oldukça fazla problem, zaman serisi verileri içermektedir. Zaman serisi verilerinin analizini veya gelecek değer tahminlerini iyi bir şekilde yapabilmek, bu problemlerin çözümü için çok önemlidir. Çeşitli istatistiksel analiz, matematiksel analiz, sinyal işleme, makine öğrenmesi ve onun alt alanı olan derin öğrenme yöntemleri, zaman serisi verilerini analiz etmek ve gelecek tahmini yapabilmek için kullanılmaktadırlar. Özellikle, son yıllarda popülaritesi giderek artan derin öğrenme yöntemleri, karmaşık zaman serisi problemlerinin çözümünde, geleneksel yöntemlere göre daha başarılı olmuş ve kullanımları hızla artmıştır. Ancak, bahsedilen analiz ve tahminlere, baştan sona nasıl yaklaşılacağını, hangi modellerin kullanılması gerektiğini, seçilen modelin nasıl kullanılacağını ve veri setinin nasıl hazırlanması gerektiğini, bütün bir şekilde ele alan çalışmalara literatürde pek rastlanmamıştır. Önerilen tez ile, çeşitli zaman serisi problemleri incelenmiş ve yaklaşımlar anlatılmıştır. Durum denetlemeli-LSTM ve durum denetlemesiz-LSTM karşılaştırması yapılmış, basit problemler üzerinde analizleri yapılmış, iç yapıları incelenmiş, bir hanenin elektrik üretim ve tüketim miktarları tahmin edilerek, hanedeki bataryanın optimizasyonu yapılmıştır. Batarya optimizasyonu yapıldığında, optimum sonuca %99 oranında yakınsanmış ve 3-zamanlı elektrik fiyat tarifesi kullanımı ile yüksek oranda kar sağlanmıştır. Bunun dışında, CNN ile finans verisi üzerinden hesaplanan teknik analiz özniteliklerinin yardımı ile gelecek değer tahmini yapılmıştır. Bu tahmin yapılırken, CNN modelinin girdileri olacak olan teknik indikatörlerin 2D resim şeklinde dönüştürülmesi çalışılmamış bir konudur. 2D resim oluşturulurken kullanılan dendrogram kümeleme algoritması bir eksende korelasyonu sağlamış, diğer eksende zaman serisinin otokorelasyonundan faydalanılmıştır. Geliştirilen model, zaman serisi verisine uygun dönüşümler uygulandığında, eğitilebilmiş ve başarılı sonuçlar çıkarmıştır. Finans verisine uygulanan dönüşümler, farklı alanlardaki zaman serisi verilerine de uygulanabilir olduğu için, farklı mimarideki modeller de kullanışlı duruma geçmişlerdir.
MIS-IOT: Modüler akıllı sunucu tabanlı nesnelerin interneti platform yazılımı
Bu tezde, modüler ve açık kaynak olarak geliştirilen bir nesnelerin interneti platformu anlatılmaktadır. Platform arayüz modülü, kümelenmiş sunucu modülü ve öğrenme modülü olmak üzere üç ayrı modül olarak tasarlanmıştır. Platform modüler bir yapıda tasarlandığından, platforma yeni özellikler eklemek ve mevcut özelliklerin bakımını yapmak daha kolaydır. Her modül farklı bir bilgisayar sunucusu üzerine kurulabilir ve birbirleriyle REST mimarisini kullanarak haberleşir. Arayüz modülü tüm platform özelliklerinin arayüz üzerinden kullanılabilmesine imkan tanır ve daha iyi bir kullanıcı deneyimi sunmaktadır. Sunucu modülü platformun sunduğu tüm özelliklerin yönetiminden sorumludur. Öğrenme modülü zaman serisi üzerinde LSTM algoritmasını kullanarak anomali analizi yapar. Kullanıcı CSV(Comma Separated Values) formatındaki dosyayı sisteme yükleyebilir. Buna ek olarak, herhangi bir port üzerinde soket veya REST bağlantısı oluşturarak platformun veriyi bu kaynaklardan dinlemesini sağlayabilir. Herhangi bir port üzerindeki veri akışı platform üzerinden arayüz modülü vasıtasıyla takip edilebilir. Platforma veri yüklendikten sonra, öğrenme görevleri oluşturulabilir. Platform veriyle oluşturulan görev, verisiz oluşturulan görev ve LSTM görevi olmak üzere üç farklı görev tipini desteklemektedir. Veriyle oluşturulan görev tipinde, platformda bulunan veri spesifik kriterlerle daraltılıp, istenilen Python betiğine argüman olarak verilebilir. Verisiz oluşturulan görev tipinde, herhangi bir platform verisi kullanılmadan betik doğrudan çalıştırılır. LSTM görevinde ise, çeşitli LSTM parametreleri ve spesifik bir veri kullanılarak görev oluşturulabilir. Bu seçenekte ayrıca, veri seti üzerinde anomali analizi yapılır ve analiz sonuçları arayüz modülünde grafiksel olarak görüntülenebilir.
MIS-IOT: Modüler akıllı sunucu tabanlı nesnelerin interneti platform yazılımı
Bu tezde, modüler ve açık kaynak olarak geliştirilen bir nesnelerin interneti platformu anlatılmaktadır. Platform arayüz modülü, kümelenmiş sunucu modülü ve öğrenme modülü olmak üzere üç ayrı modül olarak tasarlanmıştır. Platform modüler bir yapıda tasarlandığından, platforma yeni özellikler eklemek ve mevcut özelliklerin bakımını yapmak daha kolaydır. Her modül farklı bir bilgisayar sunucusu üzerine kurulabilir ve birbirleriyle REST mimarisini kullanarak haberleşir. Arayüz modülü tüm platform özelliklerinin arayüz üzerinden kullanılabilmesine imkan tanır ve daha iyi bir kullanıcı deneyimi sunmaktadır. Sunucu modülü platformun sunduğu tüm özelliklerin yönetiminden sorumludur. Öğrenme modülü zaman serisi üzerinde LSTM algoritmasını kullanarak anomali analizi yapar. Kullanıcı CSV(Comma Separated Values) formatındaki dosyayı sisteme yükleyebilir. Buna ek olarak, herhangi bir port üzerinde soket veya REST bağlantısı oluşturarak platformun veriyi bu kaynaklardan dinlemesini sağlayabilir. Herhangi bir port üzerindeki veri akışı platform üzerinden arayüz modülü vasıtasıyla takip edilebilir. Platforma veri yüklendikten sonra, öğrenme görevleri oluşturulabilir. Platform veriyle oluşturulan görev, verisiz oluşturulan görev ve LSTM görevi olmak üzere üç farklı görev tipini desteklemektedir. Veriyle oluşturulan görev tipinde, platformda bulunan veri spesifik kriterlerle daraltılıp, istenilen Python betiğine argüman olarak verilebilir. Verisiz oluşturulan görev tipinde, herhangi bir platform verisi kullanılmadan betik doğrudan çalıştırılır. LSTM görevinde ise, çeşitli LSTM parametreleri ve spesifik bir veri kullanılarak görev oluşturulabilir. Bu seçenekte ayrıca, veri seti üzerinde anomali analizi yapılır ve analiz sonuçları arayüz modülünde grafiksel olarak görüntülenebilir.
MIS-IOT: Modüler akıllı sunucu tabanlı nesnelerin interneti platform yazılımı
Bu tezde, modüler ve açık kaynak olarak geliştirilen bir nesnelerin interneti platformu anlatılmaktadır. Platform arayüz modülü, kümelenmiş sunucu modülü ve öğrenme modülü olmak üzere üç ayrı modül olarak tasarlanmıştır. Platform modüler bir yapıda tasarlandığından, platforma yeni özellikler eklemek ve mevcut özelliklerin bakımını yapmak daha kolaydır. Her modül farklı bir bilgisayar sunucusu üzerine kurulabilir ve birbirleriyle REST mimarisini kullanarak haberleşir. Arayüz modülü tüm platform özelliklerinin arayüz üzerinden kullanılabilmesine imkan tanır ve daha iyi bir kullanıcı deneyimi sunmaktadır. Sunucu modülü platformun sunduğu tüm özelliklerin yönetiminden sorumludur. Öğrenme modülü zaman serisi üzerinde LSTM algoritmasını kullanarak anomali analizi yapar. Kullanıcı CSV(Comma Separated Values) formatındaki dosyayı sisteme yükleyebilir. Buna ek olarak, herhangi bir port üzerinde soket veya REST bağlantısı oluşturarak platformun veriyi bu kaynaklardan dinlemesini sağlayabilir. Herhangi bir port üzerindeki veri akışı platform üzerinden arayüz modülü vasıtasıyla takip edilebilir. Platforma veri yüklendikten sonra, öğrenme görevleri oluşturulabilir. Platform veriyle oluşturulan görev, verisiz oluşturulan görev ve LSTM görevi olmak üzere üç farklı görev tipini desteklemektedir. Veriyle oluşturulan görev tipinde, platformda bulunan veri spesifik kriterlerle daraltılıp, istenilen Python betiğine argüman olarak verilebilir. Verisiz oluşturulan görev tipinde, herhangi bir platform verisi kullanılmadan betik doğrudan çalıştırılır. LSTM görevinde ise, çeşitli LSTM parametreleri ve spesifik bir veri kullanılarak görev oluşturulabilir. Bu seçenekte ayrıca, veri seti üzerinde anomali analizi yapılır ve analiz sonuçları arayüz modülünde grafiksel olarak görüntülenebilir.
Yapay öğrenme ile yazılım test eforu kestirimi
Yazılım Test dünyasındaki en önemli problemlerden bir tanesi yazılım test planları oluşturulurken test eforunun net bir şekilde belirlenememesidir. Projelerdeki yazılım test işçiliği için ayırılması gereken süre ve kaynak ihtiyacının doğru bir şekilde belirlenebilmesi, proje takvimlerinin oluşturulabilmesi ve kaynakların verimli bir şekilde kullanılabilmesi için önem arz etmektedir. Bu çalışmada yapay öğrenme algoritmaları kullanarak yazılım test eforu tahmini üzerine çeşitli yapay öğrenme modelleri önerilmiştir. Önerilen metot ile ASELSAN A.Ş. bünyesinde geliştirilen, Komuta Kontrol Kullanıcı Arayüzü Yazılımları ve Gömülü ve Gerçek Zamanlı Yazılımları doğrulamak için harcanan test eforu analiz edilerek, ileride yapılması planlanan test aktiviteleri için etkin bir test eforu tahmini yapılmaktadır. Yapılan test eforu tahminleri, şu anda kullanılmakta olan geleneksel yöntemler ile karşılaştırılarak önerilen yöntemin başarı değerlendirmesi de yapılmıştır.