2,438
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
LGB tabanli toprak tekstür anali̇zleri̇nde test süresi̇ni̇n kisaltilmasi
In this thesis, an approach based on curve fitting, support vector regression, multilayer perceptron and long short-term memory architecture is proposed to shorten the experiment time in experiments with the Laser Guided Bouyoucos device developed for soil texture analysis. For this purpose, texture analysis signals obtained from 52 soil samples, each with 14400 samples (2 hours), were used. In the traditionally used curve fitting method, the shortest signal segment is found with an acceptable absolute error by shortening the soil texture signals from the end, while in machine learning methods, the shortest signal segment is found starting from the beginning. In the curve fitting method, the most suitable curve for the soil signals was selected as the 2nd degree exponential equation with the R-squared method. In the time shortening study with SVR, the model was trained and tested in the sample range of 1000-7000. In order to determine the entrance segment length in the MLP method, tests were carried out with a segment size in the range of 50-950 and the entrance segment size was selected as 200. In the MLP method, 3 layers are used: 1 input layer with 200 inputs, 1 hidden layer with 100 neurons, and 1 output layer with output. In the LSTM method, a 3-layer architecture is used, including the 1-input input layer, the 200-neuron LSTM layer, and the single-output output layer. As a result of the time shortening studies, the soil components were estimated with the SVR.
Design of a soil texture analysis device based on ultrasound sensors and machine learning methods
In this thesis, a digital soil texture analysis system is designed and introduced, which can be an alternative to the traditional hydrometer method used to find the proportional distributions of sand, silt and clay minerals in the soil. Traditional methods have many disadvantages such as being completely mechanical, needing expert control and laboratory. Considering today's advanced technologies and innovations, it has become inevitable to design a computerized forecasting system. The system has been redesigned using a 3D-printed container with ultrasound sensors. The system makes predictions by interpreting the changes in the intensity of the sound signals passed through the soil-water mixture placed in a closed container with machine learning methods. The changes in these signals, which are obtained by utilizing the sedimentation properties of sand, silt and clay particles in the soil-water mixture at different rates, were recorded on the computer, and computerized estimation steps were applied to the data. By using Support Vector Regression and Multi-Layer Perceptron architectures, the success of machine learning methods have been compared against traditional hydrometer results of the sample soils. Considering the 10% margin of error accepted in the standard hydrometer method, it has been seen that the proposed machine learning supported automated texture analyzer produced acceptable results. Thus, a computerized soil texture analyzer, which can predict the percentages of sand, silt and clay in the soil-water mixture in a closed container, using machine learning methods, is independent of expert supervision and laboratory environment, has a high portability, and can work with less material, has been presented in detail.
Fault-tolerant sliding mode control design for an electromechanical system
The purpose of this thesis is to propose an adaptive dynamic proportional–integral–derivative sliding surface based second-order fault-tolerant sliding mode controller for speed control of an electromechanical system under uncertainties and disturbances. The sliding-mode control technique is a robust control scheme that obtains the desired output with a concept of changing the controller's structure in response to change the state of the system. The online adaption skill of adaptive control makes it superior to sliding mode control in terms of constant or slowly-varying parameters for a non-linear dynamical system having uncertainties. Fault-tolerant control schemes are utilized commonly in safety-critical systems. This study aims to show how to utilize the robust properties of second-order adaptive dynamic sliding-mode control on the problem of component fault. The control design process prioritizes, even in the existence of the unsuitable conditions, providing the closed-loop stability for overall system. The Lyapunov theorem is used for affirming the design and stability of the closed-loop system. The presented adaptive dynamic first and second-order fault-tolerant sliding-mode controllers and the traditional sliding-mode controller are compared with each other and the results are discussed. The experimental results of the proposed fault-tolerant controller, concerning parametric uncertainties and disturbances, acquire suitable tracking performance and show more robustness than the traditional sliding-mode control.
Depth from blur
The most accessible and appropriate approach to recording and storing the depth measurements collected from a scene is through a depth map; accurate depth maps are also essential in extended reality and movie production. This topic of study is both intriguing and beneficial, and lucrative. Several firms are developing depth estimates for a range of reasons. Some may use it to add effects (such as bokeh) to photos and selfies (portrait mode) based on distance from the camera; others, both aerial and terrestrial, may utilize it for replacing or supplementing existing sensors in autonomous vehicles. A depth map is a two-dimensional array with the x and y distance information corresponding to the array's rows and columns, as in a conventional picture. This study examines the single-image depth inference problem using focus and blur images. A comparative work that examines Carvalho's, Lee's and Laina's methods that produce a depth map from a single image is carried out in this thesis. Carvalho's method takes a single synthetic to defocus image as input, and the output is the depth map using D3-Net. Both Lee's and Laina's approaches build a depth map from a single image using encoder-decoder architecture and Residual Network (ResNet50), respectively. After that, the predicted depth maps were segmented into three classes (near, far, far away). This study aims to determine the best performing method for estimating the depth map using the New York University v2 dataset. Furthermore, we can use the segmentation results to navigate the cameras (drones, robots, autonomous vehicles, etc.). As the results show, Carvalho's method was the best in-depth map estimation because of the synthetic defocus image dataset. Nevertheless, Laina's method is the best segmentation in near and far areas. The experimental results demonstrate that the NYU v2 dataset used with these models achieved accuracy values of 99.8%, 99.0%, and 98.8% for Carvalho, Laina, and Lee, respectively, for the predicted depth map. For segmentation, the accuracy values were 77%, 55%, and 90% for Carvalho, Lee, and Laina, respectively. Keywords: Depth map, Blur, Recurrent Neural Network, Convolutional Neural Network, Deep Learning
A modified autoencoder approach for feature selection
As the technology improves, data sizes have become huge. This also brought difficulties in extraction of meaningful information. As a result, new data analysis methods have emerged. Since data collection is everywhere in our daily life, data includes many redundant and unnecessary records and features. To identify useful part of data, feature selection algorithms have been used for a long time. However, those algorithms should be improved to deal with large scale data. In this thesis, we developed a new autoencoder based feature selection algorithm. Unlike traditional use of autoencoder, in this study, trained weight values are utilized instead of transformed data. The main idea behind the method is if the average weight of an input is high, it should be a useful feature. This simple but effective method was tested on 5 different datasets. 4 of them are standard datasets from Kaggle and UCI repositories. One of them is drug-target prediction dataset which is very difficult to classify due to imbalance nature of the data. While proposed method provided good results on standard datasets, not only proposed method but also all other tested methods provided very low results on drug-target interaction dataset due to the imbalanced nature of the dataset. Key Words: Machine learning, Deep learning, feature selection, drug-target interaction, autoencoders
Comparison of RNN-CTC, LSTM-CTC and GRU-CTC models and parameters on a new Turkish audiobook dataset
Speech is very important in human communication. Speech recognition systems work to convert sounds and text. Devices that use speech recognition systems make daily life easier. Although there are many studies on Turkish speech recognition systems, the lack of data sets is obvious. In this thesis, the original Turkish Audiobook Dataset was developed and neural network models were examined. An original data set obtained from audiobook recordings was prepared. Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short Term Memory (LSTM), Gated Recurrent Units (GRU), Connectionist Temporal Classification (CTC) models were examined and compared on the obtained data set.
Anomaly detection in network traffic using machine learning
A primary thematic of this study is centered on detecting anomalies and measuring the device health for Central Processing Unit (CPU), memory utilization, and allocation; for Key Performance Indicator (KPI) dataset which assembled throw twenty-one-day, by improving models using machine learning (ML) methods; namely, Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM), with Auto Encoders (AE), One-Class Support Vector Machine (Oc-SVM), also k-Nearest Neighbors (k-NN). The accuracy of all methods was measured by using a confusion matrix. According to the observed results, the deep learning methods yield great performance results compared to classification methods for all models. In general, CNN/AE and LSTM/AE models show higher accuracy than the other methods. The ranking of models from best to worst based on accuracy in the confusion matrix are; CNN/AE, LSTM/AE, as for the deep learning models, while for classification models the favorable order for the methods are; k-NN, and Oc-SVM.
Development of recommender system algorithms for cold-start problem
Cold-start problems are one of the most important challenges in recommendation systems. In this thesis, we proposed models to develop solutions for the cold-start problem from two different perspectives. We aimed for a deterministic and a heuristic study that can be used in different scenarios. In the first perspective, we introduced a new heuristic framework that optimizes item-based similarity models to provide top-N recommendation lists using Continuous Ant Colony Optimization with a non-deterministic approach. Thanks to its heuristic structure, we aimed to create specific recommendation lists for users and change them according to each session, while at the same time aiming to balance the relevance of the user and the item variety in the recommendation lists. In the second perspective, we introduced two new Collaborative Filtering techniques deterministically. In the first model, we developed an asymmetric similarity matrix among the items based on the z-score normalization of the Gram-matrix we obtained using the implicit data, and in the second model, we aimed to reduce the sparsity with the item predictions with the assist our novel item similarity matrix, thus enabling more accurate decomposition of the latent factors in the user-item matrix we provided. We evaluated all of our methods on well-known datasets and observed that our methods outperform similar recommendation models in a variety of scenarios, including cold-start users, cold-start systems, and providing of unpopular product recommendations.
Predicting Covid-19 infection using machine learning and feature selection methods
The purpose of this thesis is to develop new COVID-19 prediction models using different machine learning and feature selection methods. Particularly, Multi-Layer Perceptron (MLP), Tree Boost (TB), Radial Basis Function Network (RBF), Support Vector Machine (SVM), and K-Means Clustering (KMC) have been used to construct various regular and feature selection-based COVID-19 prediction models. The minimum redundancy maximum relevance (mRMR) and Relief-F algorithms have been chosen as the feature selectors. The dataset has information related to 20.000 patients (i.e., 10.000 positives, 10.000 negatives) and includes several personal, symptomatic, and non-symptomatic variables. The accuracy, precision, recall, and F1-score metrics have been used to assess the models' performance, whereas the generalization errors of the models has been evaluated using 10-fold cross-validation. The results show that, in general, MLP outperforms all other ML classifiers for predicting the COVID-19 infection. The average performance of mRMR is slightly better than Relief-F in predicting the COVID-19 infection of a patient. The symptom-based variables such as fever, cough, and headache have been found as the most vital predictors of COVID-19 infection.
Data mining based on regularized convolutional neural network for time series: Financial prediction algorithm
This thesis aims to design a generalizable distance-based moving average (DBEMA) method for predicting time series. In our study, we focused on a specific area of financial time series. In order to increase the performance of prediction accuracy, DBEMA was combined with features selected by Recursive Feature Elimination (RFE) by using Classification and Regression Tree (CART) estimators and sequential feature selection (SFS) by using Gradient Boosting Machine (GBM). Although many artificial neural networks (ANNs) have been applied to a number of time series predictions and modelling, convolutional neural networks (CNN) have not been used much for time series prediction directly in literature and are still open to improvement. For predicting the trend of time series with DBEMA, time series are defined in the form of different time-lagged moving average patterns to identify the relations between each of them. The distances between moving averages (MA) and changes in their positions towards each other are examined for predicting future trends of time series. First of all, time series are defined so as to cover different time lags of 9 days, 50 days and 200 days in exponential moving average (EMA) forms and the distances between each of them and positions between each of them are marked. To improve the performance of the distance-based moving average method, CART and GBM algorithms are used for selecting better financial features in with RFE and SFS models, respectively. The combination of distance-based features and selected financial features are converted into 2-D images which are then classified by CNN. According to the experimental results, the proposed algorithm, CNN-DBEMA, outperforms other classification techniques in literature. Key Words: Distance-Based Features, Moving Average, Financial Time series Prediction, Convolutional Neural Network
A multimodal public transit network design method based on hub-and-spoke infrastructure
The quality of public transport in a modern city depends on the interaction of the different modes of transport. The efficiency of a multimodal public transport network (MPTN) can be improved by adapting the hub-and-spoke model. In this thesis, a two-phase method is presented to generate a hub-and-spoke network for MPTNs. In the first phase, the problem of clustering in MPTNs is addressed. A spatial clustering algorithm is presented that can process real urban MPTNs without reducing their size or dividing them into zones. The algorithm is tested on four large city datasets and compared with the popular spatial clustering algorithms. The largest test network (Sydney, 24063 nodes) was processed in less than a minute, and all clusters generated by the algorithm contain less than 100 nodes, while the clusters generated by the compared algorithms contain significantly more nodes. In the second phase, an algorithm based on multi-criteria decision making is presented, which simultaneously locates hubs and hub lines. The proposed method is tested with the MPTN of Greater London and the resulting hub-and-spoke network is compared with the Journey API provided by Transport for London. The results show that the total travel time is improved by 16.90% with a strict hubbing policy. Key Words: Multimodal Public Transit Network Design, Spatial Clustering, Hub Location Problem, Hub Line Location Problem, Hub-and-spoke network
Biopsy cost reduction for early diagnosis of breast cancer using hybrid deep learning techniques
Breast cancer has become one of the most important diseases all over the world. Early diagnosis of breast cancer is very important to reduce the mortality rate. Breast biopsy is one of the most commonly used methods to diagnose breast cancer. However, breast biopsies are sometimes performed even when the patient does not have breast cancer. This leads to various problems for patients such as anxiety, pain, and healthcare costs, etc. Therefore, we proposed a hybrid model to reduce the cost of breast biopsies for early detection of breast cancer using deep learning and machine learning methods. Although many methods have been applied to a range of breast cancer diagnoses using one data type (image or text), the combination of three data types (image, text, and survey) has not been used directly for breast cancer diagnosis in the literature, and the problem of breast cancer diagnosis still needs to be improved. The proposed model combines three types of data, namely image (mammography), text (radiology report), and survey (patient history, physical examination, etc.) of each patient, and generates amalignant or benign output to identify the type of breast cancer. Therefore, a hybrid system consisting of three independent parts is described in this thesis: In the first part, deep learning models such as pre-trained models (VGG16, AlexNet, and ResNet50) and a transformer model are used to classify mammography images. In the second part, machine learning models with different combinations are used to classify surveys. In the third part, similar to images, pre-trained models (BERT versions such as BERTMultilingual, BERTClinical and BERTTurkish) and transformers are used to classify radiology reports. The ensemble model takes the results of each part as input and produces an output to diagnose breast cancer. We also propose a risk-based hybrid neuro fuzzy rule-based system to calculate the risk of breast cancer. We show that using three types of data can reduce the cost of breast biopsies in breast cancer diagnosis. The hybrid model with the hospital dataset improves the precision value by up to 100%. Key Words: Breast cancer diagnosis, Transformers, VGG16, AlexNet, ResNet50, BERT
Efficient scaling with machine learning on cloud environment
Scaling in cloud environments can significantly affect the cost and efficiency of a system. In order to properly plan capacity, calculations are often made based on scaling size. Applications typically reserve resources such as cores, memory, and network in order to maintain high quality of service (QoS). When resource limits are approached, the application is scaled by running multiple copies in order to ensure system reliability under increasing traffic. This study aims to more efficiently reserve resources in order to maintain high QoS through the use of machine learning. Traditional methods reserve resources for an application and scale the application when resource usage reaches a certain threshold. However, the method implemented in this study estimates incoming traffic and scales applications based on this estimation, resulting in more efficient performance compared to using a fixed threshold value. The results of the study showed that the scaling system created based on machine learning performs more efficiently in terms of cost and resource allocation compared to the currently used static scaling methods. Keywords: Machine Learning, Cloud Computing, Scaling, Kubernetes, Resource Management, Cloud Cost
Bitcoin price prediction with machine learning
The most well-known cryptocurrency is Bitcoin, as it was the first cryptocurrency. The approximate value of the cryptocurrency market capitalization, of which 39% is Bitcoin, is 807 billion dollars (December 2022). It has become an important research topic due to the difficulty in predicting the price of Bitcoin due to the extreme volatility of the price, and there are many studies in the literature. For investors, this high volatility means high profits and risks. This thesis aims estimation results close to the actual price and reduces the risks for the investors, using machine learning methods, different data sets, and optimization techniques. The methods used: Multilayer Perceptron (MLP), Support Vector Machines (SVM), Generalized Regression Neural Network (GRNN), Recurrent Neural Network (RNN), Long-Short-Term Memory (LSTM), Gated Repetitive Unit (GRU), and Convolutional Neural Network (CNN). The thesis includes experiments with each machine learning model with the combinations of Bitcoin, gold, crude oil, natural gas, Ethereum, and dollar-euro parity. Hyper-parameter optimization methods such as Bayesian optimization (BO), random search, grid search, and Hparam parameters are examined. Models with BO achieved better results than others. This thesis proposes a new model for Bitcoin price prediction that effectively reduces prediction error. This new BO model with Gradient Incremental Regression Trees (GBRT), Gaussian Process (GP), Random Forest (RF), and Extra Trees (ET) was applied to optimizers and corresponding surrogate functions. In addition, to increase the comparability of the results with the other paper, it was evaluated with four different performance metrics: root square mean error (RMSE), mean square error (MSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). In general, among the seven algorithms, predictions using only the closing price of Bitcoin yielded better results. In addition, we obtained very close results in the estimates made by adding Ethereum, crude oil, and natural gas to the data set. Better results were obtained with LSTM, CNN, and GRU, respectively, than with the other methods. The experimental optimization results indicated that hparam, grid search, and random search achieved the worst results in all four error metrics. BO-GP with hybrid LSTM-GRU outperformed all methods in this thesis and the examined literature for the value of MAE=0.002302, MAPE=0.005497, MSE=0.000015, and RMSE=0.003269.
Adaptive sliding mode control of MIMO coupled tank system
The aim of this thesis is to design an adaptive sliding mode controller for a multi input multi output quadruple tank system developed for liquid level control. Sliding mode control is a robust control approach designed to control complex nonlinear systems. The sliding mode control method is an efficient control technique in the presence of external disturbances and parametric uncertainties. This control method offers adaptability and can be combined with other control techniques to achieve enhanced outcomes. In this thesis, both the sliding mode control and adaptive sliding mode control methods are applied to the coupled tank system. The stability of the controllers is mathematically proven using the Lyapunov theorem. The implemantation of the adaptive sliding mode control method for the multi input multi output coupled tank system demonstrates the success of the designed controller in achieving more effective control performans for the system. In addition, the applicability of the proposed method for demanding complex systems such as coupled tanks has been verified. Although both methods achieved successful results, the proposed adaptive sliding mode control method offers better tracking performance compared to the conventional sliding mode method.
Contextualized intent detection using generalized SemSpace and BLSTM
In this thesis, a novel method called Contextualized Deep SemSpace has been developed to address the problem of the intent detection problem in the field of natural language processing. In the proposed method, firstly, sense-based vectors are generated from WordNet data using the generalized SemSpace approach, words representing the context of each dataset are clustered in this vector space, and then the disambiguation process is carried out by selecting the closest sense candidate to the context cluster of the words whose sense was ambiguous. Finally, the sense-based contextualized SemSpace vectors we generated are trained with the Bidirectional Long Short-Term Memory (BLSTM) model. To measure the success of the resulting model, tests are conducted on six well-known intent detection benchmark datasets (ATIS, Snips, Facebook, AskUbuntu, WebApp, and Chatbot). According to the comparison results, the recommended method generates context-based word vectors similarly to large language models such as BERT, ELMo, and GPT which are available in the literature, beacuse it uses both sense-based vectors and a context-based word disambiguation method. It is also predicted that this approach can be used successfully in many problems in the field of natural language processing.
Detecting multilingual offensive language in social media using deep neural networks
The spread of offensive language on social media platforms has become an alarming reality in society today. The utilization of such language for the purpose of insulting and attacking people represents one of the most detrimental forms of online behavior. Its negative consequences extend to users across different communication platforms, significantly impacting their psychological and mental well-being. To combat this digital malady, data scientists and NLP researchers have taken the task of finding a solution. They have developed several classifier models employing machine learning and deep learning techniques, aimed at identifying several forms of offensive language within textual contexts. These models are designed to process the text by either removing offensive language or preventing its publication on the internet. This study seeks to address the issue by evaluating the performance of deep learning methods on a collected dataset that is formed by collecting a numerous amount of Arabic texts and labeling them. Additionally, comparison of the performance of different deep neural network classifiers namely, Convolutional Neural Network (CNN), Reccurrent Neural Network (RNN), and Long Short-Term Memory (LSTM), and a Language Model namely RoBERTa, performed on the Arabic dataset, as well as some additional datasets in English and Turkish languages, aiming to show the effects of different preprocessing on texts, feature selection and effectiveness of deep neural networks and Transformers across different linguistic texts. The results of this study suggest that RoBERTa is a strong candidate for various language, it achieved the highest validation accuracy across most datasets, showcasing its effectiveness for various languages and tasks. Additionally, an ensemble classifier combining RoBERTa and CNN is introduced and tested, demonstrating good results in improving classification performance.
Detecting offensive language from social media using word embedding and language models
This research addresses the pressing challenges posed by the proliferation of abusive content on social media platforms, tackling this issue in both English and Arabic languages. To construct a robust framework for detecting offensive language, we have employed cutting-edge methodologies. These include leveraging prominent language models such as Base BERT, Mini BERT, and GPT-2, as well as utilizing LSTM (Long Term Memory) models and an SVM (Support Vector Machine) classifier. Additionally, we have harnessed word embedding techniques like GloVe and Word2Vec to capture the intricate semantic relationships among words. The primary objective of this research is to fortify the detection mechanisms for offensive language, thereby nurturing a safer online environment, especially for vulnerable user groups like children and adolescents. Despite the relatively limited availability of Arabic resources for identifying offensive language, our research bridges this gap. It makes a substantial contribution to the field by presenting an extensive dataset encompassing various Arabic dialects. Through meticulous evaluation, we have optimized the synergy among the aforementioned methods to achieve precise classification of offensive content. In summary, this research aspires to cultivate a safer digital society and deepen our comprehension of the dynamics of offensive language within both Arabic and English social media spheres. Notably, in the English language, our best accuracy of 93.29% was achieved with the HateBERT model and Base BERT in tandem with an SVM classifier, employing a dropout rate of 0.4. For Arabic language, the highest accuracies were attained with the truncated dataset, achieving an accuracy of 89.35% when utilizing AraBERT Tweet, and with the entire dataset using AraBERT Tweet, reaching an accuracy of 92.86%. These achievements mark significant milestones in our pursuit of effective offensive language detection.
Devising a coding mechanism for compression algorithms
Canonical Huffman Coding is a data compression algorithm still widely used in many applications. Originally, to produce canonical Huffman codes, first, the code tree is created, then from the leaves to the root, code lengths are obtained. Canonical codes are then calculated from these lengths. Instead of this multi-stage process, Algebraic Canonical Huffman Coding (ACHC), which calculates the code lengths in one stage through direct calculation, is proposed in this thesis. After the calculation of the lengths, the codewords corresponding to each length are calculated by binary addition. Time complexity is O(n) for ACHC and is O(n(logn+l)) for classical canonical Huffman coding. Space complexity is O(5n) standard for Huffman coding and O(n) for ACHC. This means memory saving is 80%. However, the average bit length per symbol is not usually optimal but is much closer to the optimal than similar methods. Therefore, the second algorithm (ES_ACHC) that optimizes the ACHC algorithm with the Evolutionary Strategies algorithm, is also proposed in this thesis. With this algorithm, optimum canonical codes were obtained with shorter loops. The adaptive application of the ACHC algorithm (A_ACHC) is the third contribution of this thesis to the existing literature. With the A_ACHC algorithm, 80% of memory savings have been achieved with the same compression ratio compared to the well-known Vitter algorithm. Keywords: Canonical Huffman, Adaptive Huffman, Encoding, Evolution Strategies, Data Compression
Logarithmic learning differential Convolutional Neural Network
Convolutional Neural Networks (CNNs) have been instrumental in transforming the field of computer vision by their innovative design and training methodologies for image classification. The differential convolutional neural network with simultaneous multidimensional filter realization has been successful in improving the performance of the convolutional neural network, although it suffers from calculation cost drawbacks. This Thesis proposes a solution to the drawback by introducing logarithmic learning integration into the differential Convolutional neural network. The proposed approach employs LogRelu activation, a logarithmic cost function, and a unique logarithmic learning method for faster error minimization and convergence. The study evaluates the effectiveness of these proposed methods across multiple datasets and optimization algorithms, including SGD and Adam. The experimental findings show that integrating LogRelu leads to performance improvements ranging from 1.61% to 5.44% across convolutional neural networks, while the same integration on ResNet-18, ResNet-34, and ResNet-50 enhances top-1 accuracy in the range of 3.07% and 9.96%. Moreover, the Logarithmic Differential CNN consistently outperforms standard CNNs with an accuracy increase of up to 3.02% with the adaptation of the Logarithmic Cost Function. The study also evaluates various activation functions on Differential CNN models and pre-trained models using MNIST and Cifar10 datasets. Among the activations, LeakyReLU, ELU, SELU, and LogRelu consistently outperform ReLU, with LogRelu being particularly effective at lower learning rates. Although the differential CNN faces compatibility issues with certain optimizers, it displays adaptability and excels with an SGD rate of 0.01 and lower rates for Adam and RMSprop.The experimental results proved the efficiency of the proposed approach.
DDoS attack detection from network traffic data using machine learning methods
This thesis aims to develop new DDoS attack prediction models by employing various machine learning and feature selection methods. Especially, Logistic Regression (LR), Multilayer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest (RF) have been used to build different DDoS attack prediction models. Relief-F and minimum redundancy maximum relevance (mRMR) algorithms have been utilized as feature selectors. The dataset has been created with 10.000 rows of traffic data, considering an equal number of rows containing four different attack types and normal traffic. The dataset encompasses a diverse array of predictor variables, notably including packet size, transmission time, and indicators of attack occurrences, among numerous others. Accuracy, precision, recall, and F1-score metrics has been utilized to evaluate the performance of the models, whereas the generalization errors of the models have been assessed using 10-fold cross-validation. Results reveal that RF surpasses all other ML classifiers for predicting DDoS attack detection. Overall, mRMR performed better than Relief-F in predicting the DDoS attack detection. In both feature selection methods, it has been determined that packet size and temporal features are the most important predictors of DDoS attack prediction.
Identification of cyberbullying using machine learning techniques
The pervasive utilization of social media platforms has introduced a multitude of threats, among which cyberbullying stands as a significant concern. Cyberbullying is defined as the repetitive use of social and electronic media, to perpetrate immoral actions with the intent to inflict harm upon a victim. In both Turkey and globally, cyberbullying is recognized as a pressing issue necessitating urgent attention due to its profound emotional and psychological repercussions, which can include depression, stress, anxiety, and in extreme cases, suicide. For this concern, numerous researchers and scientists have endeavored to develop solutions leveraging machine learning (ML), deep learning (DL), and natural language processing (NLP) techniques. These efforts aim to create models capable of identifying cyberbullying within textual contexts, with the ultimate goal of either detecting and removing such content or preventing its dissemination. However, the large number of studies in this context have been conducted in English, with a dearth of research in Turkish language. Moreover, existing studies often segregate their analyses between English and Turkish, overlooking potential cross-linguistic nuances. Motivated by these gaps in the literature, this thesis endeavors to address the detection of cyberbullying in both English and Turkish languages. Framed as a binary text classification problem, the research scrutinizes the efficacy of standard techniques across languages, aiming to discern whether a unified approach can effectively detect cyberbullying in diverse linguistic contexts. To achieve this objective, comprehensive experiments are conducted, including the comparative evaluation of ML, DL, and Large Language model (LLM) Furthermore, an array of feature extraction techniques, including traditional feature weightings and word embeddings, are rigorously assessed. Additionally, the efficacy of an optimization technique LoRA, applied to LLM, is thoroughly evaluated. Furthermore, recognizing the problem created by labeled data shortage, a novel semi-supervised learning technique is proposed. Specifically, a self-training with LLM is implemented, demonstrating its potential to enhance classification performance by leveraging a blend of both labeled and unlabeled data, thereby mitigating the resource-intensive nature of manual labeling processes. This research contributes to advancing cyberbullying detection methods and encourages more inclusive approaches across languages to combat cyberbullying in the digital sphere.
Yapay zeka ve istatistiksel yöntemler kullanarak yeni elektrik sistemi marjinal fiyat tahmin modellerinin geliştirilmesi
Elektrik sektöründe, SMP, enerji talebi ve arzının dengelenmesinde kritik bir belirleyici rol oynamaktadır. SMP değerleri, enerji talebindeki değişiklikler, arz kaynaklarındaki varyasyonlar, politika düzenlemeleri ve çevresel koşullar gibi çeşitli karmaşık faktörlere bağlı olarak sürekli dalgalanmalar göstermektedir. Bu dalgalanmalar, SMP'yi enerji üreticileri, dağıtıcıları ve tüketicileri için enerji piyasasındaki dinamik değişkenleri yansıtan hayati bir metrik haline getirmektedir. Enerji kaynaklarının arz-talep dengesi, enerji ithalat ve ihracatındaki değişiklikler, politika müdahaleleri ve teknolojik gelişmeler, marjinal fiyatların belirlenmesinde kilit etkiler arasında yer almaktadır. Bu bağlamda, SMP, elektrik sektöründeki karar vericiler için stratejik bir öneme sahiptir ve enerji şirketleri ile düzenleyicilerin enerji piyasasının karmaşıklıklarına daha iyi uyum sağlamalarına ve etkin enerji yönetimini güvence altına almalarına yönelik önemli bilgiler sunmaktadır. Bu çalışmanın temel amacı, Türk elektrik piyasası için hiperparametrik esneklik temelinde bir arayüzü içeren SMP tahmin modelleri geliştirmektir. Bu amaca ulaşmak için, yapay zeka teknikleri ve ileri istatistiksel yöntemler kullanılarak yüksek doğrulukta SMP tahminleri elde edilmektedir. Özellikle bu tezde, SMP tahmin modellerinin performansını artırmak amacıyla mRMR ve MLFS gibi öznitelik seçimi algoritmaları uygulanmaktadır. Bu çalışmada kullanılan veri seti, 1 Ocak 2021 ile 14 Eylül 2023 tarihleri arasını kapsamakta olup EPİAŞ tarafından sağlanmıştır. Sonuçlar, ELM hem de XGBoost tabanlı modellerin karşılaştırılabilir derecede güçlü bir performans sergilediğini ve SMP tahminlerinde etkili olma potansiyellerini vurgulamaktadır. Buna karşılık, MC yöntemi genellikle kötü sonuçlar üretmekte olup, SMP tahminleri için sınırlı bir etkinlik göstermektedir. Anahtar Kelimeler: Elektrik Enerjisi Sektörü, Makine Öğrenmesi, Sistem Marjinal Fiyatı
Forecasting arrivals to a call centre using machine learning and deep learning
With the increasing complexity of call center operations, accurate call arrival prediction has become a crucial research area, attracting significant attention from both academia and industry. Forecasting call arrivals is essential for effective resource allocation, staffing decisions, and service level planning, ultimately improving operational efficiency and customer satisfaction. This study investigates the effectiveness of combining Bayesian optimization (BO) with feature selection to enhance call arrival prediction accuracy. We analyzed various machine learning (ML) and deep learning (DL) models, including Random Forest (RF), Multi-layer Perceptron (MLP), Support Vector Machine (SVM), Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM). Using real-world call center data, we employed three datasets with daily, hourly, and half-hourly observations to predict call volume and Average Handling Time (AHT). Autocorrelation functions revealed patterns in these datasets. Both multivariate and univariate prediction approaches were evaluated. Using the Mean Absolute Error (MAE) metric and Root Mean Squared Error metric (RMSE), we demonstrated that optimized models with selected features consistently outperformed baseline models and optimized models with all features. Specifically, DL models, notably CNN and LSTM, showed robust responsiveness to combined BO and feature selection. ML models, especially MLP and RF, had strong baseline performances and also benefited from our approach. Depending on the dataset, performance gains from our approach ranged from 14% to 88% for ML models and 92% to 97% for DL models for both call volume and AHT predictions for multivariate models. For univariate models with only BO, percentage improvements ranged from 20% to 71% for ML models and 50% to 96.6% for DL models. These results highlight the effectiveness of combining feature selection with BO for more accurate predictions of both call volume and AHT. Keywords: Call Arrivals forecasting, machine learning, Hyperparameter Optimization, Feature Selection
A novel optimization algorithm EMEL: Exploration of moving and ever-shrinking layers
This study presents a novel optimization algorithm EMEL: Exploration of Moving and Ever-shrinking Layers. EMEL's layer building strategy embodies a balance between exploration and exploitation. The search space is partitioned into layers that are bounded by concentric rectangles whose dimensions increase exponentially. Contrary to its popular counterparts, EMEL does not produce candidate solutions influenced by others. Instead, the candidate solutions are produced anywhere inside a randomly selected layer. The probability of selecting a layer in the close vicinity of the best solution is higher than elsewhere. Therefore, most of the solutions exploit the inner layers, where a few of them still explore the distal layers. To demonstrate its search abilities, EMEL was tested on a total of 120 benchmarks which consist of sixty standard benchmarks, fourteen CEC 2005 benchmarks, twenty-nine CEC 2017 benchmarks, thirteen constrained benchmarks and four real-life constrained engineering design problems. The benchmark set consisting various characteristics such as shifted/rotated functions, hybrid functions, composition functions and also constrained problems include equality and inequality constraints to be satisfied. Four algorithms; Grey Wolf Optimizer, Artificial Bee Colony, Particle Swarm Optimization and Vortex Search Algorithm were included in the experiments to carry out a comparative work. Rather than using fixed parameters, design parameters of all algorithms were adjusted for each benchmark. The results were compared and analysed by utilizing Mann Whitney U test. The results showed that EMEL is superior to its counterparts by achieving high scores in the tests.
E-ticaret sektörü için yapay zeka tabanli satiş i̇ptal/i̇ade tahminleme yazilimi
In today's rapidly evolving digital landscape, e-commerce has moved far beyond serving as a simple sales channel and has become a core component of strategic business planning. This study aims to develop machine learning based classification models for order cancellation and return prediction. These models were built using a real-world dataset of 11,000 transaction records collected from an e-commerce company between May 2020 and August 2024. 10,000 records were used for training the models, while the remaining 1,000 were reserved for independent testing. The training dataset was balanced across three classes: completed, canceled, and returned orders. Two distinct modeling approaches were adopted. The first approach utilized a multi-class classification framework to predict all three outcomes in a single model. The second approach employed separate binary classification models for cancellations and returns, allowing for more targeted predictions. To construct these models, five machine learning algorithms were applied: Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM), and Deep Neural Network (DNN). To enhance model performance, four feature selection strategies were evaluated: minimum Redundancy Maximum Relevance (mRMR), Relief-F, F-Classification, and a Hybrid method combining the three. Among these, Relief-F and Hybrid approach yielded the most robust results, particularly when used in conjunction with RF and XGBoost.The results indicated that the binary classification approach produced superior predictive accuracy and sensitivity compared to the multi-class approach. SVM models demonstrated strong performance in binary classification scenarios, whereas LR and DNN models underperformed. Overall, the integration of advanced feature selection techniques with RF and XGBoost significantly improved forecasting capabilities, offering e-commerce businesses a valuable tool for optimizing operational planning and decision-making processes.
Intergenerational interactive artificial neural networks
Derin öğrenme, aktarımlı öğrenme ve öğretmen-öğrenci modelleri gibi gelişmiş öğrenme teknikleri ve karmaşık ağ mimarilerinin etkisiyle çeşitli alanlarda giderek daha yaygın hale gelmiştir. Aktarımlı öğrenme, ilgili bir kaynak alandan elde edilen bilgiyi kullanarak hedef alanda yüksek performans sağlamayı amaçlar. Buna karşılık, öğretmen-öğrenci modelleri, büyük ve karmaşık bir öğretmen modelinden daha küçük bir öğrenci modele bilgi aktarımı yaparak, doğruluktan fazla ödün vermeden modelin karmaşıklığını azaltmayı sağlar. Görüntü tanıma alanında yaygın olarak kullanılan Konvolüsyonel Sinir Ağları (CNN'ler), verimlilikleri ve yüksek performansları nedeniyle bu tür modellerde kilit rol oynar. Ancak, karmaşık yapıları nedeniyle CNN'ler genellikle yüksek hesaplama kaynakları ve uzun eğitim süreleri gerektirir. Bu çalışma, yeni bir hibrit sinir ağı topolojisi olan Kuşaklararası Etkileşimli Sinir Ağları (Intergenerational Interaction Neural Networks IINNs)'nı tanıtmaktadır. Önerilen bu hibrit topoloji, Kuşaklararası Etkileşimli Sinir Ağları (IINNs) olarak adlandırılmaktadır. Bu yöntemin arkasındaki temel hipotez, "yol gösterici bir baba modelin varlığı, oğul modelin diğerlerinden daha hızlı ve başarılı şekilde öğrenmesini sağlar" şeklindedir. Bu felsefe, dede ve büyükbaba gibi ek ataların dahil edilmesiyle genişletilebilir. Geleneksel öğretmen-öğrenci modellerinden farklı olarak, IINNs mimarisi, eğitim sürecinde sabit kalan ancak oğul modelin öğrenmesini aktif şekilde yönlendiren, önceden eğitilmiş bir ata modeli (baba) kullanır. Bu yapıda, Kendini Örgütleyen Harita (Self-Organizing Map - SOM) önceden eğitilmiş baba model olarak görev yaparken, Farklılaştırılmış Konvolüsyonel Sinir Ağı (Differential CNN - DiffCNN) oğul modeli olarak işlev görür. SOM'un çıktıları, DiffCNN'in eğitim sürecine entegre edilerek yakınsama hızını ve doğruluğunu artırmakta, konvolüsyonel karmaşıklığı ise azaltmaktadır. Önerilen model, MNIST, FashionMNIST, Birds, STL10, CIFAR-100 ve CIFAR-10 olmak üzere altı veri kümesi üzerinde değerlendirilmiştir. Sırasıyla %98,58, %96,53, %87,49, %86,99, %86,78 ve %81,65 doğruluk skorları elde ederek; en güncel CNN, DiffCNN ve Derin Konvolüsyonel SOM modellerinden daha iyi performans göstermiştir. Ayrıca model, %84'e kadar daha hızlı yakınsama sergilemiş; CIFAR-10, Birds ve CIFAR-100 gibi daha karmaşık veri kümelerinde ilk 7 ila 10 epoch içinde %85 doğruluğa ulaşmıştır. Aynı zamanda, FashionMNIST gibi daha basit veri kümelerinde 7. epoch itibariyle %90 doğruluğa erişmiş ve %74 oranında daha hızlı yakınsama sağlamıştır. Bu sonuçlar, IINNs mimarisinin eğitim sürecini hızlandırmada, daha hızlı yakınsamayı sağlamada ve basit ya da karmaşık veri kümelerinde performansı artırmada etkili ve çok yönlü olduğunu göstermektedir. Bu yönleriyle, model tıbbi görüntüleme, otomotiv sistemleri ve otonom sürüş gibi gerçek zamanlı uygulamalar için uygun bir çözüm sunmaktadır. Anahtar Kelimeler: Derin öğrenme; Konvolüsyonel sinir ağları; Öz-örgütlenen haritalar; Diferansiyel konvolüsyonel sinir ağları; Görüntü veri seti.
Analysis and comparison of the popular zero-knowledge proof algorithms
The objective of this thesis is to examine zero-knowledge proof-of-knowledge schemes that seek to substantiate the veracity of information without divulging any confidential information. Additionally, the study aims to propose schemes that are well-suited for these scenarios by conducting a comparative analysis of various application scenarios and the information obtained. Additionally, real-world applications in finance, health, business and other general-purpose real-world applications as presented in the literature are analysed and the schemes used in these applications are investigated. Zero-knowledge proof schemes are grouped according to criteria parallel to those used in the literature. Applications are developed with an algorithm from the current schemes representing these groups and compared in the light of basic criteria such as proof size, proof generation time, proof verification time and whether pre-installation is required. Various suggestions are made for certain usage scenarios. It was determined that all of the compared schemes are capable of meeting the security and privacy needs of decentralized systems, such as blockchains. Zk-SNARK schemes were found to have a relatively short proof size, but a longer proof time than other schemes, require a significant amount of memory usage and necessitate pre-installation. However, Bulletproof schemes are found to have the shortest proof size, although this increases the proof time. Zk-STARK schemes are relatively new, but they are highly secure, even for the post-quantum era and offer the promised proof size and proof time.
Malware detection using machine learning and feature selection methods
This thesis aims to develop effective prediction models for malware detection using various machine learning methods and feature selection methods. Specifically, the study utilizes Light Gradient Boosting Machine (LightGBM), Decision Tree (DT), K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP), Support Vector Machines (SVM), and Naive Bayes (NB) classifiers, each combined with Relief-F and Minimum Redundancy Maximum Relevance (mRMR) feature selectors. The analysis is conducted on 5136 samples, comprising 2683 malicious and 2501 benign files, derived from PE file header information of the Windows operating system. Evaluation of model performance is based on accuracy, F1-Score, recall, and precision criteria. Furthermore, to enhance the generalization ability of each model, 10-fold cross-validation is employed. The complexity matrices of the best performing model for each method are also provided. The results indicate that the LightGBM algorithm demonstrates promising outcomes in malware detection, both with default and optimized parameters. Moreover, the Relief-F feature selector exhibits superior performance compared to mRMR. These findings underscore the potential of LightGBM as an effective approach in malware detection and suggest that techniques such as Relief-F has significant potential for feature selection in this particular area.
Evrişimsel sinir ağları kullanarak parmak ucu görüntülerinden cinsiyet tahminlemesi
Son yıllarda günlük hayatımıza birçok yenilik getiren ve araştırmacılara yeni çalışma alanları oluşturan yapay zekâ teknolojisinin önemi gün geçtikçe artmaktadır. Cinsiyet sınıflandırma konusu da yapay zekâ alanının önemli bir araştırma konusudur. Yüz, vücut hatta parmak izi görüntülerinden cinsiyet tahmini üzerine çalışmalar yapılmıştır. Ayrıca günümüzde biyometrik tanıma sistemleri insanların parmak izlerini, yüzünü, irisini, avuç içi izlerini, imzasını, DNA ve retinasını belirleyebilecek seviyelere çıkmıştır. Çalışmada yeni bir biyometrik sistem oluşturulmasına olanak sağlayacak bir yöntem önerilmiştir. Bu çalışmada parmak ucu görüntülerinden cinsiyet sınıflandırma üzerine çeşitli modeller eğitilip, denemeler yapılmıştır. Çalışmada hazır bir veri seti kullanılmayıp 200'den fazla kişiden parmak görüntüsü toplanmıştır. Toplanan görüntülere döndürme, kesme ve arka plan azaltma işlemleri uygulanıp eğitim için hazır hale getirilmiştir. Yapılan çalışmada 4 farklı ağ modeli oluşturulmuştur. Bu modellerde veri artırma işlemleri ve transfer öğrenme kullanılmıştır. Kısıtlı bir alanda çalışma yapmak, her görüntünün kalitesinin ve açılarının farklı olmasına rağmen oluşturduğumuz model yüksek başarımlı sonuçlara ulaşmıştır. Bu çalışmada önerilen model %86,39 başarım oranına sahiptir.
K-gezgin satıcı probleminin emperyalist rekabetçi algoritması ile kümeleme tabanlı optimizasyonu
Hızla ilerleyen teknoloji ve insan ihtiyaçlarının çoğalması nedeniyle günlük yaşantıda zamanın önemi her geçen gün daha da artmaktadır. İnsanlar ihtiyaçlarını gidermenin yanında ihtiyaçlarına da bir an önce ulaşmayı hedeflemektedir. Gezgin Satıcı Problemi (GSP) de özellikle lojistik, ulaşım ve ürün tedarik alanların da kullanılan bir çözüm problemidir. Bu çalışma da Türkiye haritası üzerinde 81 il koordinatları ve iller arası mesafeler için matrisler oluşturularak, bu matrisler üzerinden yeni gelişmekte olan Emperyalist Rekabetçi Algoritması (ERA) ile en kısa tur bulunmaya çalışılmıştır. ERA ile bulunan en kısa tur, Benzetilmiş Tavlama Algoritması (BTA), Parçacık Sürü Optimizasyonu (PSO) ve Karınca Kolonisi Algoritmaları (KKA) ile bulunan en kısa turlar işe karşılaştırılmıştır. Bu karşılaştırmalar turların harita üzerinde gösterimleri, toplam mesafe ve yolculuk süreleri ile sağlanmıştır. Ayrıca zamanın önemli olmasından dolayı 81 il için tek tur yerine, bu illeri 7, 8 ve 9 kümeye ayırarak daha avantajlı sonuçlar bulunmuştur. Oluşturulan kümeler için küme merkezleri arası ve küme iç turları için GSP çözümlemesi yapılmıştır. Tüm bu çıkan sonuçlar Karayolları Genel Müdürlüğü (KGM) sayfasındaki iller arası mesafeler ve yolculuk süreleri açısından değerlendirilmiştir.
Mobil ve web uygulama ile derin öğrenmeye dayalı tohum sınıflandırması
Tarımsal üretimde tohum kalitesi önemli bir faktördür. Son zamanlarda, tarım sektöründe üretkenliği arttırabilmek için gelişmiş teknolojilere ihtiyaç duyulmaktadır. Yapay zeka çalışmalarının tarım sektörüne dahil edilmesi bu ihtiyacın bir sonucu olarak ortaya çıkmıştır. Bazı tohumlar yapısı gereği küçüktür ve türler arasındaki farklılıkları tanımlayıp sınıflandırmak zordur. Geleneksel yöntemde, bu farklılıkları tanımlayıp sınıflandırmak uzmanlar tarafından morfolojik yapı, şekil, doku ve rengi göz önünde bulundurularak karar verilmektedir. Bu yöntemde sınıflandırma işlemi maliyetli, öznel ve zaman alıcı olduğu için tohum türlerini hızlı ve doğru bir şekilde tespit edebilen otomatik bir sistem geliştirilmesi gerekmektedir. Bu çalışmada, derin öğrenme tekniklerinden CNN kullanılarak hızlı bir şekilde tohum görüntülerini yüksek doğrulukta tespit eden ve sınıflandıran bir mobil uygulama ve web uygulaması geliştirilmiştir. Yaygın olarak bilinen 15 çeşit tohum görüntüsünden oluşan bir veri seti oluşturularak eğitim işlemi yapılmıştır. InceptionV3, Xception ve InceptionResNetV2 modellerinde %99 doğruluk, ResNet50 modelinde %98 doğruluk elde edilmiştir. Yüksek doğrulukta çalışan modelin mobil ortamda ve web ortamında çalışması sağlanmıştır. Ayrıca mobil uygulama sayesinde kullanıcıya tanımlanan tohumun morfolojik özellikleri ve kullanımı hakkında detaylı bilgiler verilmesi sağlanmıştır.
Makine öğrenme teknikleri kullanılarak basınç ülserlerinin sınıflandırılması
Basınç ülserleri yatağa bağlı hastalarda uzun süre hareketsizliğe bağlı oluşan yaralardır. Bu durum dünyada önemli bir sağlık sorunu haline gelmiştir. Tedavinin etkili olabilmesi için basınç ülserlerinin teşhisinin doğru yapılması çok önemlidir. Yara özellikleri, iyileşme üzerinde önemli bir etkiye sahiptir. Girişimsel bilgi alma yöntemleri, basınç ülserlerinin teşhisinde hastalar için acı vericidir. Ayrıca bu yöntemler, hastanın enfeksiyon kapmasına sebebiyet verebilir. Bu yüzden, cerrahi işlem gerektirmeyen yara izleme teknikleri tercih edilmelidir. Görüntüleme sistemleri sayesinde yara ile temas edilmeden yaranın özelliklerinin doğru bir şekilde analiz edilmesi sağlanır. Bu tez çalışmasının amacı, görüntü analizinde makine öğrenmesi tekniklerinden yararlanılarak basınç ülserlerinin sınıflandırılması ile tedavi süreçlerine olumlu bir katkıda bulunmak ya da yara oluşumunun önlenmesini sağlamaktır. Bu tezde literatürde basınç yarası problemine evrelendirme sayısı bakımından yenilik getirilmiştir. Basınç yarası evrelendirilmesi doğru bir görüntü sınıflandırma problemi şeklinde ele alınmıştır. 697 tane yara görüntüsünden oluşan gerçek hastane verileri, Lojistik Regresyon, Yapay Sinir Ağları ve Destek Vektör Makineleri yöntemleri ile analiz edilmiştir. Bu görüntülerindeki yara rengi, ölçüsü gibi özellikler görüntü işleme sayesinde ayrıştırılmış ve görüntülerden yaranın hangi evrede olduğu belirlenmiştir. Sınıflandırma için basınç ülserlerinin 6 evresi referans alınmıştır. Bu çalışmada az sayıda veri setindeki farklı açılardan elde edilen görüntülerin bulunması sınıflandırma için uzmanların sınıf değerlerini tayin etmelerinde zor olmasa da arka planda bulunan görüntüler sınıflandırmayı zorlaştırmaktadır. Eğitim için daha çok veri kullanılması ve Derin Öğrenme mimarileri kullanılması performans değerlerini artıracaktır.
Veri madenciliği yöntemleriyle sosyal medya duygu analizi
Son yıllarda internete erişim imkanlarının artması ve kullanıcılardaki akıllı telefon kullanımının yaygınlaşması sebebiyle sosyal medya olarak adlandırılan ve insanların çeşitli konulardaki fikirlerini paylaştığı servisler çok yaygın olarak kullanılmaya başlamıştır. Kullanıcılar tarafından bu servislere girilen ve birçok farklı platformda depolanmakta olan veriler çeşitli veri madenciliği yöntemleriyle analiz edilerek anlamlı bilgi çıkarımları yapılmaya çalışılmaktadır. Sosyal medya verilerinin analiz edilmesiyle insanların farklı konulardaki duygularına dair anlamlı çıkarımlarda bulunulması anlamına gelen Duygu Analizi çalışmaları da bu konuda öne çıkan çalışma alanlarından biridir. Duygu Analizi, insanların görüşlerinin olumlu, olumsuz veya nötr gibi çeşitli sınıflara göre kategorize edilmesi işlemidir. Ve işletmeler açısından müşterilerinin davranış eğilimlerinin anlaşılması, hastaların ruh sağlığının değerlendirilmesi, insanların çeşitli toplumsal olaylarda verdiği tepkilerin ortaya çıkarılması gibi birçok sektörde aktif olarak kullanılmaktadır. Bu tez çalışmasında, kullanıcıların IMDB internet sitesinde paylaşmış oldukları film yorumlarından oluşan etiketli bir veri seti, çeşitli veri madenciliği yöntemleri kullanılarak sınıflandırılmış, Python, Matlab ve R programlama dilleri ile duygu analizi çalışması gerçekleştirilmiş ve elde edilen sonuçlar farklı değerlendirme kriterlerine göre karşılaştırılmıştır.
Breast cancer classification using effective machine learning techniques
Breast cancer remains a leading cause of death among women worldwide, underscoring the urgent need for practical diagnostic tools. This work presents an advanced machine learning algorithm designed to enhance the classification accuracy of breast cancer. The system integrates a deep multi-layer perceptron (Deep MLP) for feature extraction, a feature-fused autoencoder for efficient dimensional reduction, and a weight-tuned decision-tree classifier optimized by cross-validation and square weight adjustment. The Wisconsin breast cancer dataset is utilized to test the results of the method rigorously using k-fold cross-validation. Optimizing performance has been done under different hyperparameters, namely, the number of hidden units, dropout rate, batch size, as well as test-train percentages. The performance of the model was evaluated under all the given conditions for key Metrics. These are the Accuracy, Precision, Recall, F1-score, and area under the curve (AUC). Using the above metrics, the model was able to distinguish malignant and benign tumors. Our findings show that this approach performs better than traditional classification methods, leading to accurate and robust results across several data partitions. This research contributes to a new framework pertaining to deep learning, Auto-encoder, and decision tree, which clearly shows that this framework has a very high probability of impacting breast cancer diagnosis while providing usefulness to physicians. Furthermore, the use of the METABRIC dataset ,which is substantially larger and more diverse than classical breast cancer datasets ,provided a robust evaluation environment for the proposed hybrid model. Its rich clinical and genomic features enabled deeper validation of the model's generalization capability and demonstrated its effectiveness in handling complex, real-world data.
Client-server secure web communication with blockchain method
Although the term blockchain has been heard with bitcoin, it can be used in many technologies, not just crypto money. Blockchain has a distributed architecture and is a constantly growing data structure. Data blocks cannot be changed, each block has its own data and the previous block's address data. Blockchain does not have a centralized system, it ensures that all participants to participate in the network are included in the chain as a link. In this paper; Secure connection has been proposed using a new method, blockchain can use instead of SSL/TLS, which is used to communicate between client and server on web pages. It has been designed in such a way that the blockchain will take part in the management of the key sharing between the server and the client. It has been demonstrated by an experimental study that secure data exchange between the client and the server is carried out using the method called SSLChain.
Veri madenciliği sınıflandırma yöntemlerinin veri bilimi anketi veri seti ile karşılaştırmalı analizi
Veri Madenciliği teknolojisi günden güne popülerliğini artıran bir teknoloji olmaktadır. Popülerliğinin artmasının en büyük sebeplerinden biri de çalışma alanı sınırının bulunmamasıdır. Teknik altyapı olarak bilişim sektörüne ait olan Veri Madenciliği teknolojisi, birçok sektöre kolaylık ve avantaj sağlamak için hizmet sunmaktadır. Çalışma kapsamında Veri Madenciliği teknolojisinde tercih edilen yazılım dili, kullanılan algoritma vb. kriterlerinin girdi olarak kabul edildiği, veri bilimcilerin tercih ettikleri bu teknik bilgilerden çıkarımla hangi sektörde çalıştıklarına dair çıktı bilgilerinin yer aldığı "Veri Bilimi Anketi" isimli veri seti kullanılmaktadır. Veri setinin Sınıflandırma Algoritmalarından C4.5 Algoritması, Rastgele Orman Algoritması ve K- En Yakın Komşu Algoritması ile modellenmesi sonucu başarı oranları değerlendirmelerine değinilmiştir. Modellerin başarı oranı kıyaslamaları gerçekleştirilirken, Sınıflandırma yöntemine ait olan algoritmalar hem orijinal hem de işlenmiş veri setini kullanmışlardır. Veri setleri bazında model başarı oranları değerlendirildiğinde, orijinal veri seti kullanılarak oluşturulan modellerin başarı oranları, veri ön işleme aşaması sonrasında oluşturulan işlenmiş veri seti kullanılarak da modellendiğinde başarı oranlarında %14-15 oranında artış olmaktadır. İşlenmiş veri seti, seçili sınıflandırma algoritmaları (C4.5, Rastgele Orman ve KNN) ve bu algoritmaların varsayılan algoritmik nitelikleri ile modellendiğinde elde edilen başarı oranları algoritmalar bazında kıyaslandığında sapma oranı çok düşük olmaktadır. Algoritmaların başarı oranları ön işleme öncesi kullanılan orijinal veri seti ve ön işleme sonrasında kullanılan işlenmiş veri seti ile algoritma bazında değerlendirildiğinde ise sapma değeri daha belirgin olmaktadır. Ayrıca KNN algoritmasına özgü olan "k" nitelik değerinin farklı değerler alması sonucu veya Eğitim-Test veri seti bölümleme seçenekleri gibi model başarı oranında sapma yaratacak durumlar için de başarı oranı değerleri gözlemlenmiştir. Ancak bahsedilen durumların model başarısına etkisi, ön işleme aşamasının model başarısına olan etkisi kadar belirgin değildir. Gerçekleştirilmiş olan bu kıyaslamalardan çıkarımla, başarılı modeller oluşturulabilmesi için Veri Madenciliği aşamalarının önem/etki seviyeleri değerlendirilmiş olup, Veri Madenciliği aşamaları "döngüsellik" ve "öznellik" kavramlarından faydalanılarak yorumlanmışlardır.
IoT tabanlı akıllı şehirlerde derin öğrenme ve mobil tabanlı akıllı park sistemi yaklaşımı
Nesnelerin İnterneti (IoT) ve akıllı şehir ekosistemleri çağında, daha sürdürülebilir şehirler için yenilikçi akıllı park sistemlerine ihtiyaç duyulmaktadır. Her geçen gün artan araç sayısı ile akıllı park sistemleri akıllı şehirlerde önemli konular arasında yer almaktadır. Bunun nedeni yetersiz olan park yeri arayışlarının ciddi bir maliyet, hava kirliliği ve stres sorunlarını beraberinde getirmesidir. Akıllı park sistemleri ile ilgili yapılan araştırmalar bulunan çözümler artık yeterli gelmemektedir. Bu tez çalışmasında sürücülerin park yeri arama sorununu en aza indirmek için derin öğrenme ve bulut tabanlı yeni bir mobil akıllı park uygulama tasarımı geliştirilmiştir. Uygulama içerisinde, park yerini tahmin etmek için LSTM ile derin öğrenmeye dayalı bir hizmet geliştirilmiştir. Burada kullanıcının mobil cihazı üzerinden daha önce oluşturulan LSTM tabanlı modele dinamik erişim sağlanmakta ve ilgili parametreler girilerek parkların istenilen yerdeki doluluk oranlarının mobil cihaz üzerinde görüntülenmesi işlemi gerçekleştirilmektedir. Bu sayede hem enerji hem de zaman tasarrufu sağlanmıştır. Türkiye'de İstanbul ilinde gerçek zamanlı toplanan otopark verileri ile %99,57 doğrulukta sonuç elde edilmiştir. Önerilen modelin etkinliğini göstermek için makine öğrenmesi modelleri olan, SVM, RF ve ARIMA yöntemleri ile karşılaştırılmıştır. Tez çalışmasının devamında otopark kullanımında önemli etkisi olan hava durumu verileri AKOM'dan alınarak otopark verileri ile birleştirilmiştir. Zaman serileri tahmini problemlerinde yaygın olarak kullanılan ve başarısını ispatlamış olan GRU, LSTM ve RNN yöntemlerinden oluşturulan 27 farklı model ile bu veri seti üzerinden deneyler yapılmıştır. Elde edilen sonuçlarda GRU derin öğrenme modeli %99,11 doğruluk ve 0,90 MAE, 2,35 MSE ve 1,53 RMSE metrik değerleri ile en iyi sonucu vermiştir. Çeşitli hiper parametrelerle elde edilen deneysel sonuçlar, GRU derin öğrenme modelinin park doluluk oranlarını tahmin etmedeki başarısını açıkça göstermektedir. Elde edilen sonuçlar incelendiğinde derin öğrenme modellerinin park yeri tahminindeki yüksek doğruluk oranı, daha sürdürülebilir akıllı şehirler için akıllı park sistemlerinde kullanılabileceğini göstermiştir.
Geliştirilen yeni filtrelerin ve temel frekans tespit yönteminin derin öğrenme ile konuşma duygu analizinde uygulanması
Bu tez çalışmasında konuşma duygu tanıma uygulamaları için yeni filtre bankaları ve insan sesi temel frekans tespiti için yeni bir metot önerilmektedir. Yeni filtre bankalarının konuşma duygu tanıma uygulamalarında büyük gelişmelerin önünü açması beklenmektedir. Günümüze kadar pek çok farklı filtre bankası konuşma tanıma uygulamaları için önerilmiştir. Ancak bu modeller genellikle çok fazla parametre içermekte veya karmaşık bazı matematiksel işlemlere gereksinim duymaktadırlar. MFCC (Mel Frequency Cepstral Coefficients) katsayıları Mel filtre bankalarından türetilirken DCT (Discrete Cosine Transform) uygulanmaktadır. Ayrıca MFCC katsayılarını akustik olarak yorumlamak hemen hemen imkansızdır. Mel filtre bankaları daha kolay yorumlanabilmesine rağmen çok fazla sayıda parametre içermektedir. Önerilen EFB (Emotional Filter Banks) filtre bankaları daha kolay yorumlanabildiği gibi hesaplama yönünden de daha hızlıdırlar. Bu çalışmada bu filtre bankalarını SVM-SMO (Support Vector Machine-Sequential Minimal Optimization) ve Derin Yapay Sinir Ağı modelleri ile uygulayıp MFCC ve Mel filtre bankaları ile EmoSTAR, EmoDB (Berlin Emotional Database), IEMOCAP (Interactive Emotional Dyadic Motion Capture Database) ve MELD (Multimodal EmotionLines Dataset) verisetleri üzerinde uygulayıp karşılaştıracağız. Özellik seçme ve veri türetme uygulamaları da ayrıca incelenecektir. Temel frekans tespiti için HDM (Harmonic Differences Method) metodu önerilecek olup genişbant ve darbant (telefon) konuşma için araştırılacaktır. HDM harmonikler arasındaki farkı temel alarak çalışmaktadır. Temel frekans için Hillenbrand ve Texas Sesli verisetleri ile TIMIT (Texas Instruments Massachusetts Institute of Technology) verisetinin sesli kısmının tamamı kullanılacaktır. HDM algoritması otokorelasyon, kepstrum, YIN, YAAPT (Yet Another Algorithm for Pitch Tracking), CREPE (Convolutional Representation for Pitch Estimation) ve FCN (Fully Convolutional Network) metotları ile karşılaştırılacaktır. Sonuçlar harmonikler arasındaki farkların temel frekans için iyi bir seçim olduğunu ve HDM metodunun diğerlerine göre çoğunlukla daha başarılı sonuçlar üretebildiğini göstermektedir.
Sosyal Ağlarda Duygu Analizi için Hibrit Bir Yöntem Geliştirilmesi
Teknolojinin gelişmesi, insanların sosyal hayatlarında birçok alışkanlığının değişimine sebep olmuştur. Pandeminin de etkisiyle eğitim başta olmak üzere birçok alanda yüz yüze iletişim oldukça azalmıştır. İnsanlar, sosyalleşmek için sosyal medya ve web sitelerine hızlıca erişim sağlayabilecekleri mobil cihazlar ile vakit geçirir hale gelmişlerdir. Pandemi sona ermesine rağmen, insanlar sosyalleşmek için web sitelerini ve sosyal medya uygulamalarını hala yaygın olarak kullanmaya devam edilmektedirler. İnsanlar birlikte izledikleri film, gittikleri restoran gibi birçok deneyimleri hakkında fikirlerini anlık şekilde paylaşmaktadırlar. Bu durum sosyal medya ve web siteleri aracılığıyla sürekli bir veri paylaşımına sebep olmaktadır. Bu veri paylaşımı çok büyük boyutta veri toplanmasına sebep olmaktadır. Bu veriler, pazarlamadan, reklama kadar birçok kurumu yakından ilgilendirmektedir. Bu kurumlar kendileri veya sektörlerine yönelik paylaşılan verileri kullanmak amacıyla çalışmalar yapmaktadırlar. Gelişen yapay zeka teknolojileriyle, bu çalışmalar firmalara katma değer kazandırmaktadır. Bu değeri kazandıran çalışma alanlarından biri de yapay zekanın alt dalı olan doğal dil işleme görevlerinden duygu analizidir. Bu çalışmada, IMDB web sayfasından toplanan veri kümesinde duygu analizi görevine yönelik deneysel çalışmalar gerçekleştirilmiştir. IMDB veri kümesi üzerinde Word2Vec kelime gömme yöntemi sonrası altı adet BiGRU ve sonrasına iki Evrişim Sinir ağı ile MBiGRUMCONV olarak isimlendirilen yeni bir yöntem önerilmiştir. Önerilen bu yöntemin en iyi doğruluk performansını verdiği %80-%20 eğitim-test ve %10 doğrulama kümesinde test sonuçları; %90,59, doğrulama kümesi sonuçları %94,67'dir. Ayrıca önerilen modelin 3, 5 ve 10 kat çapraz geçerleme sonuçları da alınmıştır. En iyi sonuç, 5-kat çapraz geçerleme ayrımında %90,67 doğruluk değeri ile alınmıştır. Tüm sonuçlar bir arada değerlendirildiğinde önerilen yöntemin literatür çalışmalarına kıyasla rekabetçi bir performans sergilediği görülmüştür. Çalışma kapsamında TripAdvisor, Rotten Tomatoes ve Twitterdan toplanan açık kaynak olarak sunulan veri kümeleri üzerinde farklı metin temsili yöntemleri sonrasında çeşitli derin öğrenme, makine öğrenmesi ve topluluk öğrenme yöntemleriyle modeller oluşturulmuştur. Yüksek model başarımı almak için gelecek çalışmalarda, hibrit model oluştururken; ön eğitimli BERT türevleri ile metin temsili çıkarıldıktan sonra çift yönlü sinir ağlarının kullanılması önerilmektedir.
Çocuklukta zatürre hastalığının göğüs röntgen görüntülerinden derin öğrenme ile tespiti
Hastalıkları otomatik olarak tespit etmeye yönelik çalışmaların popülaritesi her geçen gün artmaktadır. Son zamanlarda birçok araştırmacı, Derin Öğrenme (DL) kullanımının daha iyi algılama performansı ve daha kolay sınıflandırma süreci sergilediğini kanıtlamıştır. Bundan dolayı, DL tabanlı teşhis araştırma makalelerinin sayısı artmaya devam etmektedir. Bu çalışmada, solunum yolu hastalıklarından olan zatürre hastalığının erken tespiti için derin öğrenme modelleri önerilmektedir. Çocukluk çağı zatürresi, çocuk ölümlerinin önemli nedenlerinden biridir ve bu konuda doğru tespit kritik bir role sahiptir. Önerilen ağ modelleri, zatürre hastalığına sahip bireylerin ve sağlıklı bireylerin göğüs röntgen görüntüleri üzerinden eğitilmektedir. Böylece sistem Zatürre hastalığının erken teşhisine yardımcı olur. Bu modeller, iki sınıflı sınıflandırma modelini önermektedir. Modellerin eğitimleri öncesinde veri setine belirli ön işlem adımları uygulanmış ve SMOTE yöntemiyle veri arttırma işlemi gerçekleştirilmiştir. Bu yöntem ile her iki sınıfa ait eğitim veri setinin sayısı eşitlenmiştir. Böylece eğitimde sayıca fazla olan sınıfa eğilim azaltılmıştır ve aşırı uydurma önlenmiştir. Ağın eğitimi, derin öğrenme algoritmalarından CNN, RNN ve LSTM algoritmaları ile gerçekleştirilmiştir. Eğitimli modeller, zatürreyi CNN %97.23, RNN %89.23 ve LSTM %88.92 doğrulukla tespit etmiştir ve en son teknolojiden daha iyi performans gösterir.
Düzce ili elektrik enerjisi talep tahmini
Enerji, sistemin iş yapabilme kapasitesi veya yeteneğidir. Günümüz dünya medeniyetinde enerji önemli bir yaşam kaynağıdır. Enerji, geçmiş zamandan günümüze hayatımızın vazgeçilmez ihtiyaçlarından birisi olmuştur. Elektrik enerjisi aktif olarak sanayi bölgelerinde, ticarethanelerde ve konutlarda kullanılmaktadır. Elektrik enerjisi, depolanamaması nedeniyle elektrik enerjisi talebinin tahmininin gerçekleştirilmesi operasyonel ve mali planlama açısından önem arz etmektedir. Elektrik enerjisi ihtiyacı, artan nüfus, teknolojinin gelişmesi ve üretimin artması ile gün geçtikçe hızlı bir biçimde artış gösterdiği görülmektedir. Bu artışta arz talep dengesini karşılamak için gerekli elektrik enerjisinin tahmin edilmesi gereklidir. Bu sayede elektrik enerjisinin gereksiz maliyetlerinin önüne geçilmiş olunacaktır. Bu çalışmada, Düzce ilinin elektrik talebi için EPDK (Enerji Piyasası Düzenleme Kurumu) verileri kullanılarak elektrik enerjisi talep tahmini gerçekleştirilmiştir. Tahmin etmek için zaman serisi modelleri olan ARIMA, TBATS ve Prophet yöntemleri kullanılmıştır. Kullanılan yöntemlerin tahmin sonuçları incelenmiş ve birbirleri ile kıyaslanmıştır. Çalışmamız neticesinde genel olarak ARIMA yönteminin, bazı aylarda ise TBATS ve Prophet yönteminin daha iyi sonuçlar verdiği görülmüştür. Düzce ili için gelecek aylarda tüketilecek elektrik enerjisinin tahmin edilmesi, talep edilecek elektrik enerjisini miktarını belirlemede avantaj sağlayacaktır. Tüketilecek miktardan daha az olması durumunda kesintiler yaşanabilir, fazla olması durumunda ise uzun süreli depolanamadığı için ihtiyaç fazlası olan miktar kadar fazladan ücret ödemesi yapılmaktadır. Bu durumun önüne geçilmesi için geleceği yönelik elektrik enerji tüketimi tahmin çalışması önem arz etmektedir.
Düzce ili doğalgaz talep tahmini
Doğalgaz, organik bileşenli maddelerle yeryüzünün alt kısımlarında milyonlarca yıldır sürmekte olan kimyasalların ayrılması durumunda ortaya çıkmıştır. Doğalgaza olan talebin nedeni, hızlı nüfus artışı, değişen iklim koşulları olarak düşünülebilmektedir. Doğalgazın enerji tasarrufu ve dış ülkelerden gerçek değere en yakın şekilde talep edilmesi için, tahminlemenin de en yakın düzeyde elde edilmesi beklenmektedir. Talep tahmininin doğruluğu, doğalgazın ithal edilmesi, ülkedeki altyapıya yapılan yatırımların ve harcamaya dair planlamasını daha verimli hale getirecektir. Araştırmalar sonucu Düzce ilinde doğalgaz talep tahmini yapılması; Düzce ili için doğalgaz talebi karşılanması, Düzce ilinin sanayi merkezi ve nüfusunun hızlı artışı nedeniyle önemlidir. Bu çalışmada Düzce doğalgaz talebi tahmini için veriler EPDK (Enerji Piyasası Düzenleme Kurumu) verileri kullanılarak ARIMA, TBATS ve PROPHET yöntemleri kullanılarak; tahminleme gerçekleştirilmiştir. Bu modellerin başarı kriterleri MAE (Mean Absolute Error – Ortalama Mutlak Hata), RMSE (Root Mean Squared Error – Hata Karelerinin Ortalamasının Karekökü) ve MAPE (Mean Absolute Percentage Error – Ortalama Mutlak Yüzde Hata) kullanılarak test edilmiştir. Bu kriterlere göre ARIMA ve TBATS yüksel başarı gösterirken, PROPHET diğerlerine göre daha düşük başarı göstermektedir.
Çok kriterli karar verme yöntemi ile karmaşık ağdaki düğümlerin ayırt edilebilirliğinin artırılması için bileşik merkezilik ölçütlerinin geliştirilmesi
Karmaşık ağlarda düğümlerin merkeziliğinin belirlenmesi, etkileyici düğümlerin tespiti, viral pazarlama, söylentilerin yayılmasının önlenmesi gibi birçok alanda pratik faydalar sağlamaktadır. Öte yandan, merkeziliğin tanımı konusunda bir fikir birliği yoktur. Bu nedenle, bir düğümün merkeziliğini ölçmek için derece, yakınlık ve aradalık gibi farklı merkezilik ölçütleri geliştirilmiştir. Bununla birlikte, her merkezilik ölçütü, ağdaki düğümlerin çeşitli özelliklerini kendi bakış açısından ön plana çıkarabilmektedir. Bundan dolayı her merkezilik ölçütü, karmaşık ağdaki düğümleri farklı bir sırada sıralayabilmektedir. Son yıllarda araştırmacılar, çoklu merkezilik ölçütlerini birleştiren yaklaşımlara odaklanmaktadır. Bu tezde, birden çok merkezilik ölçütünü birleştirmek için Analytic Hierarchy Process (AHP) ve kriter ağırlıklandırmak için Entropi ağırlıklandırma ve Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS) ağırlıklandırma yöntemlerini kullanan hızlı ve etkin bir yöntem öneriyoruz. Önerilen yöntem, sentetik ve gerçek veri setleri ile yapılan testlerin sonuçları kıyaslanarak elde edilmiştir. Deneysel sonuçlara göre önerilen yöntem benzer çalışmalara göre rekabetçi sonuçlar verirken, hesaplama hızı bakımından diğer yöntemlerden daha iyi olduğu görülmüştür. Böylece, önerdiğimiz yöntemin büyük ve dinamik karmaşık ağlarda kullanımını mümkün kılmaktadır. Bu amaçla 8 farklı veri seti ile analizler yapılmıştır. Her düğüme ait Aradalık (BC), Yakınlık (CC), Derece (DC), Özvektör (EC), Hubs (HS) and authorities (HA) ve Pagerank (PR) analizleri yapılmıştır. Bu tez çalışmasında elde edilen merkezilik sonuçlarının birlikte kullanılarak düğümlerin daha ayırt edilebilmelerinin artırılması amaçlanmıştır. Çok Kriterli Karar Verme Yöntemlerinden (ÇKKVY) AHP süreci uygulanarak her veri setine ait 127 kombinasyon elde edilmiştir. AHP sürecinde düğüm ağırlıkları Entropi ağırlıklandırma ve TOPSIS ağırlıklandırma yöntemleri kullanılmıştır. Her kombinasyondaki düğümler değerlerine göre gruplanarak ağdaki tüm düğümlerin sayısına oranlanmıştır. Böylece ağdaki düğümlerin ayırt edilme oranları elde edilmiştir. Bu tezde, karmaşık ağlarda bulunan düğümlere ait farklı merkezilik ölçüt değerlerinin objektif yöntemlerle birleştirilmesi ile düğümlerin ayırt edilebilirliği artırılabildiği görülmüştür.
Bebek ağlamalarının makine öğrenmesi algoritmalarıyla sınıflandırılması
İnsanlar sürekli olarak birbirleriyle iletişim halindedirler ve bunu genellikle dil aracılığıyla gerçekleştirirler. Yeni doğan bir bebeğin bu beceriyi kazanana kadar kendini ifade etmek için en etkili yolu ağlamaktır. Bebek ağlamaları genellikle yetişkinler tarafından rahatsız edici ve anlamsız olarak algılanabilirken, aslında birçok bilgi içerebilirler. Bu bilgiler doğru yöntemler kullanılarak analiz edildiğinde bebeğin ağlama nedenini ortaya koyabilir. Bebeğin sağlığı ve mutluluğu için ağlama nedeninin anlaşılması çok önemlidir. Bu tez çalışmasında, bebek ağlaması sinyallerindeki bilgi ses işleme yöntemleri kullanılarak anlamlandırılmaya ve makine öğrenimi algoritmalarıyla sınıflandırılmaya çalışılmıştır. Bu doğrultuda beş ayrı sınıfa ayrılmış bebek ağlaması ses sinyalleri içeren bir veri seti kullanılmış, veri seti üzerinde verileri eşit parçalara bölme yöntemi uygulanarak her bölme işlemi için ayrı veri seti oluşturulmuştur. Daha sonra her veri seti üzerinde öznitelik çıkarma işlemleri uygulanmış ve sınıflandırma algoritmaları ile performans değerleri ölçülmüştür. Bu ölçüm sonuçları incelenmiş ve kullanılan veri artırma yöntemi ile oluşturulan veri setleri üzerinde daha yüksek performans değerleri elde edildiği görülmüştür. Kullanılan altı algoritma oluşturulan veri setleri ile modellenmiş ve en yüksek performans skoru Extreme Gradient Boosting (XGBoost) algoritması ile %99,51 olarak bulunmuştur.
Derin öğrenme yöntemleri kullanılarak deepfake medya dosyalarının tespiti
Deepfake medyalar, insanların görüntülerinin ve/veya seslerinin değiştirildiği, taklit edildiği her türlü görsel işitsel verilerdir. Genellikle insanların yüzlerinin değiştirildiği deepfake medya türü ile daha sık karşılaşılmaktadır. Teknolojik gelişmelerin paralelinde yapay zeka algoritmalarında görülen gelişmeler çok daha gerçekçi deepfake medyalar üretilmesine olanak sağlamıştır. Deepfake medyaların birçok farklı alanda iyi niyetli ya da kötü niyetli olarak kullanım örnekleri görülmektedir. Bireylerin deepfake medya teknolojisinin kötüye kullanımına maruz kalmaması için sosyal medya gibi platformlarda herkese açık olarak görsel ve işitsel medyalarını paylaşmaması gerekmektedir. Deepfake medyaların kötüye kullanımını engellemek adına devletlerin de gerekli önlemleri alması çok önemlidir. Son dönemlerde deepfake medyaların tespit edilmesi hakkında akademik çalışmaların sayısında artış görülmektedir. Çalışmamızın ana konusu deepfake medyaların derin öğrenme mimarileri kullanılarak tespit edilmesine yöneliktir. Bu kapsamda 5 farklı ön eğitimli model (VGG16, EfficientNetB4, DenseNet201, InceptionV3, ResNet50V2) Google Colab ortamında FaceForensics++ veri seti üzerinde test edilmiştir. 0,93 AUC değeri ile en başarılı model EfficientNetB4 olmuştur.
Derin öğrenme tabanlı bas konuş/interkom sistemlerinde ses duygu analizi
Metrolarda bulunan Bas-Konuş sistemleri yolcuların makinistle iletişime geçmelerini sağlayan sistemlerdir. Yolcular bu sistem aracılığı ile acil durumlarda makinistle irtibata geçerek bir sıkıntı olduğunu söyleyebilmektedir. Ancak mevcut Bas Konuş/ Interkom sistemlerinde bir öncelik olayı olmadığı için makinist rastgele butona basan biriyle de görüşebilmektedir. Dolayısıyla önemli /acil bir durum için basan yolcu görüşmek için daha sonraya kalabilmekte ve geç müdahaleye sebep olabilmektedir. Bu çalışmada, bas/konuş sistemlerinde karşılaşılan bu sorunlara çözüm getirmek amacı ile, son yıllarda geliştirilen derin öğrenme mimarilerinden Wav2Vec2 kullanılmıştır. Bas-konuş cihazından butona basan yolcu konuştuğunda, insan sesini algılayan sistem devreye girmektedir. Bas-konuş cihazından butona basan yolcu konuştuğunda, eğitilmiş model ile duygu sınıflandırma yapılarak, yolcunun gerçekten acil bir durumda olup olmadığı algılanmaktadır. Bu çalışmada eğitilen duygu sınıflandırma modelinin, sisteme entegre edilmesi ve tahmin edilen duygu sınıfına göre, sistem otomasyonu geliştirilmesi, acil olmayan durumların otomatik bir sistem cevabı ile geçilmesini ve acil durumların geciktirilmemesi amaçlanmaktadır. Çalışmada EMO-DB veri setinde yer alan, duygu sınıflarına göre önceden eğitilmiş bir Wav2Vec2 modeli kullanılarak transfer öğrenme yoluyla ses verileri 2D görüntülere, yani ses spektrogramlarına dönüştürülmüştür. Elde edilen veri seti ile transfer öğrenme yolu ile eğitilen model de, %92 doğruluk değerine ulaşıldığı görülmüştür.
Hava aracı tespit ve takip sisteminin gerçek zamanlı olarak gömülü sistem üzerinde gerçekleştirilmesi
Bu tez çalışması, İnsansız Hava Araçlarının (İHA) çeşitli savaş senaryolarında pilot seviyesinde karar alabilme ve hedef takip edebilme yeteneklerini kazanmasını sağlayacak bir gömülü sistem geliştirmeyi amaçlamaktadır. Bu kapsamda, gömülü sistemler ile nesne tespit modellerinin entegrasyonu ele alınmış ve gerçek zamanlı olarak hedef tespit ve takip işlemlerinin sağlanması hedeflenmiştir. Çalışmada Python, OpenCV ve YOLO gibi teknolojiler kullanılarak, düşük gecikme süresine sahip bir sistem elde edilmesi amaçlanmıştır. Sistem, İHA'nın burun kısmına yerleştirilen yüksek çözünürlüklü bir kamera ile canlı görüntü elde ederek, bu görüntüyü gömülü sistem üzerinde işleyip hedef hava aracını tespit etmekte ve takip işlemini başlatmaktadır. YOLO modeli, bu projede yüksek doğruluk ve hız sağladığı için tercih edilmiştir. Hedef hava aracının konumu ve yönelimi tespit edildikten sonra, uçuş bilgisayarına gönderilen kontrol sinyalleriyle takip işlemi sürdürülmektedir. Bu teknoloji sayesinde, savaş pilotlarının maruz kaldığı tehlikeli senaryolar, insan müdahalesi gerekmeksizin otomatik olarak yönetilebilmekte, bu da güvenlik ve operasyonel maliyetler açısından önemli avantajlar sunmaktadır. Tezin deneysel çalışmaları kapsamında, farklı simülasyon yazılımları ve sanal test ortamları aracılığıyla elde edilen sonuçlar, sistemin doğruluk ve kararlılık açısından başarılı performans sergilediğini ortaya koymuştur. Özellikle YOLOv8n modeli, eğitim sürecinde %90,79 mAP@0.5 doğruluk değerine ulaşarak sabit kanatlı hava aracı tespiti görevlerinde yüksek başarı sağlamıştır. Bu doğruluk oranı, gömülü sistemler için optimize edilmiş modeller arasında önemli bir yer edinmiştir. Gerçek zamanlı testlerde Jetson Nano üzerinde ortalama 17,5 FPS değerine ulaşılmış ve bu da sistemin hem hız hem de doğruluk açısından uygulamaya elverişli olduğunu göstermiştir. Takip algoritmaları açısından değerlendirildiğinde, klasik Kalman Filtresi düşük hesaplama maliyetiyle bazı senaryolarda yeterli performans sunarken, karmaşık manevralar ve doğrusal olmayan uçuş dinamiklerinde yetersiz kalmıştır. Bu bağlamda kullanılan Genişletilmiş Kalman Filtresi (EKF), hem bilgisayar hem de Jetson Nano ortamında yapılan testlerde yüksek izleme kararlılığı sunmuş ve sistemin genel performansına önemli katkı sağlamıştır. EKF ile yapılan izleme sürecinde sistem, yön değiştirme, hızlanma ve hedef kaybı gibi durumlarda dahi kesintisiz ve tutarlı tahminler üretebilmiştir. Sonuç olarak, YOLOv8n tabanlı nesne tespiti ile EKF destekli takip algoritmasının entegrasyonu, sistemin doğruluğunu, kararlılığını ve gerçek zamanlı işleyebilirliğini optimize eden etkili bir çözüm sunmuştur. Bu çalışma, İHA'ların otonom görev icra kabiliyetlerini artırmakta ve literatürde yer alan geleneksel yöntemlerin ötesine geçen yenilikçi bir yaklaşım ortaya koymaktadır. Elde edilen bu bulgular, ileride gerçek İHA platformları üzerinde yapılacak uçuş testleri için sağlam bir altyapı oluşturmakta ve sistemin savunma, güvenlik ve keşif uygulamalarına yönelik potansiyelini ortaya koymaktadır.
Mediapipe ve makine öğrenmesi kullanarak uyku durum tespitinin gerçek zamanlı olarak mobil sistem ile gerçekleştirilmesi
Bu tez çalışmasında, sürücülerin uykulu ya da uyanık olduklarının mobil telefon kamerası aracılığıyla gerçek zamanlı olarak tespit edilmesini sağlayan bir sistem geliştirilmiştir. Uykulu halde araç kullanımı, ciddi trafik kazalarına yol açabilen başlıca risk faktörlerinden biridir. Bu nedenle sürücünün uyanıklık durumunun anlık olarak izlenmesi ve uykulu hâlin erken tespit edilmesi, trafik güvenliğini artırma açısından büyük önem taşımaktadır. Geliştirilen sistemde, sürücülerin yüz ifadeleri ve göz hareketleri mobil telefon kamerası üzerinden analiz edilmiştir. Görüntü işleme aşamasında Google tarafından geliştirilen Mediapipe kütüphanesi kullanılmış; yüz bölgesinden elde edilen blendshape verileri, sürücünün mimik ve ifade değişimlerini sayısal olarak temsil etmiştir. Bu veriler, uykulu sürüş sırasında meydana gelen davranışsal değişimleri (örneğin, gözlerin kapanması, ağız hareketlerinin azalması, yüz kaslarının gevşemesi gibi) yakalamada önemli rol oynamıştır. Elde edilen blendshape vektörleri, makine öğrenmesi algoritmaları ile işlenmiş ve bireylerin "uykulu" veya "uyanık" durumlarına ait sınıflandırmaları gerçekleştirilmiştir. Modelin eğitimi ve testinde dengeli veri setleri kullanılmış, sistemin doğruluk, hassasiyet ve özgüllük gibi performans ölçütleri değerlendirilmiştir. Bu tezde geliştirilen sistem; düşük donanım gereksinimi, taşınabilirlik ve gerçek zamanlı çalışma özellikleriyle dikkat çeken, mobil cihazlar üzerinden kullanılabilen bir uygulama sunmaktadır. Blendshape tabanlı yüz analizi ile desteklenen bu yöntem, sürücülerin uykulu hâlini yüksek doğruluk oranlarıyla tespit ederek trafik kazalarının önlenmesine katkı sağlayacak önemli bir adım niteliğindedir.
Üniversite bilgi yönetim sisteminin kullanılabilirlik analizi
Kamu kurumları, öncelikle belge yönetimi süreçlerinde belge yönetim sistemlerini kullanarak dijitalleşme sürecine girmiştir. Bu bağlamda geliştirilen Üniversite Bilgi Yönetim Sistemi (ÜBYS), yükseköğretim kurumlarının akademik ve idari süreçlerini tek bir platform altında birleştirerek; bilgiye erişim, iş süreçlerinin otomasyonu ve veri güvenliği gibi alanlarda önemli katkılar sunmaktadır. Bu tez çalışmasında, yükseköğretim kurumlarında yaygın olarak kullanılan ÜBYS kullanılabilirliği analiz edilmiştir. Araştırma, kullanıcı merkezli bir yaklaşımla gerçekleştirilmiş olup, sistemin Kastamonu Üniversitesi'ndeki farklı kullanıcı gruplarına (öğrenci, akademik ve idari personel) sunduğu deneyim çok boyutlu olarak değerlendirilmiştir. Çalışmada yöntem olarak sezgisel değerlendirme, kullanıcı testi ve Sistem Kullanılabilirlik Ölçeği anketi kullanılmıştır. Katılımcılar; yaş, cinsiyet, eğitim durumu, çalışma durumu ve sistem kullanım sıklığı gibi değişkenler açısından incelenmiş, betimsel ve karşılaştırmalı istatistiksel analizler gerçekleştirilmiştir. Bulgular, ÜBYS'nin genel olarak işlevsel ve erişilebilir bir yapıya sahip olduğunu, ancak bazı modüllerde kullanıcı deneyimini olumsuz etkileyen kullanılabilirlik sorunlarının bulunduğunu ortaya koymuştur. Sonuç olarak, ÜBYS'nin kullanıcı dostu bir yapıya sahip olmakla birlikte; bazı arayüz bileşenleri, yardım dokümantasyonları ve hata yönetim sistemlerinde iyileştirmelere ihtiyaç duyulduğu belirlenmiştir. Elde edilen bulgular, sistemin daha etkili, sezgisel ve kullanıcı memnuniyetini artıracak şekilde yeniden yapılandırılması için yol gösterici öneriler sunmaktadır.