260
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Soğan mimarisinde metin içeriklerinin yapay zekâ destekli modeller ile değerlendirilmesi ve dağıtımı
Bu tez çalışması, müşteri geri bildirimlerinin yapay zekâ destekli modellerle analiz edilmesi ve elde edilen içgörülerin soğan mimarisi kullanılarak dağıtılmasını amaçlamaktadır. Araştırma, özellikle havayolu taşımacılığı sektöründe müşteri memnuniyetini artırmak ve hizmet kalitesini iyileştirmek için yenilikçi yöntemler sunmayı hedeflemektedir. Tez kapsamında, doğal dil işleme (NLP) teknikleri ve derin öğrenme modelleri kullanılarak metin tabanlı müşteri yorumları analiz edilmiştir. Çalışmanın birinci amacı, müşteri yorumlarından anlamlı içgörüler elde etmek olup, bigram, trigram analizleri ve duygu analizi gibi yöntemlerle müşterilerin yoğunlaştığı konular ve duygusal tepkileri belirlemektir. İkinci amaç, duygu analizi ile müşteri memnuniyetini değerlendirerek pozitif, negatif veya nötr duyguların sınıflandırılmasını sağlamaktır. Üçüncü amaç, elde edilen analiz sonuçlarının soğan mimarisi ile etkin bir şekilde dağıtılmasıdır. Bu mimari, yazılım geliştirme süreçlerinde katmanlı ve modüler bir yaklaşım sunarak uygulamaların sürdürülebilirliğini ve esnekliğini artırır. Son olarak, dördüncü amaç, müşteri geri bildirimlerinden elde edilen verilerle hizmet kalitesini iyileştirmek için karar destek sistemleri geliştirmektir. Araştırma kapsamında kullanılan veri seti, havayolu sektöründe müşteri deneyimlerine ait metin tabanlı yorumları içermektedir. Bu yorumlar, doğrulama durumu, içerik, değerlendirme puanı, tavsiye durumu ve duygu analizi gibi bilgiler içermektedir. Veri seti, duygu analizi için ön işleme tabi tutularak eğitim ve test seti olarak ayrılmıştır. Derin öğrenme modelleri ve optimizasyon algoritmaları kullanılarak elde edilen sonuçlar, hizmet kalitesinin artırılması ve müşteri memnuniyetinin iyileştirilmesi için stratejik öneriler sunmaktadır.
Pap smear imgelerine ve yapay zekâ tekniklerine dayalı olarak rahim ağzı kanseri teşhisi için temiz mimariye dayalı karar destek sisteminin geliştirilmesi
Rahim ağzı kanseri, serviks hücrelerinin kontrolsüz büyümesi ve çoğalması sonucu ortaya çıkan bir kanser türüdür ve diğer kanser türlerine kıyasla teşhis edildikten sonra daha yüksek tedavi başarısına sahiptir. Bu tez çalışması, rahim ağzı kanseri teşhisinde derin öğrenme modellerinin etkinliğini değerlendirmek amacıyla gerçekleştirilmiştir. SIPaKMeD veri seti kullanılarak, çeşitli görüntü ön işleme teknikleri ve derin öğrenme modelleri üzerinde deneyler yapılmıştır. Blur, Bilateral, Blur-Bilateral, Median-Blur ve Gaussian-Blur filtreleme teknikleri uygulanmış ve bu tekniklerin performansları incelenmiştir. Çalışmada Inception-ResNet-V2, MobileNetV2, NASNetLarge, ResNet101 ve VGG19 modelleri test edilerek performansları karşılaştırılmıştır. Sonuçlar, Inception-ResNet-V2 ve MobileNetV2 modellerinin yüksek doğruluk oranları ile öne çıktığını göstermiştir. Özellikle Blur filtresinin, 0.8088 ortalama F1-skoru ile en etkili filtre olduğu tespit edilmiştir. ROC eğrisi analizinde, Inception-ResNet-V2 modelinin en yüksek AUC değerine sahip olduğu ve dolayısıyla en iyi sınıflandırma yeteneğine sahip olduğu belirlenmiştir. Tez kapsamında geliştirilen web tabanlı karar destek sistemi, kullanıcıların Pap smear sonuçlarını analiz etmelerine ve teşhis koymalarına yardımcı olmaktadır. Kullanıcı dostu arayüzü sayesinde, sağlık profesyonelleri ve diğer kullanıcılar kolayca veri girişi yapabilir ve sonuçları yorumlayabilirler. Bu sistem, klinik uygulamalarda güvenilir ve etkili bir teşhis aracı olarak kullanılabilir. Bu çalışma, rahim ağzı kanseri teşhisinde derin öğrenme modellerinin ve çeşitli ön işleme tekniklerinin etkinliğini ortaya koymakta, geliştirilen karar destek sistemi ile sağlık profesyonelleri ve diğer kullanıcıların kullanımına sunularak bu alanda önemli katkılar sağlamaktadır.
Derin öğrenme ile elektronik bileşen tespiti
Elektronik bileşenlerin tanınması, endüstriyel otomasyon, kalite kontrol ve atık yönetimi gibi çeşitli alanlarda büyük önem taşımaktadır. Üretim süreçlerini optimize etmek, ürün kalitesini artırmak ve bakım prosedürlerini iyileştirmek için elektronik bileşenlerin doğru ve verimli bir şekilde tanımlanması gerekmektedir. Bu araştırma, elektronik bileşen tanıma için yeni nesne algılama modellerinin etkinliğini değerlendirmektir. YOLO algoritmasının YOLOv5 ve YOLOv8 gibi farklı sürümleri de dahil olmak üzere çeşitli modeller üzerinde kapsamlı bir karşılaştırmalı analiz gerçekleştirilmiştir. Nesne tanıma modellerini değerlendirmek için, farklı boyutlarda, türlerde ve yönlerde elektronik bileşenler içeren büyük bir veri kümesi üzerinde her model için titiz bir eğitim ve ayarlama gerçekleştirilmiştir. Araştırma sonuçları, elektronik bileşen tanıma alanında her bir modelin avantaj ve dezavantajlarını kapsamlı bir şekilde ortaya koymaktadır. Bu çalışma, belirli uygulamalar için en uygun modeli arayan elektronik endüstrisi profesyonelleri için değerli bir araç sağlayarak nesne tanıma tekniklerinin anlaşılmasını geliştirmektedir. Yapılan çalışma sonucunda YOLOv8x modeli ile 0.948 kesinlik, 0.917 mAP50, 0.828 mAP50-95 ve 0.878 F1 skoru elde edilmiştir. Ayrıca, YOLOv8m modeli kullanılarak 0.843 duyarlılık değeri elde edilmiştir. Bu başarılar, önerilen modellerin elektronik bileşen tanıma görevinde etkili olduğunu göstermektedir.
Derin Öğrenme Teknikleri ile Nörolojik Hasta Sesi Sınıflandırma
Nörolojik hastalıkların teşhisinde ses analizi, objektif bir parametre olarak kullanılabilen potansiyel bir araçtır. Hastalık süreci, nörolojik hastalıklı bireylerin ses sinyallerini farklı derecelerde etkileyebilmektedir. Bu durum sesin hastalık teşhisinde kullanılabilirliğini artırmaktadır. Bu çalışma, nörolojik hastalıkların teşhisinde ses analizi temel alınarak bir yöntem geliştirme amacını taşımaktadır. Çalışma, nörolojik hastalıklı bireylere yönelik bir ses tabanlı sınıflandırma yöntemi sunmaktadır. Bu amaçla, nörolojik hastalık tanısı almış bireylere bir cümle söyletilerek ses kayıtları alınmıştır. Elde edilen ses kayıtları, bilgisayar ortamında işlenerek, kişinin Multipl Skleroz (MS) hastası, sağlıklı bir birey veya diğer nörolojik hastalıklardan birine sahip olup olmadığını sınıflandırmak için kullanılmıştır. Ses kayıtları, Hızlı Fourier Dönüşümü (HFD) gibi sinyal işleme teknikleri kullanılarak spektrogram adı verilen görsel temsillere dönüştürülerek veri seti oluşturulmuştur. Eğitim verisi, transfer tabanlı derin öğrenme teknikleri kullanılarak VGG16, VGG19, EfficientNetV2B3 ve Görsel Transformer (ViT-Vision Transformers) tabanlı ViT-Base-Patch16-224-in21k modellerinin yeniden eğitimi için kullanılmıştır. Test verisi ile modeller test edilerek kişinin sesi MS ve diğer nörolojik hastalıklar ya da sağlıklı bir bireye ait olup olmadığına göre sınıflandırılmıştır. Bu çalışma ile, nörolojik hastalıkların teşhisinde ses analizi için derin öğrenme tekniklerinin kullanılması gerçekleştirilmiştir. Kullanılan dört modelde de %96'ın üzerinde bir genel doğruluk değeri bu yöntemin nörolojik hastalık teşhisi için kullanılabileceğini göstermektedir. Bu da yeni bulguların ve yöntemlerin keşfi için bir temel oluşturarak nörolojik hastalıkların daha iyi anlaşılmasına ve tedavi edilmesine fırsatları sunmaktadır. Bu tez çalışması, nörolojik hastalık teşhisinin yeni bir yaklaşımını sunmaktadır ve nörolojik hastalıkların teşhisi ve tedavisi konusundaki çabaları desteklemeyi hedeflemektedir.
Video tabanlı egzersiz tanıma ve kalori yakımı tahmini
Modern yaşam koşulları ve sağlıksız beslenme nedeniyle obezite ve hareketsizlik kaynaklı sağlık sorunları günümüzde büyük bir problem haline gelmiştir. Sağlıklı bir yaşam sürmek veya kilo vermek isteyen bireyler çeşitli spor aktiviteleri yapmayı tercih ederler, ancak bu aktivitelerin doğru bir şekilde yapılması ve yakılan kalorilerin doğru hesaplanması zordur. Yanlış kalori hesaplamaları kilo kontrolünü zorlaştırabilir ve motivasyon kaybına, metabolizma sorunlarına, yorgunluğa ve performans kaybına yol açabilir. Bu nedenle, egzersiz sırasında yakılan kalorinin doğru hesaplanması çok önemlidir. Bu çalışmada, kişinin yaptığı egzersiz türüne göre kendi videosu üzerinden ne kadar kalori harcadığını hesaplayan bir yazılım geliştirilmiştir. Yazılım, video görüntüsünden egzersiz türünü tanımlama, hareket sayısını sayma ve tahmini kalori yakımını izleme yeteneklerine sahiptir. Literatürde ayrı ayrı ele alınan video sınıflandırma, hareket sayma ve kalori hesaplama problemleri bu çalışmada bütüncül bir yaklaşımla bir araya getirilmiştir. Çalışmada barfiks, şınav, koşma, bisiklet, squat ve ip atlama gibi yaygın egzersiz türleri ele alınmıştır. Yapılan deneysel sonuçlara göre yüksek doğruluklar elde edilmiştir
Konik ışınlı bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı kritik anatomik yapıların tespiti
Bu çalışma, konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde kritik anatomi yapılarının tespiti için kullanılan bölgesel segmentasyon yöntemlerinin, çalışma performanslarını karşılaştırmayı amaçlamaktadır. Tez kapsamında, özellikle infraorbital foramen ve maksiller sinüs yapılarının radyografik görüntüler üzerinden doğru bir şekilde tespit edilmesi amaçlanmıştır. Maksiller sinüs ve infraorbital foramen, çeşitli klinik uygulamalarda önemli anatomik yapılardır. Bu yapıları hassas ve doğru bir şekilde tespit etmek, doğru teşhis koymak ve tedavi planlaması yapmak son derece önemlidir. Tez çalışması doğrultusunda, farklı yapılara sahip bölgesel segmentasyon mimarileri maksiller sinüs ve infraorbital foramen tespiti için incelenmiş ve karşılaştırılmıştır. Her bir model, maksiller sinüs ve infraorbital foramen tespiti görevi için eğitilmiş ve test edilmiştir. Bu süreç, farklı ağ mimarileri ve öğrenme stratejilerinin performans üzerindeki etkisini değerlendirmeyi hedeflemektedir. Çalışmada kullanılan veri seti, medikal görüntüleme cihazlarından elde edilen 3D tomografi ve radyografi kesitlerinden oluşmaktadır. Her modelin tespit performansı, hassasiyet (precision), doğruluk (accuracy), gerçek pozitif oranı (recall) ve F1 skoru gibi metriklerle değerlendirilmiştir. Çalışmanın diş hekimliği, çene cerrahisi ve otolarengoloji uygulamalarında görüntü analiz süreçlerini optimize etmeyi ve tedavi planlamasında doğruluğu artırması hedeflenmektedir.
112 acil çağrı uygulamasının test süreçleri ve verimliliğinin artırılması
Bu çalışma, 112 acil çağrı uygulamasının test senaryoları ve kullanıcı memnuniyeti değerlendirme konusunda literatüre önemli bir katkı sunmaktadır. Çalışmada, 112 acil çağrı uygulamasının işlevselliğini ve etkinliğini değerlendirmek için 5 adet test senaryosu tasarlanmış ve bu senaryolar 3056 kişiye uygulanmıştır. Test sonuçları ve memnuniyet anketleri istatistiksel yöntemler kullanılarak analiz edilmiştir. Ayrıca bu çalışmada 112 acil çağrı uygulamasının test senaryolarının bazı kısıtlılıklarına ve dezavantajlarına da dikkat çekilmektedir. Bu kısıtlılıklar göz önünde bulundurularak, test senaryolarının daha gerçekçi, kapsamlı ve güvenilir olmasını sağlayacak geliştirmeler yapılması önemlidir. Çalışma, 112 acil çağrı uygulamasının gerçekçi senaryolarla test edilmesi ve kullanıcı memnuniyetinin değerlendirilmesi gerektiğini vurgulamaktadır. Ayrıca, çalışma yılı, cinsiyet gibi faktörlerin uygulamadan memnuniyeti etkilediğini göstermektedir. Bu bulgular, 112 acil çağrı uygulamasının geliştirilmesi için önemli bilgiler sunmaktadır. Bu çalışma sonuç olarak, 112 acil çağrı uygulamasının geliştirilmesi ve optimize edilmesi için önemli bilgiler sunmakta ve acil durum müdahale sistemlerinin daha etkin ve verimli bir şekilde çalışmasına katkıda bulunmaktadır.
Nesne tanıma algoritmaları ile trafik tabelası tanıma
Otonom araçlar ve akıllı ulaşım sistemlerinin gelişimi, trafik işaretlerinin doğru, hızlı ve güvenilir biçimde tespit edilmesini zorunlu hale getirmiştir. Trafik işaretlerinin gerçek zamanlı olarak tanınması, araçların yol koşullarına uyum sağlayabilmesi, güvenliğin artırılması ve trafik kurallarına uygun hareket edilmesi açısından önemli bir öneme sahiptir. Bu tez çalışmasında hem doğruluk hem de işlem verimliliği arasında denge sağlamayı amaçlayan altı farklı YOLOv11 versiyonu trafik işareti tespiti açısından incelenmiştir. Modeller, trafik işareti veri kümesi üzerinde eğitilmiş ve doğruluk, geri çağırma ve F1 puanı gibi metrikler üzerinden değerlendirilmiştir. Üç basit YOLOv11 modeli ve bu üç modelin ince ayar yapılmış sürümleri de çalışmada uygulanmış ve böylece trafik işareti tespitinde doğruluk oranının artırılması hedeflenmiştir. Yapılan iyileştirmeler sayesinde modellerin genelleme kabiliyeti güçlendirilmiş, küçük boyutlu ya da kısmen örtülmüş işaretlerin daha başarılı şekilde algılanması sağlanmıştır. Bu durum, özellikle karmaşık yol koşullarında ve farklı aydınlatma ortamlarında daha güvenilir bir performans ortaya koymuştur. Yapılan çalışma sonrasında elde edilen bulgular, YOLOv11n, YOLOv11s ve YOLOv11m modelleri ile bunların ince ayar yapılmış varyantlarının gerçek zamanlı trafik işareti tespiti için uygulanabilir ve güçlü çözümler sunduğunu göstermektedir. Çalışma, aynı zamanda veri artırma ve ince ayar teknikleriyle daha da yüksek performans elde edilebileceğini ortaya koyarak gelecekteki araştırmalar için yeni bir yön çizmektedir. Bu çalışmada kullanılan veri artırımı teknikleri ve dikkatle gerçekleştirilen etiketleme süreci, modellerin gerçek dünya koşullarına uyum yeteneğini önemli ölçüde geliştirmiştir. Farklı hava koşulları, aydınlatma değişimleri ile oluşturulan veriler sayesinde, modellerin dayanıklılığı artırılmış ve tespit hataları minimize edilmiştir. Yapılan çalışma sonucunda YOLOv11s modelinde 0.9882, YOLOv11m modelinde 0.9877, YOLOv11n modelinde 0.9899 F1 skoru elde edilmiştir. Elde edilen sonuçlar, geliştirilen YOLOv11 tabanlı modellerin otonom sürüş sistemleri ve akıllı ulaşım uygulamalarında güvenilir, hızlı ve ölçeklenebilir bir çözüm olarak kullanılabileceğini ortaya koymaktadır.
Panoramik diş görüntülerinin analizinde derin öğrenme tabanlı bölgesel tespit yöntemlerinin araştırılması ve geliştirilmesi
Bu tez çalışması, panoramik diş radyografilerinde gömülü diş, diş çürüğü ve diş enfeksiyonu olmak üzere üç farklı dental patolojinin otomatik tespiti için derin öğrenme tabanlı yenilikçi modeller geliştirmeyi amaçlamaktadır. Geleneksel manuel görsel değerlendirme yöntemlerinin zaman alıcı, öznel ve yorgunluğa bağlı hatalara açık olması nedeniyle, her bir patoloji türü için özel olarak tasarlanmış ve optimize edilmiş derin öğrenme mimarileri önerilmiştir. Gömülü diş tespiti için, GAN tabanlı görüntü iyileştirme ile YOLOv8-L ve RT-DETR-L mimarilerinin birleştirildiği ensemble yaklaşımı kullanılmıştır. 407 panoramik görüntüden oluşan veri seti üzerinde yapılan deneylerde, optimize edilmiş model %98,3 mAP@0.5 ve %99,2 recall değerlerine ulaşmıştır. Diş çürüğü tespiti için, YOLOv8 mimarisine ConvNeXtV2 blokları entegre edilmiş ve genetik algoritma ile hiperparametre optimizasyonu gerçekleştirilmiştir. 474 görüntüden oluşan veri setiyle yapılan çalışmalarda, optimize edilmiş model %62,6 mAP@0.5 ve %78,4 precision değerleri elde etmiş; bu, temel YOLOv8'e göre %8,7 mAP@0.5 artışı sağlamıştır. Diş enfeksiyonu tespiti kapsamında, YOLOv10 mimarisine ECA, SGE ve SKConv dikkat mekanizmaları entegre edilmiş ve genetik algoritma optimizasyonu uygulanmıştır. 422 panoramik görüntüyle yapılan deneylerde, optimize edilmiş model %64,5 mAP@0.5, %76,1 precision ve %61,8 recall değerlerine ulaşmış; temel YOLOv10'a göre %6,6 mAP@0.5 artışı sağlamıştır. Elde edilen bulgular, önerilen mimari iyileştirmelerin, optimizasyon tekniklerinin ve ensemble yaklaşımlarının temel modellere kıyasla anlamlı performans artışları sağladığını ortaya koymuştur. Bu çalışma, dental görüntüleme alanında derin öğrenme uygulamalarına önemli katkılar sunmakta ve geliştirilen sistemlerin diş hekimlerinin tanısal süreçlerini destekleyerek daha hızlı, nesnel ve doğru teşhis konulmasına yardımcı olma potansiyeline sahip olduğunu göstermektedir.
Pell-lucas dizileri ve vernam şifreleme ile güçlendirilmiş ring-lwe tabanlı hibrit imza yaklaşımı
Bu tez çalışmasında, sayılar teorisine dayalı gelişmiş dijital imza algoritmalarının tasarımı, güvenliği, performansı ve potansiyel uygulama alanları bakımından kapsamlı biçimde ele alınmaktadır. Dijital imzaların veri bütünlüğü, kimlik doğrulama ve inkâr edilemezlik için önemli olduğu vurgulanmakta; klasik yöntemlerin kuantum bilgisayarlarının oluşturabileceği gelecekteki tehditler karşısında yetersiz kalabileceği tartışılmaktadır. Bu bağlamda, mevcut imza yöntemlerindeki güvenlik ve performans eksikliklerini giderecek, kuantum sonrası güvenliği gözeten yeni bir dijital imza algoritmasının geliştirilmesi amaçlanmaktadır. Ayrıca, gezgin satıcı ve sırt çantası gibi Nondeterministic Polynomial-sınıfı problemlere yönelik etkili algoritmaların tasarımı ve bu algoritmaların ayrıntılı performans analizlerinin yapılması gerekliliği ortaya konulmakta; son on yılda bilişim teknolojilerinde yaşanan hızlı gelişimin finans, e-ticaret ve bilgi güvenliği alanlarında yöntemlerin sistematik biçimde sınıflandırılmasını zorunlu kıldığı belirtilmektedir. Önerilen algoritmaların güvenliği matematiksel analizler ve teorik testler aracılığıyla doğrulanmakta; işlem süreleri, doğrulama süreçleri ve kaynak kullanımı ölçülerek klasik yaklaşımlara kıyasla anlamlı iyileştirmeler sağlandığı gösterilmektedir. Çalışma kapsamında yaygın simetrik ve asimetrik şifreleme algoritmaları zaman, işlemci ve bellek karmaşıklığı açısından karşılaştırılmakta; elde edilen bulgularla uygulamaların etkinliğinin artırılmasına yönelik stratejiler geliştirilmektedir. Sonuç olarak, sayısal imza algoritmalarının seçiminin hedef ve güvenlik gereksinimlerine uygun biçimde dikkatle yapılması gerektiği vurgulanmakta; bilgi güvenliği ile algoritma tasarımının entegrasyonu sayesinde hem klasik hem de kuantum tehditlerine dayanıklı, çağın gereksinimlerine uygun yenilikçi çözümler sunulmaktadır. Anahtar kelimeler: Şifreleme algoritmaları, Performans analizi, Kriptoloji, İmza algoritması
Driving behavior classification using smartphone sensor data
The need for driver behavior monitoring systems has increased due to the significant amount of accidents that are brought on by human mistakes. These systems have the potential to lower accident rates and increase overall road safety by offering real-time monitoring and analysis of driving behavior. Based on the data collected from passengers' smartphones, we propose a novel analysis framework for classifying driving behavior in this thesis. Our mobile phone application was used to collect the data, which was then subjected to machine learning algorithms for processing. We utilized several Machine Learning (ML) classification techniques, with a particular emphasis on developing a Long Short Term Memory (LSTM) algorithm for increased accuracy and sequence-based prediction. The outcomes show how successfully the suggested method classifies driving behavior using the data obtained from smartphone applications. After having a successful result with LSTM, instead of collecting all data from users into one area, we developed a federated learning algorithm to train and test each data on users' phones. The results of the study show that federated learning is useful for the classification of driver behavior and thus increases accuracy.
Makine öğrenmesi ve görüntü işleme yöntemleri ile sar görüntülerinde gemi tespiti
Sentetik açıklıklı radar (SAR) görüntüleri günümüzde savunma sanayisi, deniz izlemeleri, çevresel atıkların takibi ve afet gibi acil durumlarda yoğun olarak kullanılmaktadırlar. İklim ve hava koşullarından bağımsız olarak her durumda yüksek kalitede görüntüler sunan bu teknoloji ile etkin nesne tanıma ve hedef takibi uygulamaları geliştirilmektedir. Tez çalışmasında SAR görüntülerindeki gemileri tespit edip sınıflandıran iki yöntem geliştirilmiştir. İlk olarak kapsamlı bir SAR gemi görüntüleri içeren bir veri tabanı oluşturulmuştur. Bu veri tabanında dünyanın farklı bölgelerindeki liman, deniz ve okyanuslardan görüntüler alınmıştır. Böylece kapsamlı bir veri tabanı oluşturulmuştur. Görüntülerden anlamlı özellik vektörleri elde etmek için ilk olarak gri seviye eş oluşum matrisinden 4 farklı istatistiksel ölçüm yapılmıştır. Gri seviye eş oluşum matrisinin inşa edilmesinde Gauss türev filtreleri kullanılmıştır elde edilen özellik vektörleri destek vektör makineleri ile sınıflandırılmıştır. Geliştirilen ikinci yöntemde ise görüntülerin Hessian matrisleri hesaplanmıştır. Hessian matrisinin öz değerleri hesaplanarak gradyan büyüklükleri ve gradyan yönelimleri elde edilmiştir. Bu iki bilgi ile etkin histogram etiketlemesi yapılmıştır. Böylece gemi olan ve olmayan bölgelerin piksel verileri etkin şekilde ayırt edilmiştir. Elde edilen özellik vektörleri yapay sinir ağları ile sınıflandırılmıştır. Önerilen yöntem LBP (Local Binary Pattern) yöntemi karşılaştırılmıştır. Deneysel sonuçlar önerilen yöntemlerin gemi sınıflandırmada etkin sonuçlar verdiğini göstermiştir.
Haber metinlerinin özetlenmesinde graf teorisi ve Malatya merkezilik algoritmasının kullanılması
Bilgiye hızlı ve doğru erişim, dijital çağın en önemli gereksinimlerinden biridir. Bilgi kaynaklarının çoğalmasıyla birlikte kullanıcıların bilgiye kolayca ulaşmasını sağlamak için metin özetleme yöntemlerine duyulan ihtiyaç giderek artmaktadır. Özellikle haber metinleri gibi yoğun bilgi içeren kaynakların etkili bir şekilde özetlenmesi, hem zaman tasarrufu sağlamakta hem de bilginin anlaşılabilirliğini artırmaktadır. Bu çalışmada, haber metinlerinin özetlenmesi için Malatya Merkezilik Algoritması'na dayalı bir yöntem geliştirilmiştir. Algoritma, kelimeler arasındaki ilişkileri graf teorisi çerçevesinde analiz ederek metindeki önemli noktaları belirlemek için merkezilik değerlerini kullanmaktadır. Çalışmada, BBC veri setinden 2000, CNN veri setinden ise 1000 haber metni kullanılarak algoritmanın performansı değerlendirilmiştir. Özetleme işlemi sırasında, metinlerin anlam bütünlüğünü koruyarak en önemli bilgileri seçmek hedeflenmiştir. Algoritmanın başarısı, ROUGE-1, ROUGE-2 ve ROUGE-L metrikleri ile ölçülmüş ve TextRank, PageRank, LexRank ve TF-IDF gibi popüler yöntemlerle karşılaştırılmıştır. Test sonuçları, Malatya Merkezilik Algoritması'nın bilgi kapsamı açısından rekabetçi bir performans sunduğunu ortaya koymuştur. Ancak, özetlerdeki gereksiz kelimelerin varlığı, algoritmanın daha da geliştirilmesi gerektiğine işaret etmektedir. Bu çalışma, önerilen yöntemin haber metinlerinin özetlenmesi için etkili bir yaklaşım sunduğunu ve metin özetleme tekniklerine yeni bir bakış açısı kazandırabileceğini göstermektedir. Gelecekte, algoritmanın farklı veri türleri üzerinde test edilmesi ve daha ileri optimizasyonlarla performansının artırılması hedeflenmektedir. Bu yönüyle, önerilen yöntem, bilgiye hızlı erişim sağlama ve anlamlı özetler oluşturma konusunda önemli bir potansiyele sahiptir.
Ulaşım ağlarının graf tabanlı analizleri
Bu çalışmada, bir kentin ulaşım ağına ait araç geçiş profilleri analiz edilerek, şehirdeki önemli kavşak noktalarının, yeşil dalga koridorlarının, bağlantı tahminlerinin ve maksimum trafik akışının belirlenmesi amaçlanmıştır. Malatya kentine ait, 54 kavşak noktasından elde edilen bluetooth verileri ve bu noktalar arasındaki 147 bağlantıdan oluşan özgün veri seti kullanılarak, kentin ulaşım ağı detaylı bir şekilde incelenmiştir. Kavşak noktalarının merkezlilik analizinde PageRank, Closeness ve Betweenness gibi klasik merkezlilik algoritmalarının yanı sıra, Malatya merkezlilik yöntemi de kullanılmıştır. Bu yöntemler, kavşakların trafik yoğunluğu ve stratejik önem derecelerini belirlemek amacıyla kullanılarak şehir içi trafik yönetimi için yeni bakış açıları sunmuştur. Topluluk tespiti kapsamında, daha önce kullanılan Walktrap, Optimal ve Spinglas yöntemleri de dahil edilmiştir; böylece, ulaşım ağının alt bölgesel yapıları ve yeşil dalga koridorlarının daha hassas bir şekilde tanımlanması sağlanmıştır. Ayrıca, ağdaki mevcut yapı temel alınarak gelecekteki potansiyel bağlantıların tahmin edilmesi için bağlantı tahmini yöntemlerinden Jaccard ve Cosine benzerlik ölçütleri kullanılmış ve bu doğrultuda şehirde yeni yolların ve kavşakların nerelerde oluşabileceğine dair öngörülerde bulunulmuştur. Maksimum akış algoritmasının uygulanması ile iki nokta arasındaki araç geçiş kapasitesi analiz edilmiş ve ağ üzerindeki darboğaz noktalarının belirlenmesi mümkün olmuştur. Çalışmada, R programlama dili ve igraph kütüphanesi kullanılarak analizler gerçekleştirilmiş, elde edilen sonuçlar sayısal ve görsel olarak tezde sunulmuştur. Bu sonuçlar, şehir içi trafik planlamasında iyileştirmeler yapılması ve yoğun kavşak noktalarının belirlenmesi için önemli bir karar destek sistemi sağlamış, kentin ulaşım altyapısının daha verimli hale getirilmesine katkıda bulunmuştur.
Dikkat mekanizmalarına dayalı hibrit derin öğrenme yaklaşımıyla üç boyutlu mr verilerinde beyin tümörü bölütlemesi
Bu çalışma, üç boyutlu manyetik rezonans görüntüleme (3B MRG) verileri üzerinde beyin tümörü bölütlemesini gerçekleştirmek üzere tasarlanan, yeni bir dikkat (attention) temelli model önermektedir. Model, hem Gated Attention (geçit kontrollü dikkat mekanizması) hem de CBAM (Convolutional Block Attention Module) yapılarını bir araya getirerek hem uzamsal hem de kanalsal bağlamları daha etkili biçimde yakalamayı amaçlamaktadır. Model mimarisi klasik bir encoder (kodlayıcı)–decoder kod çözücü) yapısı üzerine inşa edilerek, kodlayıcı ile kod çözücü arasındaki geçiş bölgesine Gated Attention katmanı yerleştirilmekte ve çözücü kısmında yer alan sıçrama bağlantılarına CBAM blokları entegre edilmektedir. Model, BraTS (Brain Tumor Segmentation Challenge) 2020 veri seti üzerinde hasta bazlı ayrım ile eğitilerek değerlendirilmektedir. Test verisi üzerinde elde edilen ortalama başarımlar şu şekildedir: Doğruluk (accuracy) 0.9934 ± 0.0034, Dice skoru 0.8768 ± 0.0738, IoU skoru 0.7876 ± 0.1079 ve Hassasiyet (recall) 0.8409 ± 0.1192. Ayrıca, modelin toplam hesaplama karmaşıklığı 83.32 GFLOPs olarak ölçülmekte ve yalnızca 0.98 milyon parametre içermesiyle dikkat çekici bir hesaplama verimliliği sergilemektedir. Sonuçlar, önerilen çift dikkat mekanizmalı yapının hem genel doğruluğu hem de tümörün sınırlarını belirlemedeki başarımı açısından literatürdeki birçok yönteme kıyasla rekabetçi ve dengeli bir yapı sunduğunu göstermektedir.
Kablosuz sensör ağlarının çizge teorisi temelli yöntem ile konumlandırılması
Bu tez çalışması, Minimum Vertex Cover Problemi (MVCP) üzerine odaklanarak, çizge teorisinin optimizasyon yetkinliklerini iki farklı uygulama alanında ele almakta ve yenilikçi bir yaklaşım sunmaktadır. MVCP, bir çizgenin tüm kenarlarını kapsayan en az sayıda düğümden oluşan bir düğüm kümesi bulmayı hedefleyen NP-zor bir problemdir. Çeşitli alanlarda geniş bir uygulama yelpazesine sahip olan MVCP, ağ tasarımı, iletişim ağları ve sosyal ağlar gibi sistemlerin enerji verimliliğini artırma ve kaynak kullanımını optimize etme noktasında kritik bir rol oynamaktadır. Bu çalışmada, Malatya Vertex Cover algoritması temel alınarak maliyet etkin ve uygulanabilir çözümler geliştirilmiştir. Birinci uygulamada, Barcelona şehrindeki bir mahalle modeli üzerinde, bölgeyi en az sayıda güvenlik kamerası ile kapsayacak bir çözüm önerilmiştir. Çalışmada, mahalledeki kavşaklar birer düğüm olarak modellenmiş, Google Earth ile elde edilen veri seti R programlama dilinde bir çizgeye dönüştürülmüştür. Malatya Vertex Cover algoritması kullanılarak düğümlerin merkezilik değerleri hesaplanmış, en yüksek merkezilik değerine sahip düğümler iteratif olarak seçilerek çözüm kümesine dahil edilmiştir. Bu yöntem, bölgenin tümünü kapsarken güvenlik maliyetlerini minimumda tutmayı başarmıştır. İkinci uygulamada, İnönü Üniversitesi kampüsünde kablosuz erişim noktalarının optimal konumlandırılması hedeflenmiştir. Üniversite yerleşkesindeki binalar, Google Earth aracılığıyla çizge modeli olarak işaretlenmiş ve her bina bir düğüm olarak tanımlanmıştır. Malatya Vertex Cover algoritması ile düğüm seçimleri yapılmış ve en az sayıda erişim noktası ile kampüsün tamamını kapsayan bir ağ tasarlanmıştır. Bu analiz, maliyet tasarrufu ve enerji verimliliği açısından olumlu sonuçlar sağlamıştır. Çalışmanın her iki uygulama alanında da Malatya Vertex Cover yönteminin etkinliği ve uygulanabilirliği gösterilmiştir. Elde edilen bulgular, çizge teorisi temelli optimizasyon yöntemlerinin gerçek dünya problemlerine çözüm sunma potansiyelini ortaya koyarak literatüre değerli bir katkı sağlamaktadır.
Çizgelerde eşli baskın küme probleminin çözümünde merkeziyet temelli bir çözüm yöntemi önerme
Çizge teorisi, mühendislik uygulamalarında önemli bir role sahiptir. Birçok bilimsel ve mühendislik tabanlı problemi, ağ yapısı şeklinde modelleyerek analiz etmek ve çözmek yaygın olarak kullanılmaktadır. Öte yandan, çizge teorisindeki birçok problem NP-zor veya NP-tamamlanmış olarak sınıflandırılır ve bu nedenle polinom zamanında çözülemez. Polinom zamanında çözümler elde etmek için çeşitli yaklaşımlar önerilmiştir. Bu tez çalışmasında optimal deterministik bir algoritma önerilmektedir. Eşli baskın küme oluşumunda merkeziyet metrikleri kullanılmış; her çift için birincil lider düğümü ve onun yedek (bekleme) düğümü olarak görev yapan ikincil düğümü belirleyen bir çözüm sunulmuştur. Önerilen yöntem, çeşitli boyut ve özelliklere sahip ağlara uygulanmış ve neredeyse tüm durumlarda tam kapsama sağlanmıştır. Yani seçilen düğümlerin oluşturduğu kümenin dışında kalan her düğüm bu kümedeki en az bir elemanla komşudur. Dahası, yaklaşım, özellikle büyük ölçekli ağlar için zaman karmaşıklığı açısından verimlilik sağlamaktadır.
Türev tabanlı yöntemler kullanarak SAR görüntülerinde gemi tespiti
Sentetik Açıklıklı Radar (SAR) görüntüleri, hava koşullarından ve gün ışığından bağımsız olarak yüksek kaliteli görüntü sağlayabilmeleri nedeniyle denizcilik uygulamalarında yaygın olarak kullanılmaktadır. Ancak SAR görüntülerinde gemi tespiti, koherent benek (speckle) gürültüsü, kıyı bölgelerindeki karmaşık arka plan yapıları ve yoğun hedef dağılımları gibi zorluklar içermektedir. Bu tez kapsamında, düşük kontrastlı, kıyıya yakın ve yoğun hedef içeren SAR görüntülerinde gemi tespitine yönelik hem matematiksel tabanlı hem de derin öğrenme tabanlı yaklaşımlar geliştirilmiştir. Önerilen matematiksel yöntemde, öncelikle kara alanlarının ve benek gürültüsünün etkisini azaltmak amacıyla görüntülerin Hessian matrisi ve özdeğerleri hesaplanmıştır. Elde edilen en büyük özdeğer bilgisi Gauss fonksiyonuna giriş olarak verilmiş, ardından görüntülerin standart sapma ve ortalama haritaları oluşturulmuştur. Bu haritalar olasılıksal bir yaklaşımla birleştirilerek gemi bölgelerini belirginleştiren yeni bir görüntü elde edilmiştir. Son aşamada morfolojik işlemler ve bağlı bileşen analizi uygulanarak gemi adayları tespit edilmiştir. Gerçekleştirilen deneysel çalışmalar, önerilen yöntemin hem doğruluk hem de işlem süresi açısından başarılı sonuçlar verdiğini göstermiştir. Tez kapsamında önerilen yöntemin dışında ayrıca SAR görüntülerinde gemi tespiti amacıyla YOLO tabanlı derin öğrenme modelleri kullanılmış ve farklı veri kümeleri üzerinde deneysel analizler gerçekleştirilmiştir. Elde edilen sonuçlar, derin öğrenme tabanlı yaklaşımın yüksek tespit performansı sağladığını ortaya koymuştur. Sonuç olarak, hem matematiksel görüntü işleme yöntemleri hem de derin öğrenme tabanlı modeller kullanılarak SAR görüntülerinde gemi tespiti problemine yönelik etkili ve başarılı çözümler geliştirilmiştir.
Malatya merkezilik tabanlı graf renklendirme yönteminin sudoku ve 8 vezir kısıt tatmin problemlerine uygulanması
Kısıt tatmin problemleri, bir takım kısıtlar altında değişkenlere uygun olan değerlerin atanmasının amaçlandığı ve çözüm uzaylarının karmaşıklığı ve büyüklüğünden dolayı ciddi hesaplama zorlukları barındıran problemlerdir. Sudoku ve Sekiz-Vezir problemleri, içerdikleri kısıtlar ve kombinatoryal yapı nedeniyle bu problem sınıfının en bilinen ve çok incelenen önemli örnekleri arasında yer almaktadır. Bu problemlerin çözüm çalışmalarında geri izleme, kısıt yayılımı, sezgisel arama ve optimizasyon temelli oldukça fazla yöntem tasarlanmış ve geliştirilmiş olmasına karşın, özellikle problemin boyutundaki büyümeler ile çözüm adımlarının etkili bir biçimde yönetilmesi güncelliğini koruyan bir araştırma alanı olarak önemini sürdürmektedir. Bu tezde, Önemli Kısıt tatmin problemlerinden olan Sudoku ve Sekiz-Vezir problemlerinin çözümünde Malatya Merkezilik Algoritması ile graf teorisine dayalı ve kontrollü graf renklendirme içeren bir yöntem geliştirilmiştir. Önerilen yöntemde problemler birer graf yapısı olarak modellenmiş, problemde yer alan kutucuklar birer düğüm ve bu düğümler arasında yer alan kısıtlar gözetilerek kenar bağlantıları tanımlanmıştır. Üretilen graf yapılarının üzerinde Malatya Merkezilik Algoritması uygulanarak düğümlerin merkezilik değerleri hesaplanmış ve bu değerler düğümlerin önceliklerinin belirlenmesinde kullanılmıştır. Ardından düğümler elde edilen merkezilik değerleri gözetilerek sıralanmış ve kontrollü bir biçimde renklendirme süreci yürütülmüş problem çözümleri elde edilmiştir. Önerilen yaklaşım, 1.000.000 adet Sudoku bulmacasına kadar ve farklı zorluk seviyelerinde diğer graf renklendirme algoritmaları ile karşılaştırılmış, diğer bir çalışmada ise yaklaşım 64x64 boyutunda kadar büyütülen Sekiz-Vezir problemleri ele alınarak güncel graf renklendirme algoritmaları ile karşılaştırılmış ve incelenmiştir. Sonuçlar göz önüne alındığında, Malatya Merkezilik algoritması düğüm merkezilik hesabına dayalı önceliklendirme mekanizmasının graf renklendirme sürecinin yönlendirilmesinde etkili sonuçlar ürettiğini ve kısıt tatmin problemlerinin çözümüne yönelik uygulanabilir etkili bir yaklaşım sunduğunu göstermektedir. Anahtar Kelimeler: Grafik renklendirme, Grafik teorisi, Kısıt tatmin problemleri, Malatya Merkezlilik Algoritması, Sekiz-vezir problemi, Sudoku
Akıllı şehirlerde yakıt tüketimi ve emisyonu azaltmak için trafik akış kontrolü sağlamaya yönelik bir yöntemin geliştirilmesi
Artan kentleşme, nüfus yoğunluğu ve motorlu taşıt sayısındaki hızlı yükseliş, şehir içi ulaşım sistemlerini giderek daha karmaşık ve sürdürülemez hale getirmiştir. Yoğun trafik, yalnızca bireylerin günlük yaşam kalitesini düşürmekle kalmayıp, aynı zamanda yakıt tüketimi ve emisyon seviyelerini artırarak çevresel sorunları da beraberinde getirmektedir. Bu doğrultuda, sürdürülebilir, verimli ve çevre dostu ulaşım çözümlerine olan ihtiyaç giderek artmaktadır. Bu tez çalışması, Derin Takviyeli Öğrenme (Deep Reinforcement Learning - DRL) algoritmalarının kentsel trafik akışını optimize etme, yakıt tüketimini azaltma ve zararlı emisyonları minimize etme konularındaki etkinliğini karşılaştırmalı olarak analiz etmeyi amaçlamaktadır. Çalışmanın temel hipotezi; ayrık eylem uzayına sahip DRL algoritmalarının, sürekli eylem uzayına sahip olanlara kıyasla daha yüksek performans ve kararlılık göstereceği yönündedir. Bu hipotez kapsamında; farklı trafik yoğunlukları ve sinyalizasyon yapılarına sahip üç senaryo geliştirilmiş, her senaryo üzerinde farklı derin takviyeli öğrenme algoritmaları çalıştırılarak performansları karşılaştırılmıştır. Performans kriterleri arasında ödül puanı, yakıt tüketimi ve CO2 emisyon değerleri yer almakta olup; kararlılık analizlerinde standart sapma, değişim katsayısı (CV) ve kutu grafikleri kullanılmıştır. DRL algoritmaları kullanılarak yapılan deneysel çalışmalarda elde edilen bulgular, özellikle RainbowDQN ve DQN algoritmalarının hem performans hem de kararlılık açısından diğer yöntemlerden üstün olduğunu ortaya koymuştur. Yeşil Işık Optimal Hız Danışmanlığı (Green Light Optimized Speed Advisory – GLOSA) algoritması ile yapılan kavramsal karşılaştırma, bu klasik yöntemin sabit trafik koşullarında etkili olduğunu; ancak dinamik ve değişken ortamlarda esnekliğinin sınırlı kaldığını göstermiştir. Sonuç olarak, DRL algoritmalarının şehir içi trafik kontrolünde uygulanabilir, uyarlanabilir ve sürdürülebilir çözümler sunduğu değerlendirilmiştir.
EKG sinyalleriyle kimlik doğrulama ve aritmi tespiti için otokodlayıcı temelli güvenli bir sistem tasarımı
Elektrokardiyografi (EKG), kalbin elektriksel aktivitesini ölçmek için kullanılan bir yöntemdir ve bu aktivite bireyler arasında farklılık göstermektedir. Her bireyin kalp yapısının ve elektriksel özelliklerinin kendine özgü olması, EKG sinyallerini yalnızca tıbbi teşhis amacıyla değil, aynı zamanda biyometrik kimlik doğrulama sistemlerinde de kullanılabilir hâle getirmektedir. Bu çalışmada, EKG sinyallerinin derin öğrenme teknikleriyle analiz edilerek hem kalp hastalıklarının erken teşhisine hem de kimlik doğrulama süreçlerine yönelik güvenilir ve yenilikçi çözümler geliştirilmesi amaçlanmıştır. Çalışmada, MIT-BIH Aritmi Veri Seti kullanılarak EKG sinyalleri üzerinde derin sinir ağı mimarileri aracılığıyla aritmi tespiti ve kimlik doğrulama işlemleri gerçekleştirilmiştir. Özellik çıkarımı sürecinde Spindle otoencoder mimarisi ile modifiye edilmiş bir otoencoder mimarisi uygulanmıştır. Veri güvenliğini sağlamak ve kişisel mahremiyeti korumak amacıyla EKG sinyalleri önce sıkıştırılmış, ardından şifrelenerek işlenmiştir. Bu veriler, derin öğrenme tabanlı modeller üzerinde eğitilerek hem aritmi tespiti hem de kimlik doğrulama görevlerinde kullanılmıştır. Elde edilen bulgular hem kalp hastalıklarının teşhisinde hem de kimlik doğrulama uygulamalarında yüksek doğruluk oranlarına ulaşıldığını göstermektedir. Gerçekleştirilen deneyler sonucunda, kimlik doğrulama görevinde kullanılan iki farklı yöntemle sırasıyla %98,46 ve %98,60 doğruluk oranlarına ulaşılmıştır. Aritmi tespiti görevinde ise %99,7 ve %98,77 doğruluk elde edilmiştir. Bu sonuçlar, EKG sinyallerinin hem tıbbi tanı hem de biyometrik doğrulama açısından yüksek potansiyele sahip bir biyosinyal türü olduğunu ortaya koymaktadır.
Siber saldırıların çizge görselleştirmesinde geometrik derin öğrenme temelli yeni yaklaşımların geliştirilmesi
Dijital ekosistemin maruz kaldığı siber tehditler, giderek artan bir karmaşıklık ve giriftlik sergilemektedir. Bu saldırılar, izole olaylar değil, çok katmanlı ve sistematik yapılardır. Bu yapı, geleneksel Öklidyen veri modellemelerinin yetersiz kaldığı bir zemin oluşturmaktadır. Bu tez, siber tehdit istihbaratını çizge yapılarıyla modelleyerek, yeni bir yaklaşım sunmaktadır. Amaç, Öklidyen derin öğrenme kalıplarının ötesine geçerek siber saldırıların erken tespiti ve proaktif savunma stratejilerinin geliştirilmesine yeni bir bakış açısı kazandırmaktır. Bu doğrultuda tez kapsamında siber saldırıların tespiti ve görselleştirilmesine yönelik iki temel yaklaşım sunulmaktadır. İlk katkı, siber saldırıların tespiti ve analizi için Çizge Dikkat Ağı (Graph Attention Network) tabanlı, etkileşimli bir görselleştirme ve analiz mimarisinin geliştirilmesidir. Bu sistem, ham verileri statik bir bilgi yığını olmaktan çıkararak, güvenlik analistlerine yönelik dinamik ve sezgisel bir keşif ortamına dönüştürmektedir. Analistler bu platform aracılığıyla saldırıların zamansal değişimini izleyebilir, tehdit vektörlerini karşılaştırabilir ve somut verilere dayalı savunma stratejileri geliştirebilirler. Bu sürecin temelinde, özenli ön işleme ve öznitelik mühendisliği ile elde edilen verilerin anlamlı ilişkileri yansıtan bir çizge yapısına dönüştürülmesi yer almaktadır. Ortaya çıkan yapı, JavaScript tabanlı SigmaJS kütüphanesi kullanılarak, analistlerin verilerle doğrudan etkileşime girebildiği dinamik bir arayüzde sunulmaktadır. Böylece gelişmiş makine öğrenmesi teknikleri ile insan-merkezli bir görselleştirme deneyimi bütünleştirilmiş ve siber tehdit istihbaratının yorumlanmasında yeni bir standart oluşturulmuştur. İkinci katkı, siber saldırıları henüz gerçekleşmeden öngörmeye odaklanan hibrit bir modelin sunulmasıdır. Bu amaçla, Gated Recurrent Unit (GRU) yapısını meta-yol tabanlı bir dikkat mekanizması ile birleştiren, üç katmanlı bir Dinamik Çizge Sinir Ağı (DÇSA) mimarisi önerilmektedir. Modelin özgünlüğü, hem düğüm hem de meta-yol düzeyinde dikkat tabanlı gömme katmanları içermesi ve evrimsel örüntüleri öğrenen özel bir modül barındırmasından kaynaklanmaktadır. Bu sayede model, karmaşık ve sürekli değişen çizge verilerindeki yapısal ve zamansal bağıntıları derinlemesine analiz edebilmektedir. Elde edilen ilk sonuçlar, modelin saldırıları yüksek doğrulukla öngördüğünü ve yanlış alarm oranını anlamlı ölçüde azalttığını göstermektedir. Tezin genel sonucu, çizge tabanlı yapay zekânın siber güvenlikte öngörü yeteneğini ve sezgisel veri görselleştirmeyi büyük ölçüde güçlendirdiğidir.
Çevrimiçi sınavlarda istenmeyen davranış tespitine yönelik yeni bir yaklaşımın geliştirilmesi
Uzaktan öğretim, birçok eğitim kurumu tarafından yaygın olarak kullanılmaktadır. Koronavirüs'ün sebep olduğu pandemiden dolayı tüm dünyada olduğu gibi ülkemizde de uzaktan eğitimin önemi daha çok artmıştır. Eğitim öğretim faaliyetlerinin çevrimiçi ortama taşınması ile beraber etik olmayan davranışlarda ortaya çıkmıştır. Özellikle çevrimiçi sınavlarda kopya ve intihal gibi davranışlar hem öğrenenler hem de eğitim kurumları için bir endişe kaynağı olmuştur. Bu tez çalışması, çevrimiçi uzaktan eğitimde ders alan öğrencilerin, uzaktan eğitim sistemi aracılığı ile çevrimiçi ortamda yapay ve gerçek sınav verilerinden oluşan veri setini kullanarak, istenmeyen davranış örüntülerini tahmin ve sınıflandırma yaparak iyileştirilmiş ve optimize edilmiş en iyi yapay zekâ modellerini ortaya çıkarmayı amaçlamaktadır. Çalışma kapsamında çevrimiçi sınav verisi, iki farklı senaryo kullanılarak, araştırmacılar tarafından regresyon ve sınıflandırmada en iyi model tahmin ve sınıflandırma performansını ortaya çıkarmak için makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak analiz edilmiştir. Senaryo-1 kapsamında, istenmeyen davranış örüntülerinden "kopya çeken" öğrencileri tespit etmede önerdiğimiz model beş katmanlı DNN modelidir. Senaryo-2 kapsamında ikili sınıflandırmada istenmeyen davranış tespitinde "kopya çeken" öğrencileri tespit etmede Rastgele Orman modeli ve üçlü sınıflandırmada XGBoost modeli önerdiğimiz en iyi model olarak tespit edilmiştir. Ayrıca en iyi performans gösteren algoritmaların, model başarımında performansı artıran etkenleri tespit etmek amacıyla açıklayıcı yöntemler kullanılmıştır. Bu çalışmanın bir sonucu olarak performansı iyileştirecek en uygun parametre seçimi ve katman fonksiyonlarının uygulanması, hedef değişkenleri ve klasik matematik modelleri kullanılarak çözülemeyen karmaşık problemleri tahmin etmede etkili olabileceği gösterilmiştir. Sonuçlar, öğrencilerin çevrimiçi uzaktan eğitim sınav verilerinin makine öğrenmesi modellerine ve DNN modeline rahatlıkla uygulanabileceğini kanıtlamaktadır. Önerilen modeller, eğitim kurumlarına, çevrimiçi sınav uygulamalarının değerlendirilmesinde ve akademik bütünlüğü sağlamada bir yol haritası ve öngörü sağlayabilir.
Geleneksel rastgele sayı üreteçlerinin kriptolojik özelliklerini iyileştirmek için optimizasyon tabanlı yeni yöntemlerin gerçekleştirilmesi
Dijitalleşmenin hızla arttığı günümüz teknolojinde veri güvenliği önemli bir stratejik unsur haline gelmiştir. Modern siber tehditlerin her geçen gün daha sofistike hale gelmesi, bu alanda alınması gereken güvenlik önlemlerinin önemini ön plana çıkarmaktadır. Şifreleme bilimi ve bilgi güvenliği üzerinde yoğun olarak çalışılan önemli bir konu haline gelmiştir. Şifreleme biliminin en önemli unsuru rastgele sayılar ve bu sayıları elde etmeyi sağlayan üreteçlerdir. Başarılı bir şifreleme için rastgele sayı üretecinin çıktıları rastgeleliği sağlamalı ve tahmin edilebilirliği azaltmalıdır. Bu tez çalışmasında, rastgele sayı üreteçleri için hayati öneme sahip başlangıç koşullarını belirlenmesinde optimizasyon temelli bir mimarinin tasarımı hedeflenmiştir. Bilindiği üzere rastgele sayı üreteçlerinden elde edilecek rastgele sayıların, başlangıç tohum değerine ve parametrelerin doğru seçilmesine göre rastgelelik özelliği artmakta veya azalmaktadır. Bu durumda, başlangıç koşullarını belirlemede, optimizasyon algoritmalarından faydalanılmıştır. Optimizasyon algoritmaları ile sonsuz uzay içerisinden rastgelelik özellikleri yüksek ve iyi istatistiksel özellik gösteren konfigürasyonlar belirlenmiştir. Parçacık sürü optimizasyonu, yarasa algoritması ve modifiye edilmiş altın sinüs algoritması ile LFSR, LFG ve LCG üreteçlerinin başlangıç koşulları ve parametreleri belirlenmiştir. Elde edilen optimizasyon temelli mimarilerden elde edilen sayıların rastgeleliği NIST SP 800-22 ile test edilmiştir. Üretilen rastgele sayılar ile yer değiştirme kutusu (s-kutusu) tasarımı yapılmıştır. Ayrıca kaotik sarkaç kullanılarak rastgele sayılar elde edilmiş ve elde edilen rastgele sayılar ile s-kutusu tasarımı, görüntü şifreleme işlemleri gerçekleştirilmiştir. Deneysel çalışmalar sonucunda elde edilen konfigürasyonlar ile üretilen bitlerin tüm rastgelelik testlerini başarıyla geçtiği görülmektedir. Üretilen s-kutusu performans kriterlerine bakıldığında oldukça başarılı sonuçlar verdiği görülmektedir. Tüm çalışmalar son iterasyona kadar çalıştırılmış ve olukça yüksek sayıda sonuç elde edilmiştir. Sonuç olarak optimizasyon temelli önerilen mimarinin elde ettiği sonuçlar ile rastgeleliği yüksek ve iyi istatistiksel özellikler gösteren rastgele sayılardan oluşan entropi havuzu oluşturulmuştur
Sezgisel optimizasyon algoritmaları tabanlı kaotik sistem üreteci
Kaotik sistemler, deterministik olmalarına rağmen öngörülemez dinamik davranışlar sergilemeleri sayesinde bilgisayar bilimleri başta olmak üzere birçok disiplinde önemli rol üstlenmektedir. Özellikle düşük hesaplama maliyeti ve sade yapılarıyla öne çıkan bir boyutlu kaotik haritalar uygulamalarda yaygın olarak tercih edilmektedir. Ancak bu avantajlara rağmen kısa kaotik aralık, sınırlı dinamik davranış gibi zayıf yönleri olabilmektedir. Bu nedenle, mevcut haritalar üzerinde iyileştirme yapmak veya daha iyi kaotik davranışa sahip yeni bir boyutlu kaotik haritalar önermek güçlü yöntemler geliştirilmesine katkı sunmaktadır. Bu tez çalışmasında birçok detayı barındıran ve zorlu bir süreç olan yeni bir boyutlu kaotik haritaların keşfi için bir mimari önerilmiştir. Meta-sezgisel optimizasyon yöntemi kullanılarak geliştirilen mimari farklı yapısal özelliklere ve uygulama amaçlarına yönelik kaotik haritalar üretebilecek esnekliğe sahiptir. Çalışmada yapılan deneylerde önerilen mimari için dört farklı senaryo uygulanarak yeni bir boyutlu kaotik haritalar elde edilmiş ve çeşitli analiz yöntemleriyle değerlendirilmiştir. Deneysel bulgular önerilen mimarinin zengin dinamik davranışlar, geniş kaotik bölgeler, güçlü ergodiklik ve yüksek istatistiksel rastgelelik özellikleri sergileyen haritalar üretebildiğini ortaya koymuştur. Bu çalışmanın literatürdeki benzer çalışmalardan ayrılan en dikkat çekici yönlerinden biri sınırlı ve sabit yapılar ile kısıtlanmaksızın çok geniş bir fonksiyon ve matematiksel terim uzayı içerisinden sezgisel olarak seçim yapılarak çok çeşitli kaotik haritaların üretilebilmesidir. Bu esneklik, hem teorik analizler açısından daha geniş bir çeşitlilik sunmakta hem de uygulamalar için özelleştirilmiş kaotik sistemlerin tasarlanmasına imkân tanımaktadır. Tüm bulgular önerilen yaklaşımın literatürdeki mevcut yöntemlere kıyasla daha esnek, optimize edilebilir ve uygulamaya yönelik güçlü bir çerçeve sunduğunu ve özellikle şifreleme ve rastgele sayı üretimi gibi alanlarda yüksek potansiyele sahip olduğunu göstermektedir. Bu çalışma ile yeni kaotik haritaların tasarlanması ve kullanılabilirliğinin gösterilmesi yoluyla, kaos teorisi ve uygulamaları alanındaki bilgi birikimine önemli bir katkı sunulması hedeflenmektedir.
Iot çözümleri için derin öğrenme yöntemlerini kullanan yeni siber güvenlik yaklaşimlari
The emerging Internet of Things (IoT) has transformed the smart environment, industrial systems, and critical infrastructure. However, with this proliferation, numerous challenging cybersecurity issues have emerged due to device diversity, constrained computing capabilities, and a massive flow of data. This thesis explores and proposes new cybersecurity approaches that utilise both classical machine learning and deep learning principles to enhance anomaly detection and robustness in IoT networks. Traditional machine learning models, such as decision trees, support vector machines, and random forests, for anomaly detection in cyber attacks are extensively reviewed in this work. These models are tested on benchmark datasets to establish baseline accuracy and efficiency, particularly in edge scenarios. Based on the above observations, the dissertation presents the design of two deep learning models for IoT security. First, a lightweight FCNN is proposed to detect anomalies in real time on resource-constrained edge devices. Such a model exhibits high accuracy and requires minimal computational effort. Second, we present a hybrid CNN-LSTM network to capture the spatial and temporal features of the IoT traffic. We illustrate the effectiveness of the model by demonstrating its performance on CPIoT-XAD2025, a new cross-domain dataset constructed by combining the N-BaIoT and SWaT datasets in two cyber-physical configurations. All models are then evaluated using accuracy, F1 score, recall, and mean absolute error (MAE). We empirically demonstrate that the proposed architectures achieve better task conditioning and exhibit excellent generalisation across domains. This thesis presents scalable, interpretable and domain-adaptive anomaly detection approaches to address the specific challenges of contemporary IoT systems, providing a basis for future work in intelligent and secure cyber-physical infrastructure.
Elazığ vişne mermerinin kalite metriklerinin görüntü işleme ve yapay zeka kullanılarak belirlenmesi
Bu tez çalışması, yalnızca Elazığ'ın Alacakaya ilçesi civarında çıkarılan Elazığ Vişne Mermerinin ekonomik değerini arttırmaya yönelik bilimsel kalite metriklerini belirleyerek yapay zekâ destekli görüntü işleme teknikleriyle kalite sınıflandırmasını modellemeyi ve analiz etmeyi amaçlamaktadır. Günümüzde doğal taşların kalite değerlendirme süreçleri büyük ölçüde uzman görüşlerine dayalı, öznel yöntemlerle yürütülmekte bu da maliyetli ve hataya açık sonuçlar doğurmaktadır. Bu nedenle oluşturulan yüksek çözünürlüklü görüntü veri seti üzerinde doku, renk ve damar desenlerine ilişkin analizler yapılmış ve uzman görüşleriyle birlikte kalite metrikleri belirlenmiştir. İmgeler derin öğrenme mimarileriyle işlenerek mermer yüzeyleri A, B, C gibi ana ve A1, A2, A3 gibi alt sınıflara ayrılmış, sınıflandırma başarımında ResNet50 ve Destek Vektör Makineleri ile %95,80 doğruluk elde edilmiştir. Aynı kayaçtan gelen plakalar arasında görsel tutarlılığı sağlamak amacıyla desen karşılaştırmaları gerçekleştirilmiş ve Yerel İkili Örüntüler (LBP) yöntemiyle blok aidiyeti %44 – 92 oranında doğrulukla tespit edilmiştir. Sınıflandırma başarısını artırmak ve e-ticaret uygulamalarına uygun gerçekçi görseller sunmak amacıyla süper çözünürlük teknikleri uygulanmış, RSMAN mimarisiyle damar detayları netleştirilerek sınıflandırma başarımında doğruluk oranı %96,4'e çıkarılmıştır. Ayrıca yüzey görselleri klasik ve çağdaş sanat yaklaşımlarıyla değerlendirilmiş, yapay zekâ ve görsel sanat uzmanı yorumları karşılaştırmalı olarak sunulmuştur. Sonuç olarak bu tez çalışması, Elazığ Vişne Mermerinin kalite değerlendirmesini somut metriklere dayandırarak otomatikleştirirken aynı zamanda teknik doğruluk ile estetik duyarlılığı birleştiren bütüncül bir yaklaşım sunmuştur.
Makine öğrenmesi modelleri kullanarak CRISPR-Cas9 tabanlı gen düzenleme sistemlerinin optimizasyonu
Gen düzenleme teknolojilerinin en etkili araçlarından biri olan CRISPR-Cas9 sistemi, biyoteknoloji ve moleküler biyoloji alanında devrim niteliğinde ilerlemelere olanak sağlamıştır. Bu sistemde kullanılacak tek kılavuz RNA'ların (sgRNA) hedef DNA üzerindeki etkinliğini doğru şekilde tahmin etmek, düzenleme verimliliğini doğrudan etkileyen kritik bir faktördür. Bu tez çalışmasının amacı, CRISPR/Cas9 sistemine yönelik olarak sgRNA'ların on-target etkinlik skorlarını (OnTargetScore) makine öğrenmesi yöntemleri ile tahmin etmek ve farklı modellerin performanslarını karşılaştırarak en etkili modeli belirlemektir. Bu kapsamda, Arabidopsis thaliana veri seti üzerinde eğitim yapılmış, XGBoost, LightGBM ve Rastgele Orman olmak üzere üç farklı makine öğrenmesi modeli kullanılmıştır. Modeller, 10 kat çapraz doğrulama yöntemi ile değerlendirilmiş ve RMSE, MAE, R², Pearson ve Spearman korelasyon katsayıları gibi performans metrikleri ile karşılaştırılmıştır. Ayrıca modeller, Solanum lycopersicum (domates) veri seti üzerinde test edilerek doğrulanmıştır. Elde edilen veriler, XGBoost modelinin en başarılı tahmin doğruluğuna sahip olduğunu göstermiştir. LightGBM benzer sonuçlar üretirken, Rastgele Orman modelinin performansı görece daha düşük kalmıştır. Bu tez çalışması, CRISPR araştırmalarında on-target etkinliklerini önceden tahmin edebilecek güvenilir, ölçeklenebilir ve farklı türler arası patternleri çözümleyebilen makine öğrenmesi tabanlı yaklaşımların optimizasyon aracı olarak kullanılabileceğini ortaya koymaktadır.
Veri gizlemede iyileştirilmiş altın sinüs optimizasyon algoritması kullanımı ve uygulaması
Veri gizleme, modern dünyada bireysel mahremiyetin korunması ve kritik bilgilerin güvenliğinin sağlanması açısından büyük öneme sahiptir. Özellikle tıbbi görüntüleme verilerinin gizliliği, hasta mahremiyeti ve veri güvenliği gereksinimlerinden dolayı dikkat çekmektedir. Bu bağlamda, DICOM (Digital Imaging and Communications in Medicine) formatındaki görüntülerin güvenliği, yalnızca bireysel hakların korunması değil, aynı zamanda tıbbi veri paylaşımı ve saklama süreçlerinin güvenilirliğini artırmak için hayati bir gereklilik olarak öne çıkmaktadır. Bu çalışmada, DICOM görüntüleri üzerinde veri gizleme amacıyla kullanılmak üzere, yenilikçi bir yaklaşım olarak İkili İyileştirilmiş Altın Sinüs Optimizasyon Algoritması (BGoldSA-II) geliştirilmiş ve uygulanmıştır. Önerilen yöntem, altın oran prensibinin estetik ve matematiksel avantajlarını, gelişmiş optimizasyon teknikleriyle birleştirerek, yüksek veri gömme kapasitesi ve üstün görüntü kalitesi sağlamayı hedeflemektedir. Hibrit bir yapı sunan bu algoritma, veri gizleme sürecinde geleneksel yöntemlere kıyasla daha düşük hata oranları ve yüksek güvenlik seviyeleriyle dikkat çekmektedir. Yapılan deneysel çalışmalar, önerilen yöntemin hem teorik hem de pratik anlamda rekabetçi bir performans sergilediğini ortaya koymuştur. 512×512 boyutundaki DICOM görüntülerinde, 1000 karakterlik metin gizleme işlemi sonrasında gerçekleştirilen kalite testlerinde elde edilen kalite ölçüm metrikleri: PSNR 71.36 dB, MSE 0.004, RMSE 0.066, SSIM 0.99 ve UIQ 0.99 olarak ölçülmüştür. Aynı boyuttaki görüntülerde 5000 karakterlik metin gizleme işlemi için kalite ölçüm metrikleri; PSNR 62.62 dB, MSE 0.033, RMSE 0.182, SSIM 0.97 ve UIQ 0.99 olarak belirlenmiştir. 256×256 boyutundaki DICOM görüntülerinde gerçekleştirilen 1000 karakterlik metin gizleme işlemi sonrası kalite testlerinde elde edilen kalite ölçüm metrikleri; PSNR 65.25 dB, MSE 0.018, RMSE 0.135, SSIM 0.98 ve UIQ 0.99; 5000 karakterlik metin gizleme işleminde ise PSNR 56.54 dB, MSE 0.136, RMSE 0.36, SSIM 0.89 ve UIQ 0.99 olarak ölçülmüştür. Bu sonuçlar, BGoldSA-II'nin steganografi uygulamaları için etkili bir çözüm sunduğunu ve literatürdeki mevcut yöntemlere kıyasla önemli bir yenilik içerdiğini kanıtlamaktadır. Bu çalışma, literatüre iki önemli katkı sunmaktadır: İlk olarak, BGoldSA-II gibi meta-sezgisel bir algoritmanın steganografi süreçlerine entegrasyonu, optimizasyon algoritmalarının veri güvenliği alanında kullanımını genişletmektedir. İkinci olarak, DICOM veri gizliliği için önerilen yöntem, hem pratik uygulamalara hem de gelecekteki araştırmalara ışık tutacak niteliktedir. Bu bağlamda, BGoldSA-II, hem akademik hem de uygulamalı çalışmalarda bilgi güvenliği alanında yeni kapılar açmayı hedeflemektedir.
Açıklanabilir yapay zeka modelleri ile kardiyovasküler hastalık tahmini
Yapay zeka teknolojileri mühendislik, savunma sanayi, eğitim gibi birçok alanda kullanıldığı gibi sağlık alanında da oldukça önemli bir popülerliğe ulaşmıştır. Kalp hastalıkları dünya genelinde ölümlerin önde gelen nedenlerinden biridir. Bu nedenle kalp hastalıkları risk faktörlerinin tanımlanması, hastalık riskinin doğru bir şekilde tahmin edilmesi önemlidir. Yapay zeka teknikleri ile veri kümeleri analiz edilerek hastalık tanısı, tedavisi ve öngörüsü konularında önemli bilgiler sağlamaktadır. Bu teknikler sağlık gibi yüksek riskli alanlarda kullanıldığında yalnızca yüksek doğruluk değil aynı zamanda tahminlerin altında yatan nedenlerin de açıklanabilir olması gerekmektedir. Bu sayede karar vericiler modelin iç işleyişini daha iyi anlayarak, verilen tahminlerin doğruluğunu ve geçerliliğini değerlendirme olanağına sahip olur. Bu çalışmada kalp hastalığı risk parametrelerinin yer aldığı açık erişimli veri setlerinden "Kalp Hastalığı" veri seti kullanılarak Lojistik Regresyon, Rastgele Orman, Aşırı Gradyan Arttırma (Extreme Gradient Boosting – XGBoost), Gradyan Artırma Algoritması (GradientBoost – GB), Hafif Gradyan Artırma Makineleri Sınıflandırıcısı (Light Gradient Boosting Machine – LightGBM) modellerinin, Özyinelemeli Özellik Seçme yöntemi (Recursive Feature Elimination – RFE) ile performans karşılaştırması yapılmıştır. Değerlendirme ölçütleri olarak doğruluk, kesinlik, duyarlılık ve F1 skoru kullanılmıştır. Değerlendirme sonucunda RFE uygulandıktan Lojistik Regresyon algoritması %91,67 doğruluk oranıyla en iyi yüksek doğruluk oranına ulaşmıştır. Açıklanabilir yapay zeka yöntemlerinden biri olan Shapley Katkı Açıklamaları (SHapley Additive exPlanations – SHAP) yöntemi kullanılarak veri seti öznitelik analizi yapılmıştır. Her bir özniteliğin hedef değişken üzerindeki pozitif veya negatif etkisi ile önem sıralaması gösterilmiştir.
Kuraklık tahmininde veri ön işleme adımlarıyla güçlendirilmiş makine öğrenmesi yöntemleri
Kuraklık, dünya genelinde su kaynaklarının azalması, tarım verimliliğinin düşmesi ve ekosistem dengesinin bozulması gibi pek çok olumsuz etkiye neden olan karmaşık bir doğa olayıdır. Bu çalışma, kuraklık tespiti konusunda gelişmiş modellerin oluşturulmasını hedefleyerek, iklim değişiklikleriyle mücadelede bilimsel bir yaklaşım sunmayı amaçlamaktadır. Kuraklık üzerinde yapılan derinlemesine analiz, bilim dünyasına bu önemli konudaki anlayışımızı derinleştirmek ve sürdürülebilir çözümler geliştirmek adına önemli bir katkı sağlamayı amaçlamaktadır. Çeşitli sınıf dengesizliği işlemleri ve boyut azaltma tekniklerinin uygulanmasıyla kuraklık tespiti modelleri uygulanmıştır. Temel odak, sentetik azınlık üzerine örnekleme tekniği ile örnekleme yapmanın ve Near Miss ile örnekleme yapmanın kuraklık tahmin modelinin performansına etkisini değerlendirmektir. Ayrıca, Temel Bileşen Analizi ve Lineer Diskriminant Analizi, özellik boyutlarını azaltmak ve tahmin modelinin etkinliğini artırmak için kullanılmaktadır. Veri seti, sınıf dengesizliklerini ele almak için Sentetik Azınlık Üzerine Örnekleme Tekniği ve Near Miss yöntemleri kullanılarak ön işleme tabi tutulmaktadır. Daha sonra Temel Bileşen Analizi ve Lineer Diskriminant Analizi, özellik uzayını azaltmak ve kritik bilgileri korumak için uygulanmaktadır. Ön işlenmiş veri üzerinde makine öğrenmesi algoritmaları farklı kombinasyonlarla eğitilerek ve hibrit derin öğrenme modeli eğitilerek önerilen metodolojilerin etkinliği değerlendirilmektedir. Sonuçlar, Sentetik Azınlık Üzerine Örnekleme Tekniği tabanlı örnekleme yönteminin özellikle doğruluk, hassasiyet, duyarlılık ve F1 skoru açısından model performansını önemli ölçüde artırdığını göstermektedir. Ayrıca, boyut azaltma tekniklerinin birleşiminin, kuraklık tahmin modellerinin genel güvenilirliğini artırmada etkili olduğunu göstermektedir. Çalışmanın algoritmaları farklı kombinasyonlarla ve hazırlıklarla değerlendirmesine ek olarak bu algoritmaları hibrit kullanımıyla literatürden ayrışmaktadır. Yapay zekanın etkin kullanımında gerçek dünya problemlerine karşı yaklaşımıyla çalışma öne çıkacaktır. Bu çalışma, sınıf dengesizliği işlemleri ve boyut azaltma tekniklerinin sağlam kuraklık tespiti modellerinin geliştirilmesine katkı sağladığını göstermektedir. Bulgular, sınıf dengesizliklerini ele almak için uygun ön işleme adımlarının seçilmesi ve boyut azaltma tekniklerinin stratejik kullanımının, model etkinliğini artırmada önemli olduğunu vurgulamaktadır.
Açıklanabilir yapay zeka yöntemleriyle MR görüntülerinden beyin tümörü tespiti
Bu çalışma kapsamında açıklanabilir yapay zeka yöntemleriyle MR görüntülerinden beyin tümörlerinin tespit edilmesi amaçlanmıştır. Yapılan bu çalışmanın tıbbi süreçlere katkı sağlaması, karar destek sistemlerine yönelik yeni bir literatür kazandırması açısından önemli olduğu düşünülmektedir. Çalışma kapsamında CNN modellerinden GradCAM, LIME ve Shapley görselleştirme yöntemleri kullanılmıştır. Çalışmada oluşturulan modelde sınıflandırma 4 grup (No Tumor, Glioma, Meningioma, Pituitary) altında incelenmiştir. Çalışma sonucunda GradCAM, modelin genel odaklanma alanlarını belirlemekte etkili olmuş; LIME, modelin kararlarının detaylı bir açıklamasını sunmuş; Shapley ise modelin genel performansını ve eksikliklerini ortaya koymuştur. Bu tekniklerin birlikte kullanılması, modelin daha güvenilir ve etkili bir şekilde çalışmasını sağlamak için daha fazla veri sağlanmasına veya gerekli iyileştirmelerin yapılmasına olanak tanımaktadır.
Gelişmiş makine öğrenmesi modelleri ile deprem büyüklüğü tahmini
Deprem, yaşamın bir parçasıdır. Aynı zamanda yaşamı ciddi şekilde etkileyen doğal bir felakettir. Bu tez çalışması, depremlerin jeolojik, sismolojik ve mühendislik açılardan tahmini ve kapsamlı bir değerlendirilmesi ile, bu önemli konunun anlaşılmasına katkı sağlamayı amaçlamaktadır. Levha tektoniği, volkanik aktiviteler ve insan kaynaklı tetikleyicilerin depremler üzerindeki etkilerini değerlendirerek oluşturulan hipotezler, depremlerin oluşum sürecini ve risk profillerini analiz etmektedir. Coğrafi bölgelerin deprem potansiyeli açısından risk profillerini belirlemenin stratejik önemi vurgulanmış, deprem bölgeleri ve tehlike analizleri üzerinde durulmuştur. Deprem büyüklüğünü tahmin etme performanslarına dayanarak, makine öğrenmesi yöntemleri karşılaştırmalı olarak değerlendirilmiştir. Örneklem olarak 1900 yılından itibaren meydana gelen depremler kullanılmış ve bu veri seti üzerinde çeşitli makine öğrenmesi modelleri uygulanmıştır. Kullanılan modeller arasında Random Forest, Gradient Boosting, XGBoost, Linear Regression, Ridge Regression, Lasso Regression, ElasticNet Regression, KNeighbors Regression, AdaBoost Regression, Decision Tree Regressor, Bagging Regressor ve Support Vector Regression yer almaktadır. Bu modellerin performansları çeşitli metriklerle karşılaştırılmış ve en etkin model belirlenmiştir. Sonuçlar, makine öğrenmesi modellerinin deprem büyüklüğü tahmininde önemli bir potansiyele sahip olduğunu göstermektedir. Bu çalışma, yapay zeka ile keşifsel veri analizinin deprem risk analizi ve tahminindeki rolünü ele alarak, toplumların deprem hazırlık çalışmalarını değerlendirmeyi amaçlamaktadır. Depremle ilgili makine öğrenmesi modellerinin davranış hakkında çok yönlü bir gözlem sunarak, akademik literatüre önemli bir katkı sağlamaktadır. Anahtar Kelimeler: : Deprem, Makine Öğrenmesi, Risk Analizi, Yapay Zeka
Düşük kaynaklı dillerde transformer tabanlı dil modellerinin alan adaptasyonu: Türkçe hukuk metinleri üzerine bir çalışma
Doğal dil işleme alanındaki ilerlemelere rağmen, düşük kaynaklı diller için daha fazla çalışmaya ihtiyaç duyulmaktadır. Özellikle, Türkçe gibi karmaşık dil yapısına ve sınırlı kaynaklara sahip dillerde, hukuk gibi zengin terminolojiye sahip alanlar için Transformer tabanlı dil modellerinin yetenekleri önemli bir araştırma konusu olarak öne çıkmaktadır. Bu çalışmada, Transformer tabanlı dil modellerinin Türkçe hukuk metinleri ile alan adaptasyonu süreci incelenmiş ve bu sürecin modellerin performansına etkileri değerlendirilmiştir. Çalışma doğrultusunda Danıştay karar sorgulama sayfasından toplanan hukuki metinler kullanılmış ve bu metinler maskeli dil modelleme ve adlandırılmış varlık tanıma görevleri için yapılandırılarak özgün veri setleri oluşturulmuştur. Alan adaptasyonu için Türkçeyi de kapsayan çok dilli yapıya sahip mBERT modeli ve Türkçe için özelleştirilmiş BERTurk modeli kullanılmıştır. Alan adaptasyonu sürecinde modellerin kelime dağarcığı hukuk kelimeleri ile genişletilmiş, hukuki kelimelerin ve rastgele kelimelerin maskelendiği bir maskeli dil modelleme yaklaşımı uygulanmıştır. Modeller, adlandırılmış varlık tanıma görevi için ince ayarlanarak sonuçlar değerlendirilmiştir. Elde edilen bulgular, alan adaptasyonu uygulanan modellerin temel modellere kıyasla hukuk metinlerinde adlandırılmış varlık tanıma görevi için daha yüksek performans sağladığını göstermektedir. Alan adaptasyonu ile mBERT modelinde %3,147, BERTurk modelinde ise %1,130 oranında F1 Skoru artışı elde edilmiştir. Bu çalışma, düşük kaynaklı dillerde alan adaptasyonunun Transformer tabanlı dil modellerinin performansını artırmada önemli bir süreç olduğunu ortaya koymaktadır.
Transformer tabanlı modellerle Türkçe tweetlerdeki argo dilin tespiti
Günümüzde dijital iletişimin en önemli kanallarından biri hâline gelen sosyal medya platformları, bireylerin düşüncelerini özgürce ifade edebildiği alanlar sunarken, aynı zamanda çeşitli sorunlu içeriklerin de hızla yayılmasına zemin hazırlamaktadır. Özellikle argo, küfür ve hakaret içeren söylemler, çevrim içi etkileşimlerde hem bireysel hem de toplumsal düzeyde olumsuz sonuçlar doğurmakta; nefret söyleminin, siber zorbalığın ve dijital şiddetin yaygınlaşmasına katkı sağlamaktadır. Bu çerçevede, sosyal medya ortamlarında kullanılan dilin otomatik olarak analiz edilmesi, zararlı içeriklerin tespit edilmesi ve gerektiğinde filtrelenmesi büyük bir ihtiyaç hâline gelmiştir. Bu bağlamda, yapay zekâ temelli doğal dil işleme yaklaşımları, sosyal medya metinleri gibi yapısı düzensiz, kısaltmalar ve deyimlerle zenginleştirilmiş veri kaynaklarında etkili bir çözüm sunmaktadır. Bu tez çalışmasında, Türkçe sosyal medya içeriklerinde yer alan hakaret ifadelerinin otomatik olarak tespit edilmesi hedeflenmiş ve bu kapsamda beş farklı transformer mimarisi kullanılarak kapsamlı bir karşılaştırmalı analiz gerçekleştirilmiştir. Değerlendirilen modeller arasında BERTurk, DeBERTa, RoBERTa, XLM-R ve ELECTRA yer almaktadır. Tezin temel araştırma hipotezi, bu modellerin aynı Türkçe veri kümesi üzerinde belirli sabit koşullar altında (aynı eğitim parametreleri, aynı epoch sayısı, aynı ön işleme adımları) eğitilmesi durumunda doğruluk (accuracy), eğitim süresi ve kayıp (loss) gibi metrikler üzerinden karşılaştırılarak en iyi performans gösteren modelin belirlenebileceği yönündedir. Bu amaç doğrultusunda kullanılan veri kümesi, Twitter'dan toplanmış ve manuel olarak etiketlenmiş toplam 13.000 Türkçe tweetten oluşmaktadır. Etiketleme sürecinde tweetler iki sınıfa ayrılmış; "pozitif" olarak sınıflandırılan örnekler hakaret içermeyen, "negatif" olanlar ise hakaret içeren ifadeleri temsil etmektedir. Çalışma kapsamında tüm modeller, 35 epoch boyunca aynı koşullarda eğitilmiştir. Model performansları; doğruluk oranı, eğitim süresi ve kayıp değeri gibi ölçütler üzerinden kıyaslanmıştır. Elde edilen bulgulara göre, BERT modeli %89,61 doğruluk oranı ile en yüksek başarıyı göstermiştir. BERTurk'ü sırasıyla XLM-R, ELECTRA, RoBERTa ve DeBERTa modelleri takip etmiştir. Bu sonuçlar, klasik derin öğrenme modellerinin ötesine geçen transformer mimarilerinin, Türkçe gibi eklemeli morfolojiye sahip dillerde dahi başarılı sonuçlar elde edebileceğini göstermektedir. Ayrıca, hakaret ve küfür gibi sosyal medyada sıklıkla karşılaşılan içeriklerin otomatik olarak tespit edilebilmesi adına transformer tabanlı yaklaşımların önemli bir potansiyel taşıdığı ortaya konmuştur. Elde edilen sonuçlar, Türkçe sosyal medya verilerinde argo ve saldırgan söylemlerin tespiti için geliştirilecek içerik filtreleme sistemlerine katkı sağlayabilecek niteliktedir.
Sanal gerçeklik ve egzersiz tabanlı rehabilitasyon teknolojilerinde yenilikçi yaklaşımlar
Sanal gerçeklik ve egzersiz tabanlı rehabilitasyon teknolojilerinin fiziksel ve zihinsel sağlık üzerindeki etkileri incelenmiş ve bu alanda yenilikçi yaklaşımlar geliştirilmiştir. Fiziksel hareketsizliğin arttığı günümüzde, egzersiz oyunları (exergame) rehabilitasyon süreçlerinde motive edici bir araç olarak öne çıkmaktadır. Tezin temel hipotezi, milimetre dalga radar (MWR) teknolojisinin vücut hareket takibi için kullanılabileceği ve exergame'lere yeni bir sensör alternatifi sunabileceğidir. Örneklem olarak bireysel kullanıcılar hedeflenmiş, sistem iki farklı oyun (Balloon ve Walk) ile test edilmiştir. Çalışmada, INOSENS firması tarafından geliştirilen MWR sensöründen alınan sinyaller, eğitilmiş bir yapay zekâ modeli ile analiz edilerek ileri/geri yürüme ve kol kaldırma gibi temel hareketler tanımlanmıştır. Bu hareket verileri Unity tabanlı egzersiz oyunlarına entegre edilmiştir. Ayrıca, danışan ve uzmanın aynı sanal ortamda buluşmasını sağlamak amacıyla Becure GmbH sistemlerinden faydalanılmış ve Photon Fusion altyapısıyla gerçek zamanlı multiplayer yapı kurulmuştur. Uzmanın kullanıcıyı gözlemleyebildiği ve sesli iletişim kurabildiği sanal klinik ortamı oluşturulmuştur. Sonuçlar, MWR tabanlı insan hareket algılama sisteminin exergame uygulamalarıyla entegre bir şekilde çalışabileceğini ve uzaktan rehabilitasyon için güvenilir bir çözüm sunduğunu göstermiştir.
Blok zincir tabanlı kan bağış sistemi
Kan bağışı, insan için hayati bir rol oynamaktadır. Bu sürecin şeffaf ve güvenilir bir şekilde yürütülmesi, veri güvenliğinin sağlanması ve denetlenebilirliğin arttırılması için gereklidir. Bu tez çalışmasında şeffaf, merkeziyetsiz ve değiştirilemez bir yapıya sahip olan blok zincir teknolojisi kullanılarak bir kan bağış sisteminin tasarlanması amaçlanmıştır. Önerilen sistem, kanın takip edilebilirliğini kolaylaştıracak ve kan nakil sürecinin daha güvenilir bir şekilde ilerlemesini sağlayacaktır. Sistem, Ethereum ağı üzerinde akıllı sözleşmeler kullanılarak tasarlanmıştır. Merkezi bir onaya ihtiyaç duymadan, akıllı sözleşmeler aracılığıyla otomatik olarak gerçekleştirilen işlemler sürecin hızlanmasına ve güvenilirliğin artmasına yardımcı olacaktır. Bu sistemde bağışlanan kanın ilk aşamadan son aşamaya kadarki geçirdiği tüm işlemler yetkili kişiler tarafından eklenecek ve böylece kanın takip edilebilir olması sağlanacaktır. Blok zincir tabanlı kan bağış sistemi kanın durumu ve geçtiği süreci şeffaf bir şekilde takip edebilmeyi amaçlamanın yanında hasta ve bağışçı mahremiyetinin korunmasına da önem vermektedir. Bu tez çalışması, kan bağış sürecinin daha güvenilir ve verimli bir şekilde yönetilmesi için blok zincir teknolojisini kullanarak yenilikçi bir sistem geliştirmeyi hedeflemektedir.
Endüstriyel ağların güvenliği için uç sistem ağ trafiğinin donanım tabanlı toplanması ve bütünleşik analizi
Endüstriyel ağlarda artan siber tehditler, bu sistemlerin güvenliğini sağlamak adına daha ileri düzey ağ trafiği analiz yöntemlerine duyulan ihtiyacı ortaya koymaktadır. Bu çalışmada, donanım tabanlı bir sistem tasarlanarak ağ trafiğini analiz etme ve tehditleri tespit etme süreçleri incelenmiştir. Çalışmanın temel amacı, endüstriyel ağlarda gerçek zamanlı analiz yaparak ağ güvenliğini artırmak ve potansiyel saldırılara karşı etkili bir savunma mekanizması oluşturmaktır. Tez kapsamında, ağ trafiğinin özellikleri ve anormal davranışlar arasındaki ilişkiyi incelemek için imza tabanlı algoritmalar entegre edilmiş, bu sistem saldırgan trafik ve normal trafik ayrımını gerçekleştirebilmiştir. Örneklem, toplanan gerçek ağ trafiği verileri ile oluşturulmuş ve bu veriler saldırı tespiti ile normal trafik analizinde kullanılmıştır. Bu tez çalışması ile donanım tabanlı bir trafik izleme sistemi geliştirilmiş ve bu sistem, AlienVault ile GreyNoise API'lerini entegre ederek kural tabanlı karar mekanizmalara hazır hale getirilmiştir. Bulgular, geliştirilen sistemin saldırı tespitinde yüksek doğruluk oranlarına ulaştığını göstermekte, aynı zamanda paket analizi sürelerinin düşük olmasıyla gerçek zamanlı analiz gereksinimlerini karşıladığını ortaya koymaktadır. Bu çalışma, endüstriyel ağların güvenliği için donanım tabanlı yöntemlerin entegrasyonuna dair yenilikçi bir yaklaşım sunmuş, elde edilen sonuçlar, gelecekteki araştırmalar için önemli bir bilgi kaynağı oluşturmuştur.
Doğal dil işleme yaklaşımları ile finansal raporların performans analizi ve özetlenmesi
Türkçe finansal metinlerin işlenmesine yönelik özetleme ve sınıflandırma görevleri bu tez çalışmasında ele alınmıştır. Çalışmanın temel amacı, finansal metinlerin bağlamsal anlamını koruyarak özetlenmesi ve doğru kategorilere ayrılması süreçlerini iyileştiren modeller geliştirmektir. Hipotezler, Transformer tabanlı modellerin bağlamsal doğruluğu yüksek özetler üretebileceği ve sınıflandırma modellerinin yüksek doğruluk oranlarıyla metinleri kategorize edebileceği üzerine kurulmuştur. Çalışmada, sınıflandırma için 8.524 metin, özetleme için ise 10.288 metin içeren iki ayrı veri seti kullanılmıştır. Veri setleri, finansal raporlar, analizler ve piyasa haberlerinden derlenmiştir. Özetleme için Cosmos LLaMA Instruct modeli özelleştirilmiş; sınıflandırma için ise farklı hiperparametreler ile optimize edilmiş derin öğrenme tabanlı bir model geliştirilmiştir. Modellerin performansı, bağlamsal ve yüzeysel metrikler kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Bulgular, özetleme modelinin bağlamsal doğruluk açısından %66,41 BERT Skor ve %63,84 anlamsal benzerlik skoruna ulaştığını göstermektedir. Sınıflandırma modelinde ise %83,52 doğruluk, %85,53〖 F〗_1 skoru ve %83,65 hassasiyet elde edilmiştir. Elde edilen sonuçlar, Türkçe'nin düşük kaynaklı bir dil olmasından kaynaklanan sınırlamaların aşılabileceğini ve geliştirilen modellerin finansal analitik süreçlere önemli katkılar sunabileceğini ortaya koymaktadır. Çalışma, aynı zamanda düşük donanım gereksinimi sağlayan bellek dostu yöntemlerin etkinliğini de göstermektedir. Bu tez, Türkçe DDİ süreçlerinin geliştirilmesine yönelik önemli bir katkı sunmakta ve gelecekteki çalışmalar için yeni araştırma alanları önermektedir.
Yapay zeka ile radyolojik görüntülerden abdominal aort anevrizması tespiti
Yapay zeka, tıbbi görüntülemede giderek artan önemiyle sağlık alanında devrim yaratmıştır. Bu tez çalışması, Abdominal Aort Anevrizması (AAA) tespitinde yapay zeka yöntemlerinin etkili bir şekilde kullanılmasını incelemek amacıyla hazırlanmıştır. AAA, erken teşhis edilmediğinde ölümcül sonuçlara yol açabilen bir rahatsızlıktır. Çalışmanın temel hipotezi, radyolojik görüntülerin yapay zeka tabanlı analizleri ile AAA'nın daha hızlı ve doğru bir şekilde tespit edilebileceği varsayımına dayanmaktadır. Tezde, hastalığın teşhisinde kullanılan bilgisayarlı tomografi (BT) görüntülerinden elde edilen veri setleri işlenmiş ve Convolutional Neural Network (CNN) tabanlı derin öğrenme modelleri uygulanmıştır. Veri ön işleme aşamasında, gürültü azaltma, kontrast iyileştirme ve özellik çıkarımı gibi adımlar gerçekleştirilmiştir. Eğitim ve test süreçlerinde kullanılan modeller, hassasiyet, özgüllük ve doğruluk oranları açısından analiz edilmiştir. Bulgular, önerilen yapay zeka modellerinin, geleneksel yöntemlere kıyasla daha yüksek başarı oranları sunduğunu göstermiştir. Bu çalışma, yapay zeka teknolojilerinin radyolojik görüntüleme süreçlerinde kullanılabilirliğini vurgulamakta ve bu alandaki bilimsel bilgi birikimine katkı sağlamayı amaçlamaktadır. Ayrıca, tıbbi teşhislerde zaman ve maliyet tasarrufu sağlayarak hasta sonuçlarını iyileştirme potansiyeline sahiptir.
Makine öğrenmesi yöntemleri ile orofaringeal skuamöz hücrelikarsinomlu hastalarda insan papilloma virüsü (HPV) statüsün tahmini
Baş ve Boyun Skuamöz Hücreli Karsinomları'nda(HNSCC) tedavi planlaması ve klinik karar verme süreçlerinde, HPV statüsünün doğru bir şekilde saptanması büyük bir önem taşımaktadır. Özellikle orofaringeal karsinomlarda HPV statüsü hastalık evresini değiştirmektedir. HPV statüsü belirlemede birçok laboratuvar test kullanılmaktadır. Bu testlerin hepsi maliyeti yüksektir ve sonuç vermesi için süre gereklidir. HPV statüsünü belirlemede biyopsi örneğinden E6/E7 saptanması altın standarttır ancak günümüzde bu uygulama pratik değildir ve DNA polimer zincir reaksiyonları (PCR) kullanılmasının sensivitesi duyarlığı yüksek özgüllüğü düşüktür. İyileştirilmiş prognoz ve tedaviye yanıtla ilişkili olan HPV ilişkili HNSCC vakaları, kişiselleştirilmiş tedavi yaklaşımlarının uygulanmasını gerektirir. Agresif cerrahi yaklaşımların sağladığı onkolojik kontrol ile bu yöntemlerin potansiyel yüksek morbidite risklerinin dengelenmesi, hekimler için zorlu bir karar noktasıdır. Bu tez çalışmasında, HPV durumunu tahmin etmeye yönelik bir yapay zekâ yaklaşımı sunulmuştur. Çalışma kapsamında, düzensiz ve eksik veriler içeren sınırlı sayıdaki hasta kaydı üzerinden CatBoost, LightGBM ve XGBoost gibi eksik veriye toleranslı modern makine öğrenmesi algoritmaları değerlendirilmiştir. Ayrıca, model performansını iyileştirmek amacıyla genetik algoritma tabanlı hiperparametre optimizasyonu uygulanmıştır. Elde edilen bulgular, veri yapısındaki sınırlılıklara rağmen, önerilen yapay zekâ temelli modellerin HPV statüsünü tahmin etmede kullanılabilir potansiyele sahip olduğunu göstermektedir. Bu çalışma, onkoloji alanında yapay zekânın karar destek sistemlerine entegrasyonunun mümkün olduğunu ve ileri düzeyde geliştirilecek uygulamaların hasta bakım süreçlerine katkı sağlayabileceğini ortaya koymaktadır.
Sıvı sinir ağları ile turbofan motoru kalan ömür tahmini: karşılaştırmalı bir analiz
Turbofan motorlar sivil havacılığın temel güç kaynağı olup bu motorların beklenmedik arızaları hem güvenlik hem de ekonomik açıdan ciddi sonuçlar doğurabilmektedir. Kestirimci bakım stratejileri kapsamında kalan faydalı ömür (Remaining Useful Life -- RUL) tahmini, motor bileşenlerinin arızaya ne kadar süre sonra ulaşacağını önceden belirleyerek bakım planlamasını optimize etmeyi amaçlamaktadır. Literatürde bu problem için Uzun Kısa Süreli Bellek (Long Short-Term Memory -- LSTM), Kapılı Yinelemeli Birim, Evrişimsel Sinir Ağı (Convolutional Neural Network -- CNN) ve Transformer gibi ayrık-zamanlı derin öğrenme mimarileri yaygın biçimde kullanılmakta; ancak motor bozunması doğası gereği sürekli-zamanlı bir fiziksel süreç olmasına rağmen bu sürecin sürekli-zamanlı sinir ağı mimarileriyle modellenmesi henüz yeterince araştırılmamıştır. Bu tez çalışmasında, NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) veri seti üzerinde Kapalı-form Sürekli-zaman (CfC) tabanlı Sıvı Sinir Ağı (LNN) modeli ile RUL tahmini gerçekleştirilmiştir. CfC hücresinin girdiye bağlı zaman sabitleri, bozunma sürecindeki değişken dinamiklere uyum sağlama potansiyeli taşımaktadır. Modelin hiperparametreleri, iki aşamalı Bayesçi optimizasyon stratejisiyle sistematik biçimde optimize edilmiştir. Birinci aşamada gizli durum boyutu, öğrenme oranı ve mini-batch boyutu gibi mimari ve eğitim parametreleri; ikinci aşamada ise sekans uzunluğu, RUL tavanı ve korelasyon tabanlı sensör seçim eşiği gibi veri akışı parametreleri ardışık olarak ayarlanmıştır. Deneysel sonuçlar, CfC tabanlı LNN modelinin tek çalışma koşullu veri setlerinde güçlü bir performans sergilediğini ortaya koymuştur. Model, FD001 veri setinde 8,40 Kök Ortalama Kare Hata (Root Mean Square Error -- RMSE) ve 107 NASA skoru, FD003 veri setinde ise 9,71 RMSE değerine ulaşmıştır. Bu değerlerle model, karşılaştırılan LSTM, DCNN, BiLSTM+Attention, CNN-LSTM-Attention ve STAR Transformer modellerinin raporladığı değerlerden daha düşük RMSE elde etmiştir. Çoklu çalışma koşullu veri setlerinde ise FD002'de 13,50 RMSE ve FD004'te 20,97 RMSE elde edilmiş olup, bu RMSE değerleri bazı klasik yaklaşımların raporladığı RMSE değerlerinden yüksek kalmakla birlikte, Transformer tabanlı güncel mimarilerle rekabetçi bir düzeydedir. Belirtilen karşılaştırmaların farklı çalışmaların ön işleme ve deney protokolleri birebir aynı olmadan raporladığı değerlere dayandığı dikkate alınmalıdır. İki aşamalı Bayesçi optimizasyon, her veri setine özgü farklılaşmış konfigürasyonlar üreterek tek tip bir ayarla elde edilemeyecek performans düzeylerine ulaşılmasını sağlamıştır.
Kuantum tabanlı boyut indirgeme ve sınıflandırıcı gerçekleştirilmesi
Geleneksel bilgisayar yapısından farklı bir mimariye sahip olan kuantum bilgisayar teknolojisi hızlı bir şekilde gelişme kaydetmektedir. Son yıllarda kuantum bilgisayarlara uygun programlar, hesaplama ortamları, gerekli algoritmaların hazırlanması noktasında oldukça ses getiren çalışmaların yapıldığı gözlenmektedir. Dünya genelinde bulunan sayılı kuantum bilgisayar araştırmacılara nasıl bir ortamla karşılaşacakları konusunda genel bilgiler sağlamaktadır. Bu kuantum bilgisayarlar ve simülasyon ortamlarından faydalanarak araştırmacılar güncel çalışmalarına yön verebilmektedir. Bu tez çalışmasında kuantum hesaplama ile yapay zekânın birleşimi olan kuantum makine öğrenmesi ve algoritmaları üzerine kapsamlı çalışmalar yapılmıştır. Bu çalışmalar genel olarak yapay zekâ alanında önemli olan boyut indirgeme ve sınıflandırma işlemlerini kapsamaktadır. Klasik sınıflandırma algoritmalarının aksine kuantım makine öğrenme algoritmalarının yürütülmesi aşamasında giriş verisinin hesaplama ortamlarına uygun olması gerekmektedir. Kuantum hesaplama ortamlarında kullanılan kübit boyutları sınırlı bir kaynak olduğundan dolayı boyut indirgeme yöntemleri bu alanda yaygın olarak kullanılmaktadır. Tez çalışmasında TBA ve LDA gibi klasik boyut indirgeme yöntemleri üzerine geniş ölçekli uygulamalar gerçekleştirilmiştir. Kuantum makine öğrenme algoritmaları için kardiyoloji, diyabet ve obezite tıbbı veri setleri kullanılmıştır. Bu verisetleri üzerinde farklı senaryolarda detaylı çalışmalar yürütülmüştür. Kullanılan veri setlerinde klasik boyut indirgeme yöntemleri kullanılarak özellik haritalarına verilmiş ve kübit kullanımına uygun veri setleri elde edilmiştir. Bu yeni veri setlerine kuantum makine öğrenmesi algoritması olan Kuantum Destek Vektör Makinesi (KDVM) uygulanmıştır. KDVM algoritmasının performansını değerlendirebilmek için klasik Destek Vektör Makinesi başta olmak üzere literatürde sıklıkla kullanılan klasik sınıflandırma algoritmaları ile analizler gerçekleştirilmiştir. Gerçekleştirilen analizlerde elde edilen sonuçlar performans ve zaman bakımından irdelenmiştir. Seçilen boyut indirgeme yöntemine göre KDVM algoritmasının performansına ait çeşitli metrikler sunulmuştur. Yapılan çalışmalar tıbbi veri setleri üzerinde klasik boyut indirgeme yöntemleri ve KDVM yaklaşımının umut verici sonuçlar elde ettiğini göstermiştir. Tez çalışması, kapsamlı uygulamalar ile kuantum makine öğrenmesi alanında önemli katkılar sunmaktadır.
Görüntü verilerinde derin öğrenme tabanlı yüz tanıma ve fiziksel şiddet olaylarının adli bilişim açısından tespiti
Teknolojinin hızlı bir şekilde gelişmesi hayatımızın neredeyse tüm alanına sirayet ettiği görülmüştür. Son yıllarda yapay zekâ alanında yaşanılan gelişmelere bakıldığında, yapay zekâ modellerinin insan başarı oranının üzerinde tespit, analiz ve anlamsal bütünlük sağladığı görülmektedir. Adli bilişim de bu alanların başında gelmekte ve yaşanılan teknolojik gelişmelere paralel olarak, yapay zekanın alana entegrasyonu konusunda çaba sarf edilmektedir. Adli bilişim alanında yaşanılan problemlere bakıldığında, adli delillerin incelenmesi ve analizi gösterilebilir. Uzman personel tarafından adli delil içerisinden çıkan dosyaların üzerinde yapılacak analizin hem zaman hem de maliyet açısından büyük dezavantajı bulunmaktadır. Özellikle adli bilişim analiz yazılımlarının görüntü, video ve ses gibi multimedya verileri üzerinde kısıtları düşünüldüğünde bu türden ilgili dosyalar üzerinde detaylı analiz yapılması imkânsız hale gelmektedir. Bu tez çalışmasında adli bilişim süreci adli delil analizi aşamasında meydana gelen problemlerin aşılması, maddi gerçeğin ortaya çıkarılması için delil içinde bulunan kişi/kişilerin ve olayların özelinde şiddet tespitinin yapılması amaçlanmıştır. Kişi ve olay korelasyonu yapılarak adli delil içerisinde bulunan verilerin içeriklerinin anlamsal çıkarımları yapılacaktır. Bu anlamsal çıkarım sadece bu tez özelinde bulunan nesneler dahilinde sınırlı değil, tüm olay ve olguları kapsayacak şekilde genişletilebilmektedir. Bu tez çalışmasında son yıllarda gerçek zamanlı ve yüksek başarımlı nesne tanıma mimarilerinden YOLOv8 kullanılarak kişi tespit, tanıma ve olay tespitlerinin yapılması amaçlanmıştır. Elde edilen sonuçlara bakıldığında en başarılı modellerimiz donanım bağımlı olarak %99 başarım ve 55 fps'de yüz tespiti, %90 başarım ve 55fps'de olay tespiti ve %99,8 oranında kişilerin kimliklendirilmesini yapabilmektedir. Ayrıca yapılan tespitlerin adli bilişim uzmanları tarafından rahatlıkla kullanılabilmesi amacıyla tez çalışması sonucunda bir arayüz oluşturulmuş ve demo versiyonu kullanıcıların hizmetine sunulmuştur.
Comparison of deep learning methods in medical image classification
Nowadays, current medical imaging techniques provide means of diagnosing disorders like the recent Covid-19 and Pneumonia due to technological advancements in medicine. However, the lack of sufficient medical experts, particularly amidst the breakout of the epidemic, poses severe challenges in early diagnoses and treatments, resulting in complications and unexpected fatalities. In this thesis study, a CNN model, VGG16 + XGBoost, and VGG16 + SVM, were used for three-class image classification on a generated dataset named Dataset-A with 6,432 chest X-Ray (CXR) images (containing Normal, Covid-19, and Pneumonia classes). Then, pre-trained ResNet50, Xception, and DenseNet201 models were employed for binary classification on Dataset-B with 7,000 images (consisting of Normal and Covid-19). The suggested CNN model achieved a test accuracy of 98.91 %. Then the hybrid models (VGG16 + XGBoost and VGG16 + SVM) gained accuracies of 98.44 % and 95.60 %, respectively. The fine-tuned ResNet50, Xception, and DenseNet201 models achieved accuracies of 98.90 %, 99.14 %, and 99.00 %, respectively. Finally, the models were further evaluated and tested, yielding impressive results. These outcomes demonstrate that the models can aid radiologists with robust tools for early disease diagnoses and treatment.
Bulut bilişim sistemlerine yapılan saldırıların derin öğrenme yöntemi ile analizi
Bulut bilişim, sunucular, depolama alanı, ağ altyapısı, veri merkezi ve yazılım hizmetleri gibi bilgi işlem kaynaklarının ortak bir ağ üzerinden sunulduğu bir hizmet modelidir. Bu hizmet modeli, kullanıcılara esneklik, ölçeklenebilirlik ve maliyet tasarrufu sağlamaktadır. Bulut bilişim potansiyel kazanımlarına rağmen güvenlik konusunda sıkıntılar nedeniyle bireyler ve işletmeler tarafından tam benimsenmemektedir. Bu nedenle bulut bilişim güvenliği yeni bir araştırma konusu haline gelmiştir. Derin öğrenme, bulut bilişim güvenliği alanında önemli bir potansiyele sahiptir. Güvenlik tehditlerinin karmaşıklığı ve hacmi arttıkça, derin öğrenme algoritmaları, bulut sistemlerindeki güvenlik açıklarını tespit etme, saldırıları önleme ve veri gizliliğini sağlama konularında etkili bir rol oynayabilir. Derin öğrenme tabanlı analiz yöntemleri, büyük veri kümelerini inceleyerek anormal davranışları tespit edebilir ve hızlı bir şekilde yanıt verilmesini sağlayabilir. Bu büyük veri incelemeleri genellikle sinir ağı mimarilerini kullanır. Bu tez çalışmasında, bulut bilişimde ortaya çıkan güvenlik sorunları hakkında kapsamlı bir araştırma yapılmıştır. Bulut bilişimin hizmet olarak altyapı modelinde yaşanan sıkıntılar diğer hizmet modellerini etkilemektedir. Bu nedenle derin öğrenme teknikleri kullanılarak, çeşitli saldırı türlerini ve normal ağ trafiğini temsil eden UNSW-NB15 ve AWID adındaki geniş veri kümeleri kullanılarak ağ davranışları izlenmiştir. Çalışma kapsamında derin öğrenme alanında yaygın olarak kullanılan Evrişimsel Sinir Ağı (ESA) ve Tekrarlayıcı Sinir Ağı (TSA)'nın bir türü olan Uzun-Kısa Süreli Bellek (UKSB) sinir ağlarından iki model oluşturulmuştur. İlk modelde, hiyerarşik bir yapı söz konusu olup UKSB, ESA tarafından öğrenilen giriş verilerinin özelliklerini öğrenmek için kullanılmaktadır. İkinci modelde ise ESA ve UKSB, giriş verileri üzerinde bağımsız olarak çalışmakta ve çıktıları paralel bir şekilde birleştirilmektedir. Bu iki model, yukarıda bahsedilen veri setleriyle eğitilip test edildikten sonra elde edilen sonuçlar karşılaştırılmaktadır. UNSW-NB15 veri seti üzerinde hiyerarşik ESA-UKSB modeli %82,24 doğruluk oranına sahipken paralel ESA-UKSB modeli %82,89 doğruluk oranına sahip olduğu görülmüştür. AWID veri seti üzerinde hiyerarşik ESA-UKSB modeli %83,29 doğruluk oranına sahipken paralel ESA-UKSB modeli %98,30 doğruluk oranına sahip olduğu görülmüştür. ESA ve UKSB sinir ağlarını bir araya getirmek, güçlü bir model oluşturmuştur. Her iki yaklaşımın da kendine özgü güçlü ve zayıf yönleri bulunmaktadır. Bu nedenle, en iyi seçimin, spesifik bir soruna bağlı olduğu sonucuna varılmaktadır.
Derin sinir ağı yöntemleri kullanılarak alzheimer hastalığının mr görüntüleri üzerinde sınıflandırılması
Alzheimer hastalığı dejeneratif yani zamanla ilerleyen ve zihinsel işlev kaybına yol açan bir hastalık türüdür. Alzheimer hastalığı teşhis edilmesinin çok öncesinde oluşur ve ilerleme kaydeder. Hastalığın erken teşhis durumu oldukça zordur. Erken teşhis edilemediği için yıllarca ilerlemeyi sürdürür ve beyinde gerçekleşen temel hayati işlevlerin gerçekleştirilmesine engel olacak kadar ilerlemeye devam eder. Alzheimer hastalığının dört ana aşamadan oluştuğu bilinmektedir. Bu aşamalar; ÇHBB, HBB, OSBB ve İSBB aşaması olarak tanımlanır. Erken aşamada ortaya çıkan belirtiler genellikle klinik olarak fark edilemeyecek kadar hafif belirtilerdir. Alzheimer hastalığı klinik olarak hasta ve hasta yakınlarından, hastanın tıbbi ve travma geçmişi dinlenerek teşhis edilmeye çalışır. Bunun yanında hastanın beyin görüntüsü MR ve Bilgisayarlı Tomografi (BT) gibi bilgisayar destekli cihazlar aracılığı ile alınır. Alınan bu görüntüler üzerinden beyindeki değişiklikler gözlenerek hastalık teşhisine destek olması beklenir. Bu çalışmada Alzheimer hastalığının erken aşamaları; üç ana çalışma grubu olarak ayrılmış ve bu çalışma grupları üzerinde ResNet-18, ResNet-50, ResNet101, DenseNet161, EfficientNet-B7, ConvNext mimarileri ile model eğitimleri gerçekleştirilmiştir. Normal- HBB aşamaları ele alınan çalışma grubunda en başarılı model olan ResNet-50 mimarisi; %95.40 doğruluk oranına ulaşmıştır. Normal-ÇHBB aşamalarından oluşan çalışma grubuna ait en başarılı model ise ConvNext mimarisi ile eğitilmiştir. Bu çalışma grubunda ConvNext modeli %97.53 başarı oranına ulaşmıştır. HBB-ÇHBB olmak üzere iki ana aşamadan oluşan üçüncü çalışma grubunda da en başarılı model ConvNext mimarisi ile eğitilerek %92.17 başarı oranına ulaşmıştır. Çalışma gruplarından elde edilen en başarılı modeller web ara yüzü ile entegre olarak test ortamına alınmıştır. Gerçekleştirilen çalışmanın Alzheimer hastalığının erken teşhisinde klinik testlere ve gerçek zamanlı olarak uygulanabilirliğe ışık tutacağı düşünülmektedir.
Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti
Elektroensefalografi (EEG) sinyallerinin derin öğrenme algoritmalarıyla sınıflandırılması sonucunda insanlarla ilgili çeşitli bilgiler edinilmekte ve insan hayatını kolaylaştıracak geliştirmeler yapılmaktadır. EEG, beyin dalgalarını izleyerek beynin fizyolojik ve fonksiyonel detaylarını ve aktivitelerini anlamaya yardımcı olması için beyinde meydana gelen nöral aktiviteleri kapsayan bir yöntemdir. Bu çalışma, EEG sinyallerinin toplanmasını, sinyal işleme teknikleriyle işlenmesini ve derin öğrenme algoritmaları kullanılarak sınıflandırılmasını içerir ve insanların söylediklerinin yalan mı yoksa doğru mu olduğunu tespit etmeyi amaçlar. Bu çalışmanın geliştirilmesiyle, yalan tespiti için kullanılan birçok yönteme göre daha sağlıklı sonuçlar elde edilmesi planlanmaktadır. Derin öğrenme algoritmalarıyla EEG sinyalleri sınıflandırılarak insanların söylediklerinin doğru mu yoksa yalan mı olduğu tespit edilebilir. Sorgulamalar sırasında veya adli bir olayda suçlu veya suçsuz kişilere yöneltilen sorulara yanıt verirken, bu kişilerin EEG sinyalleri kaydedilebilir. Bir kişinin yalan veya doğru söylediğinin tespiti, kişiden alınan EEG sinyallerinin derin öğrenme algoritmalarıyla eğitilmiş bir modelle test edilmesi yoluyla gerçekleştirilebilir. Bu tez kapsamında EEG verileri toplanmış ve LieWaves adında bir EEG yalan veri seti oluşturulmuştur. EEG sinyallerinden artefaktları çıkarmak için ön işleme aşamasında filtreleme, Bağımsız Bileşen Analizi (BBA), Artefakt Altuzay Yeniden İnşası (AAYİ) ve Otomatik ve Ayarlanabilir Artefaktları Kaldırma (OAAK) algoritmaları uygulanmıştır. EEG sinyallerinden özellik çıkarımı için Ayrık Dalgacık Dönüşümü (ADD) ve Hızlı Fourier Dönüşümü (HFD) yöntemleri İstatistiksel Yöntemler (İY) ile birlikte kullanılmıştır. Elde edilen her özellik vektörü Evrişimli Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (UKSB) ve ESAUKSB derin öğrenme algoritmalarıyla sınıflandırılmıştır. OAAK + ADD + UKSB yöntemleri kullanılarak yapılan analizlerde %99,88 doğruluk oranı en iyi performansı göstermiştir. Bu çalışmada kullanılan yöntemler, LieWaves veri seti üzerinde ilk kez uygulanmıştır. Bilindiği kadarıyla, benzer çalışmalarda ön işleme aşamasında AAYİ ve OAAK yöntemleri, sınıflandırma aşamasında ise ESAUKSB modeli ilk defa bu çalışmada kullanılmıştır. Elde edilen sonuçlar, bu yöntemlerin ne kadar başarılı olduğunu göstermektedir.
Bilgisayarlı tomografi görüntüleri kullanılarak COVID-19 hastalığının tanısı için derin öğrenme yöntemlerinin kullanılması
İnsanlık tarihinde çeşitli zamanlarda epidemiler ve pandemiler yaşanmıştır. Bunlara 2019 yılında Covid-19 hastalığı da eklenmiştir ve Dünya Sağlık Örgütü tarafından 2020 yılında pandemi olarak kabul edilmiştir. Hastalığın bulaş riski ve öldürücü etkisi göz önüne alındığında hastalığın erken tanı ve tedavisi oldukça önem arz etmektedir. Hastalığın bu etkileri bilgisayarlı destek sistemlerine olan ihtiyacı arttırmıştır. Hastalığın akciğerlerde yarattığı enfeksiyonlu bölgeler bilgisayarlı tomografi ile rahatça görülebilir, bilgisayarlı destek sistemlerinde tanınabilir ve teşhis konusunda sağlık çalışanlarında konusunda yardımcı olabilir. Yapay zekâ günümüzde sağlık, ulaşım, eğitim gibi birçok alanda insanlara hizmet vermektedir. Bu çalışmada da derin öğrenme teknikleriyle uzmanlara destek olabilecek bir yapay zekâ sistemi tasarlanmıştır. Sağladığı yüksek doğruluk ve güvenilirlik ile sağlık alanında derin öğrenme ile geliştirilen bilgisayar destekli sistemler sıklıkla kullanılmaktadır. BT ile elde edilen akciğer görüntülerini kullanan bu çalışma, Covid-19 hastalığını derin öğrenme teknikleri ile tespit etmeyi amaçlamaktadır. Çalışmaya 118 Covid-19 hastasından elde edilen 751 BT görüntüsü ve 100 sağlıklı insandan elde edilen 628 BT görüntüsü dâhil edilmiştir. Görüntüler çalışmada önerilen iki yönteme de giriş olarak verilmiştir. Birinci yöntemde görüntüler AlexNet, VGG-16, VGG-19 ve GoogleNet ağlarına ek olarak önerilen ağa giriş olarak verilmiş ve hastalık tespiti gerçekleştirilmiştir. İkinci yöntemde görüntüler ilk olarak VGG-16, VGG-19, DenseNet-121, ResNet-50 ve MobileNet ağlarına giriş olarak verilmiş ve BT görüntülerinden özellik çıkarımı gerçekleştirilmiştir. Elde edilen özellikler arasından en anlamlı özellikler Relief-F özellik seçim yöntemi ile seçilerek XGBoost, AdaBoost, Destek Vektör Makineleri ve Rastgele Orman sınıflandırıcıları ile hastalık teşhisi gerçekleştirilmiştir. Bu çalışmanın, yapay zekâ kullanımıyla maliyetleri düşürürken, sağlık çalışanlarının iş yükünü azaltmasının yanı sıra Covid-19 hastalığının da erken teşhisine yardımcı olacağı düşünülmektedir
Blum blum shub üretecinin donanım gerçekleştirmesi ve kaotik tohum değerleri kullanılarak yeni bir anahtar planlama algoritması
Sayısal haberleşme teknolojilerinde son yıllarda çok hızlı gelişmeler olmuştur. Bunların başında özellikle internet ve cep telefonlarındaki gelişim gelmektedir. Bu gelişim, insanların hayatlarında önemli değişiklikler yapmasının yanı sıra gizli ve özel olan bilgiye erişmeye çalışan saldırganları da mümkün hale getirmiştir. Bu bilgiyi korumanın çözümlerinden biride kriptografiyi kullanmaktır. Kriptografi özellikle son yüzyılda askeri alanlarda gizli bir bilginin bir yerden diğer bir yere güvenli olarak taşınması amacıyla kullanıldı. Kriptografi, veriyi şifreleme ve şifre çözme işlemeleri ile ilgilenir. Veri şifreleme, gizli bir anahtar kullanımı ile açık metnin anlaşılmaz bir biçime (şifreli-metne) dönüştürme süreci olarak tanımlanır; şifreyi çözme ise tam tersidir. Burada kullanılan kriptografik anahtar gizli bir parametredir. Kriptografide anahtar olmadan şifrelerin çözülmesi çok düşük bir olasılıktır. Kriptografi bütün anlaşılmazlığını şifreden anahtara aktarmıştır. Bunun için bu anahtarların üretimi çok önemlidir. Kriptografik anahtarın üretimi kriptografi ile rastgele sayılar arasında kuvvetli bir bağ oluşmasına neden olmuştur. Çünkü anahtar gizlidir, açığa çıkarılmaması ve kimse tarafından tahmin edilememesi gerekmektedir. Bu yüzden anahtar rastgele seçilir. Anahtarı oluşturan bit dizilerindeki bazı düzensizliklere veya örneklere bakılarak anahtar tahmin edilebilir, bu yüzden anahtarın gerçekten rastgele seçilmesi ve uzunlukları oldukça önemlidir. Sonuç olarak, iyi kriptografi iyi rastgele sayılara gereksinim duyar. İstatistiksel rastgele sayı üreteçleri veya diğer bir deyişle DRNG, matematik, mühendislik, tıp ve sosyal bilimler gibi çok çeşitli alanlarda kullanılmaktadır. Bu üreteçler arasında Blum Blum Shub üreteci uzun yıllardır araştırmacıların çalışmalarında sıklıkla tercih ettikleri bir yaklaşım olmuştur. Tez çalışmasında Blum Blum Shub algoritmasında kullanılan p ve q asal sayılarının ve tohum değerlerinin kaotik sistemler kullanılarak belirlendiği bir yaklaşım önerilmiştir. Elde edilen çıktılar çeşitli istatistiksel analizler ile test edilmiş ve başarılı olduğu gözlemlenmiştir.