167
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Lav lambası temelli entropi kaynağı kullanılarak kriptolojik ikamekutusu tasarımı
Teknolojik gelişmeler ile birlikte nesnelerin interneti gibi farklı platformlardan çok büyük miktarda veri elde edilmiştir. Ardından büyük veri olarak adlandırılan bu veri kümesinden yapay zeka teknikleri aracılığı ile bilgi çıkarım süreci hız kazanmıştır. Dolayısı ile dijitalleşen hayatlarımızın yeni petrolü olarak nitelendirilen verinin güvenliğinin nasıl sağlanabileceği herkesin gündemini işgal eden sıcak bir probleme dönüşmüştür. Rasgelelik, güvenli şifreleme için son derece önemlidir. Verileri şifrelemek için kullanılacak her yeni anahtarın gerçekten rasgele olması gerekir. Bu sayede bir saldırgan anahtarı anlayamaz ve verilerin şifresini çözemez. Ancak öngörülemeyen şifreleme anahtarları oluşturmak için gereken rasgele verileri üretmek zor bir süreçtir. Lav lambaları sürekli olarak rasgeledir. Bir lav lambasındaki "lav" asla aynı şekli iki kez almaz ve sonuç olarak bir lav lambası grubunu gözlemlemek rasgele veriler için harika bir kaynaktır. Ancak güvenli bir entropi kaynağına sahip olmak tek başına yeterli değildir. Asıl önemli olan bu entropi kaynağının nasıl kullanılacağı ile ilişkilidir. Tez çalışmasının araştırma sorusu güçlü bir entropi kaynağını (bu yerel entropi kaynakları tehlikeye girse bile) güvenli rasgeleliğe erişmesini sağlayabilecek bir yaklaşımın geliştirilip geliştirilemeyeceğidir. Yapılan ön çalışmalar sonucunda elde edilen başarılı çıktılar bu hipotezi doğrular niteliktedir. Geliştirilen yaklaşımın özgün yönü herhangi bir gürbüz entropi kaynağına doğrusal olmayan dönüşümler uygulayarak rasgelelik çıkarımı yapılabilecek olmasıdır. . Anahtar Kelimeler: Şifreleme, Anahtar üreteci, Rasgelelik
Çoklu video görüntüleri üzerinde akıllı hedef takibi
ÖZET Dummy Çoklu Video Görüntüleri Üzerinde Akıllı Hedef Takibi Sevinç AY Doktora Tezi FIRAT ÜNİVERSİTESİ Fen Bilimleri Enstitüsü Yazılım Mühendisliği Anabilim Dalı Temmuz 2023, Sayfa: xii + 96 Son yıllarda, teknoloji alanında yaşanan gelişmelerle birlikte kamera, veri depolama cihazları ve yazılım sistemleri bileşenlerinden oluşan görsel gözetim sistemlerinin kullanımı da yaygınlaşmıştır. Görsel gözetim yapmak için kullanılan bu sistemler, nesneler veya insanların hareketlerini, davranışlarını gözlemlemede yaygın olarak tercih edilmektedirler. Trafikte kullanılan gözetleme sistemlerinde çeşitli algoritmalar sayesinde kalabalıklar arasında şüpheli şahısların ya da araçların anormal davranışlarının tespiti mümkün olmaktadır. Bu hareketlerin doğru bir şekilde tespit edilmesi oluşabilecek birçok tehlikenin önceden tespitine ve engellenmesine yardımcı olmaktadır. Günlük yaşamdaki birçok alanda görsel takip sistemlerinin kullanılma gereksinimi, son yıllarda araştırmacıların nesne takibi konusuna olan ilgisini arttırmıştır. Nesne tespiti ve takibi, görsel gözetim sistemlerinin yorumlanması amacıyla giderek daha yaygın olarak kullanılmaktadır. Tez çalışması kapsamında bir yol güzergâhında bulunan birden fazla kameradan alınan çoklu video görüntüleri kullanılmıştır. Bu tez çalışmasının ilk aşamasında, şüpheli olarak nitelendirilen bir aracın çoklu trafik video görüntüleri üzerinde geliştirilen araç takip yöntemi kullanarak izlenmesi sağlanmıştır. İkinci aşamasında aracın görüntülenebileceği kameraların belirlenmesi sağlanmıştır. Son aşamada ise derin öğrenme tabanlı nesne tanıma algoritmaları kullanılarak şüpheli aracın tespit edilme işlemi gerçekleştirilmiştir. Tez çalışmasında sırasıyla Bölge Tabanlı Evrişimli Sinir Ağı (B-ESA), Daha Hızlı Bölge Tabanlı Evrişimli Sinir Ağı (Daha Hızlı B-ESA) ve Yalnızca Bir Kez Bakarsınız (YOLO) kullanılmıştır. Deneysel sonuçlardan elde edilen ortalama kesinlik değerlerinin ortalaması (mean Average Precision-mAP) karşılaştırılmış ve Daha Hızlı B-ESA derin öğrenme modelinin ResNet101 omurga ağı ile eğitilmesi ile elde edilen % 89 değerinin en yüksek ortalama olduğu belirtilmiştir. Anahtar Kelimeler: Derin Öğrenme, Araç Takibi, Araç Tespiti, B-ESA, Daha Hızlı B-ESA, YOLO
Kuantum programlama ile hiper parametre optimizasyonu
Günümüzde önemli çalışma alanlarından olan Makine öğrenmesi alanına ait bir problem olan hiper parametre optimizasyonu, model başarımlarına doğrudan etki etmektedir. Hiper parametre optimizasyonu ile makine öğrenmesi algoritmalarının başarımının pozitif yönde etkilendiği, karmaşık arama uzayına sahip olunan modellerde optimal zaman maliyeti sağlandığı yapılan çalışmalarda gözlemlenmiştir. Bu çalışma kapsamında bu probleme klasik, optimizasyon ve kuantum optimizasyon yöntemleri ile çözüm aranmıştır. Son yıllarda oldukça hız kazanan bir konu olan kuantum hesaplamanın makine öğrenmesi yöntemleri ile kullanımı ilgi görmektedir. Kuantum fiziği ve makine öğreniminin kesişme noktasında yer alan bu son teknolojik yaklaşım, klasik bilgisayarların işlemeyeceği büyüklükteki bilgiyi işlemek için kuantum mekaniğinin ilkelerinden yararlanmaktadır. Çalışmada yer alan hiper parametre optimizasyonu yöntemleri, Izgara, Rastgele ve Bayes arama; Genetik algoritma ve Parçacık sürü optimizasyonu, Kuantum genetik algoritma ve Kuantum parçacık sürü optimizasyonudur. Bu yöntemler kullanılarak klasik makine öğrenmesi algoritması olan Destek vektör makinesi ve kuantum özellikleri ile hibritleşmiş model olan Kuantum destek vektör makinesinin hiper parametreleri üzerinde deneyler yapılmıştır. Elde edilen sonuçlar ışığında Izgara arama yöntemi en iyi sonucu vermekle birlikte, optimizasyon yöntemleri de bu sonuca oldukça yakın bir başarım gösterdiği gözlemlenmiştir.
Kesir dereceli kaotik sistemlerin bilgisayar bilimlerine uygulanması
Sanal ortamda hızla artan veri yoğunluğu nedeniyle daha büyük depolama alanları ve daha güvenli taşıma yöntemlerine ihtiyaç duyulmuştur. Güvenlik önlemlerinin geliştirilmesi ile birlikte aynı hızda yeni yöntemlere saldırı çeşitleri de gelişmektedir. Bu nedenle bilgi güvenliği ve şifreleme, ilk çağlardan günümüze kadar önemli bir konu olmuştur ve hala üzerinde yoğunlukla çalışılmaktadır. Şifreleme bilimindeki önemli çalışma alanlarından biri rastgele sayı üreteçleridir. Başarılı bir şifreleme uygulamasında rastgeleliğin sağlanması ve tahmin edilebilirliğin azaltılması gerekmektedir. Bu tez çalışmasında kesir mertebeli kaotik sistem tabanlı rastgele sayı üreteci yapısı önerilmiştir. Kesir mertebeli sistemlerin gerçek dünya problemlerini modellemedeki başarısı ile sürekli zamanlı kaotik sistemlerin yapı gereği karmaşık olması ve tahmin edilememesini birleştirerek güçlü bir tasarım elde edilmesi hedeflenmiştir. Bilindiği üzere kaotik sistemler başlangıç koşullarına karşı aşırı hassastır ve bu durumu avantajlı hale getirmek için optimizasyon algoritmalarından faydalanılmıştır. Optimizasyon algoritmaları ile sonsuz uzay içerisinden rastgelelik şartlarını sağlayan başlangıç koşulları ve kesir mertebe değerleri belirlenmiştir. Öncelikle parçacık sürü optimizasyonu ve karınca koloni optimizasyonu kullanılarak Lorenz, Chen ve Rössler kaotik sistemlerine uygun başlangıç koşulları hesaplanmıştır. Daha sonra kaotik sistem çıkışından alınan değerler Mod 2 ve Mod 256 kullanılarak rastgele sayılara dönüştürülmüştür. Bu sayıların rastgeleliği NIST, histogram analizi ve kayan frekans analizleri ile test edilmiştir. Üretilen rastgele sayılar ile yer değiştirme kutusu (s-kutusu) tasarımı yapılmıştır. Bahsedilen mimari hem sürekli zamanda kaotik sistemleri için hem de kesir mertebeli kaotik sistemler için uygulanmıştır. Kesir mertebeli kaotik sistemlerin başlangıç koşullarıyla birlikte kesir mertebe değerleri de optimizasyon algoritmaları ile belirlenmiştir. Deneysel çalışmalar, sürekli zamanlı ve kesir mertebeli kaotik sistemler kullanılarak yapılan uygulamaların tüm rastgelelik testlerini başarıyla geçtiğini göstermektedir. Üretilen s-kutularının performans kriterlerine bakıldığında, literatürdeki kaotik sistem tabanlı rastgele sayı üreteçlerine kıyasla oldukça başarılı sonuçlar verdiği görülmektedir. Ayrıca, sürekli zamanlı verilerdeki başarımı nedeniyle diferansiyel evrim algoritması kullanılarak Lorenz kaotik sisteminin başlangıç koşulları tespit edilmiştir. Rastgelelik testi olarak ki-kare(𝜒2) testi kullanılmış ve testin başarılı şekilde geçildiği görülmüştür. Yapılan son çalışmada ise, en güçlü s-kutusu üretebilen başlangıç koşulları optimizasyon algoritmaları ile üretilmiştir. Çalışma hem sürekli zamanlı hem de kesir mertebeli kaotik sistemler için gerçekleştirilmiştir. Tüm çalışmalar son iterasyona kadar devam ettirilmiş ve birden fazla başarılı sonuç elde edilmiştir. Sonuç olarak performans kriterlerini başarılı şekilde sağlayan kaotik sistem tabanlı s-kutuları elde edilmiştir.
EEG sinyallerinin sınıflandırılmasında kuantum tabanlı karar destek sisteminin gerçekleştirilmesi
Elektroensefalografi sinyalleri, sağlık sektöründen günlük yaşam aktivitelerinin analizine kadar geniş bir yelpazede uygulama alanı bulan, beyin aktivitelerini ölçen önemli biyomedikal veri kaynaklarıdır. Bu sinyaller, beyin dalgalarının elektriksel aktivitesini non-invaziv bir şekilde kaydederek, çeşitli nörolojik durumların ve bilişsel süreçlerin anlaşılmasına olanak tanır. EEG sinyallerinin ölçümü ve analizi, çeşitli makine öğrenmesi ve derin öğrenme teknikleri kullanılarak gerçekleştirilir. Bu tez çalışması, kuantum makine öğrenmesi tekniklerini kullanarak EEG sinyallerinin sınıflandırılmasındaki başarıyı analiz etmeyi hedeflemektedir. Kuantum makine öğrenmesi algoritmaları, kuantum hesaplama gücünü klasik makine öğrenmesi yöntemleriyle birleştirerek geliştirilen algoritmalardır. Tezin temel hipotezi, kuantum makine öğrenmesi algoritmalarının hız ve doğruluk açısından klasik algoritmaları geride bırakabileceği yönündedir. Tez kapsamında, ilk olarak EEG göz durumu veri seti üzerinde kuantum destekli SVM ve klasik makine öğrenme algoritmaları kullanılarak yapılan analizler sunulmuş ve kuantum tabanlı sınıflandırma algoritmalarının etkinliği ortaya konulmuştur. Yapılan ikinci çalışmada, EEG şizofreni veri seti kullanılarak çeşitli özellik haritalarının QSVM algoritmasının sınıflandırma başarısı üzerine etkisi incelenmiştir. Bu çalışma Pauli X özellik haritası için tüm kübit sayılarında %100 başarıma ulaşmıştır. Tez kapsamında gerçekleştirilen son çalışmada ise LieWaves veri setinde farklı parametrik kuantum devrelerinin kullanıldığı VQC algoritmaları incelenmiştir. QSVM algoritmasının statevector ve Qasm simülatör ortamlarından performansı değerlendirilmiştir. Ayrıca QSVM ve VQC algoritmasında özellik haritaları ve VQC algoritmasında parametrik kuantum devreleri optimize edilmiştir. Elde edilen sonuçlar SVM algoritması ile karşılaştırılmış ve önerilen yöntemin klasik SVM algoritmasına göre daha yüksek performans gösterdiği görülmüştür. Tez kapsamında yapılan çalışmalar, gelişmekte olan bir alan olmasına rağmen kuantum makine öğrenme algoritmalarının, klasik makine öğrenme yöntemlerine göre üstün performans gösterebileceğini ortaya koymaktadır. Kuantum simülatör ortamlarının kullanımı nedeniyle hız açısından, klasik makine öğrenme algoritmalarına göre çalışma süreleri daha fazladır. Kuantum bilgisayarların aktif olarak kullanılması ile hız problemlerinin de çözüme ulaşacağı öngörülmektedir.
Derin öğrenme yöntem ve modelleri kullanılarak sosyal mühendislik saldırılarının tespitinde yeni yaklaşımların geliştirilmesi
Günümüzün dijital dünyasında meydana gelen gelişmeler neticesinde kullanıcıların sosyal medyada paylaştığı verilerin güvenliğini sağlamak da bilgi güvenliğinin önemini artırmaktadır. Gerekli güvenliğin sağlanmadığı dijital ortamlarda kullanıcıların her türlü verisi saldırgan olarak nitelendirilen kötü niyetli kişilerin açık hedefi haline gelmektedir. Saldırganlar tarafından kullanıcıların başta kişisel verileri ve iş hayatına ilişkin verileri olmak üzere her türlü verisi ele geçirilebilmektedir. Verileri ele geçirmek için kullanılan en yaygın yöntemlerden olan sosyal mühendislik saldırıları bilgi güvenliği ve veri güvenliği açısından büyük tehlike arz etmektedir. Kullanıcıların dijital ortamlarda da en az fiziki ortamlarda olduğu kadar güvende olması günümüzün en önemli sorunları arasında olmakla birlikte bu güvenliğin sağlanması da öncelikle bu saldırıların tespiti ile engellenmesine dayanmaktadır. Bu nedenle öncelikle en yaygın sosyal mühendislik saldırı türleri yakından tanınmalıdır. Akabinde bu saldırıların açıklıkları bulunarak tespiti için yine dijital yöntemlerin geliştirilmesi gerekliliği açıktır. Tez çalışması kapsamında kullanıcıların veri güvenliğinin korunması için en yaygın sosyal mühendislik saldırısı olan SMS kimlik avı saldırılarının tespitine yönelik yenilikçi bir yaklaşım önerilmiştir. DDİ teknikleri ile bu saldırıların tespiti gerçekleştirilerek kullanıcıların bu saldırılardan korunması amaçlanmıştır. DDİ teknikleri kullanılarak Hibrit CNN-BiLSTM yöntemi ile SMS kimlik avı saldırılarının tespiti gerçekleştirilmiştir. Model başarımı 0.998 olarak elde edilmiştir. Ardından Hibrit CNN-GRU yöntemi kullanılarak SMS phishing tespiti gerçekleştirilmiştir. Bu yöntemle gerçekleştirilen tespitin başarım oranı 0.996 olarak elde edilmiştir. Son olarak DDİ teknikleri ile Twitter verileri kullanılarak kısa metinler üzerinde Gated Recurrent Unit (GRU) ile nefret söylemi tespiti gerçekleştirilmiştir. GRU modeli ile 0.998'lik bir başarım elde edilmiştir. Tez çalışması ile DDİ teknikleri kullanılarak sosyal mühendislik saldırılarının tespitinin gerçekleştirilmesi ve literatüre bu alanda katkı sağlanması hedeflenmiştir.
Global optimizasyon ve mühendislik tasarımı problemleri için Bonobo optimizasyonu tabanlı yeni hibrit algoritmaların geliştirilmesi
Teknolojinin ilerlemesiyle beraber günden güne zorlaşan optimizasyon problemleri için sürekli yeni algoritmalar tanıtılmaktadır. Çözümün çok zor olduğu ya da uzun zaman aldığı problemlerde optimal çözümün kabul edilebilirliğine göre yeni yöntemler geliştirilmektedir. Bu alanda literatürde çok sayıda algoritma bulunmaktadır. Her problem için tek bir algoritmanın varlığının yeterli olmamasından dolayı birden fazla problemin çözümü için kullanılacak şekilde ayarlanabilir algoritmalar problem çözümünü oldukça kolaylaştırmaktadır. Bu çalışmada Bonobo Optimizasyon Algoritması, Gri Kurt Optimizasyon Algoritması, Parçacık Sürü Optimizasyon Algoritması ve Yapay Arı Kolonisi Optimizasyon Algoritması detaylı olarak incelenmektedir. Aynı zamanda Bonobo Optimizasyon Algoritması tabanlı dört farklı hibrit algoritma önerilmektedir. Bonobo Optimizasyon Algoritması ve Gri Kurt Optimizasyon Algoritmasının hibritlenmesiyle elde edilen BOGKO, Bonobo Optimizasyon Algoritması ve Parçacık Sürü Optimizasyon Algoritmasının hibritlenmesiyle elde edilen BOPSO, Bonobo Optimizasyon Algoritması ve Yapay Arı Kolonisi Optimizasyon Algoritmasının hibritlenmesiyle elde edilen BOYAK ve bu dört algoritmanın hibritlenmesiyle elde edilen HibritBO algoritmasının performansları standart kalite testi fonksiyonları, Cec'2019 fonksiyonları ve mühendislik tasarım problemleri ile test edilerek performansları kıyaslanmaktadır. Bu çalışmada aynı zamanda Bonobo Optimizasyon Algoritmasında kullanılan iki ayrı parametre değeri olan alfa bonobo için paylaşım katsayısı (scab) ve seçilen bonobo için paylaşım katsayısı (scsb) parametreleri, kaotik haritalarla yeniden üretilmekte ve elde edilen sonuçların Klasik BO algoritmasına göre daha iyi sonuçlar verdiği gösterilmektedir. Aynı zamanda mühendislik tasarım problemlerinin çözümü için de bu algoritmalar kullanılmaktadır. Elde edilen sonuçlar tablolar halinde açıklanmaktadır. Alınan sonuçlara göre çoğu zaman hibrit algoritmalardan elde edilen sonuçların klasik algoritmalara göre daha iyi sonuçlar verdiği gösterilmektedir.
Sosyal medya verilerinde derin öğrenme modelleri ile ırkçılık ve yabancı düşmanlığı tespiti
Dijital çağın öne çıkan yeniliklerinden biri, sosyal medya platformlarının insanlara düşüncelerini, duygularını ve deneyimlerini anında milyonlarca kişiyle paylaşma imkanı sunmasıdır. Bu etkileşimler, toplumsal bütünlüğü tehdit edebilecek ırkçı ve yabancı düşmanı içeriklerin hızla yayılmasına da yol açabilmektedir. Bu çalışma, Twitter gibi sosyal medya platformlarında bu tür zararlı mesajların yüksek doğrulukla otomatik olarak tespit edilmesini sağlayacak bir derin öğrenme modelinin geliştirilmesini amaçlamaktadır. Hipotezimiz, hibrit bir yaklaşımı benimseyen modelin, mevcut metin sınıflandırma tekniklerinden daha üstün performans göstereceğidir. Araştırma sürecinde, 01 Ocak 2020 ile 01 Ekim 2022 tarihleri arasında Python ile toplanan tweetler, etnik ve milli kimliklere yönelik ayrımcı dil kullanımını içeren ve içermeyen olarak iki kategoriye ayrılmış ve analiz edilmiştir. Metin ön işleme, tokenizasyon, ve sayısal vektörlere dönüştürme işlemleri gerçekleştirilmiş, ardından çift yönlü KTN katmanları ve çok başlıklı dikkat mekanizmalarını içeren ileri düzey modellemeler uygulanmıştır. Çapraz doğrulama yöntemiyle yapılan değerlendirmeler sonucunda, modelin ortalama %62.92 doğruluk oranı ile nefret söylemi içeren mesajları etkili bir şekilde sınıflandırdığı belirlenmiştir. Bu bulgular, modelin sosyal medya metinlerindeki zararlı içerikleri sınıflandırma kapasitesine dair değerli bilgiler sunmakta ve ırkçılık ile yabancı düşmanlığının otomatik tespiti konusunda sosyal medya platformlarına ve ilgili kurumlara stratejik bir rehberlik etmektedir.
Graph neural network-based multimodal emotion recognition
Nowadays, Machine Learning (ML) and Deep Learning (DL) have been used to extract knowledge from human feelings. One of the objectives of this study is to use graph neural network (GNN) based emotion computing to analyze visual, speech, and textual data. Recognizing emotions is difficult because they change based on importance, age, culture, facial expression, surroundings scenario, and physical tiredness. For instance, physical exhaustion and psychological fatigue are two types of human feelings with significant differences. Existing studies have yet to completely include the most recent analysis developments and achievements in GNN-based emotion computing, which is one of our study's objectives. GNN is more acceptable for supporting realizing end-to-end sentiment analysis from visual, speech, and textual data. Rather than traditional emotion analysis techniques, our study relies on the process to achieve valuable accuracy and more specific results. Also, a study must be completed to bridge the gap between humans and machines.
Derin öğrenme yöntemleri kullanılarak demans türü hastalıkların sınıfandırılması
Demans, hafıza ve günlük yaşam aktivitelerinde bozulmalara yol açan karmaşık bir nörolojik hastalık grubudur. Yaşlanan dünya nüfusuyla birlikte nörolojik hastalıkların artışı, bireylerin yaşam kalitesini etkilerken sağlık sistemlerine de büyük bir yük getirmektedir. Yapay zekâ ve derin öğrenme gibi teknolojiler, demansın erken teşhisi ve tedavisinde umut verici gelişmelere öncülük etmektedir. Bu tez çalışmasında, derin öğrenme teknikleri kullanılarak demans türü hastalıkların manyetik rezonans görüntülerinden sınıflandırılması amaçlanmaktadır. Bu çalışmada Kaggle'dan elde edilen "Alzheimer Parkinson Disease" adlı veri seti kullanılmıştır. Bu veri seti, "3 Class" ve "4 Class" olarak iki farklı veri alt kümesine ayrılmıştır. Bu veri alt kümeleri; Alzheimer hastaları ve olmayanlar, Parkinson hastaları ve olmayanlar ile sağlıklı bireylerin manyetik rezonans görüntülerini içermektedir. Bu görüntüler, Alzheimer ve Parkinson hastalıklarının tanısal sınıflandırılması için çeşitli veri ön işleme tekniklerinden geçirilmiştir. Ardından, EfficientNet-B0 modelinden transfer öğrenme yöntemiyle özellik çıkarımı yapılmıştır. Bu özellikler, tanısal sınıflandırma görevi için başka katmanlarla birleştirilerek, özelleştirilmiş bir sınıflandırma modeli oluşturulmuştur. Önerilen model ile manyetik rezonans görüntülerinin çoklu sınıflandırılması, "4 Class" veri seti için %99,34'lük bir eğitim doğruluğu ve %95,15'lik bir test doğruluğu, "3 Class" veri seti için %99,06'lık bir eğitim doğruluğu ve %94,90'lık bir test doğruluğu ile sonuçlanmıştır. Elde edilen yüksek doğruluk oranlarının yanı sıra, bu çalışmada farklı ön işleme teknikleri, makine öğrenmesi yöntemleri, önceden eğitilmiş ağlar ve çeşitli aktivasyon fonksiyonları kullanılarak deneyler yapılmış ve bu yöntemlerin performansları incelenmiştir. Elde edilen bulguların, Alzheimer ve Parkinson gibi nörolojik hastalıkların derin öğrenme teknikleri ile teşhisi ve tanısal sınıflandırmasında önemli bir referans noktası oluşturarak yapılacak çalışmalara katkı sağlayabileceğini öngörmekteyiz.
Sinema verilerinin çizge modellenmesi ve analizi
Günümüzde kurum veya kuruluşlar için veri, önemli bir varlık haline gelmiştir. İnternet ortamındaki hızlı gelişmeler ile sinema verileri de hızla büyümekte ve bu veriler arasındaki ilişki giderek daha karmaşık hale gelmektedir. Çizge veri tabanı mimarisi, elde bulunan verilerin model tasarımında varlıklar arasındaki ilişkiyi vurgular ve verileri modellemek için etkili bir araçtır. Çizge veri tabanları, geleneksel veri tabanlarına göre daha karmaşık verileri depolamakta ve daha hızlı bir şekilde sunmaktadır. Bu çalışmada; sinema verileri ve bu veriler arasındaki karmaşıklaşan ilişkiler incelenerek Neo4j çizge veri tabanı ile modellenmesi yapılacaktır. Bu sayede veriler arasındaki ilişkiler daha kolay bir şekilde görüntülenebilmekte, sorgulanabilmekte ve daha kolay bir öğrenme imkanı sunulabilmektedir. Bu çalışma ile Neo4j çizge veri tabanının karmaşık ve aralarında birden fazla ilişki bulunan verileri modellemede oldukça başarılı sonuçlar sunduğu görülmüştür. Sinema verilerini depolamak ve yönetmek için Neo4j veri tabanını kullanmak, bir sinema web sitesi için kullanıcının gereksinimlerini ve ilgi alanlarını karşılamasını kolaylaştırdığı görülmektedir. Sinema adı, yılı, yönetmeni, oyuncuları, sinema filminin hasılatı, seyirci sayısı ve sinemanın türü gibi değişkenler dikkate alınarak çizge modellenmesi ve analizi yapılarak başarılı sonuçlar elde edilmiştir.
Arapça, Türkçe ve İngilizce dillerindeki e-ticaret verilerinden duygu analizi ile müşteri memnuniyet tespiti
Duygu analizi, doğal dil işleme alanında Transformer tabanlı modellerin kullanımıyla dilin yapısını ve anlamını anlama konusunda büyük bir ilerleme sağlamakta ve dil işleme süreçlerine yeni bir boyut kazandırmaya devam etmektedir. Ancak, farklı dillerde yapılan duygu analizi çalışmaları, dilin yapısal özellikleri, kültürel farklılıklar ve dil bilgisel çeşitliliklerden kaynaklanan zorlukları da beraberinde getirmektedir. İngilizce, Türkçe ve Arapça gibi yapısal olarak karmaşık dillerde, duygu tespitinde kullanılan modellerin performansı ve uygun model seçimi, bu dillerin benzersiz niteliklerine uyum sağlama yeteneklerine bağlı olarak önemli ölçüde değişiklik gösterebilmektedir. Bu tez çalışması, İngilizce, Türkçe ve Arapça gibi yapısal olarak karmaşık dillerde yazılmış metinlerden duygu analizi yapmak için kullanılan Makine Öğrenmesi, Derin Öğrenme ve Transformer tabanlı modellerin performanslarını incelemektedir. Çalışmanın amacı, bu modellerin farklı dil özelliklerine adaptasyon süreçlerini analiz ederek güçlü ve zayıf yönlerini belirlemek ve çevresel etkilerini değerlendirerek sürdürülebilir yapay zekâ çözümleri sunmaktır. E-ticaret platformlarından toplanan çok dilli veri setleri üzerinde metin temizleme, etiketleme ve ön işleme adımları uygulanmıştır. Bu veri setleri, dillerin yapısal karmaşıklığını yansıtmakta ve Transformer tabanlı modellerin bu özelliklere uyumunu değerlendirmektedir. Modeller doğruluk oranları, işlem süreleri ve enerji tüketimi kriterlerine göre kapsamlı bir şekilde karşılaştırılmıştır. Elde edilen bulgular, Transformer tabanlı modellerin yüksek doğruluk oranları sunduğunu ancak enerji tüketimi açısından optimizasyon gerektirdiğini göstermektedir. Bert-base-multilingual-cased modeli Arapça dilinde %95,1 doğruluk oranı ile, ElecTRa, ConvBERTurk ve BERTurk modelleri ise Türkçe analizlerde %88 doğruluk oranı ile öne çıkmıştır. Bu tez, çok dilli doğal dil işleme uygulamalarında teknik gelişmelere katkı sağlamayı ve sürdürülebilir yapay zekâ bilincini artırmayı hedeflemektedir. Literatürle yapılan karşılaştırmalar, gelecekteki araştırmalara rehberlik edecek önemli bir kaynak sunmaktadır.
Görüntü analizi uygulama süreçlerinin geliştirilmesi: Tamamlama, sahtecilik ve iyileştirme
Günümüzde, görüntü işleme ve analizi ile ilgili tekniklerin yaygınlaşması, manipüle edilmiş içeriklerin doğru ve yanıltıcı içeriklerle karıştırılma riskini artırmıştır. Bu durum sahte haberlerin, yanıltıcı video ve ses kayıtlarının oluşturulmasıyla toplumsal, politik ve kişisel düzeyde ciddi sonuçlara yol açmaktadır. Görüntü işlemenin hayatımızdaki en etkili kullanılan tekniklerinden biri olan derin kurgu teknolojisinin, kötü niyetli amaçlarla kullanılması, mahremiyetin ihlali gibi ciddi sorunlara neden olabilir. Bu nedenle, derin kurgu tespiti gibi önleyici önlemlerin geliştirilmesi ve doğru kullanımı son derece önemlidir. Derin kurgu tespiti, yapay zekâ ve makine öğrenimi teknikleriyle manipülasyonları tespit etmeyi amaçlamaktadır. Derin öğrenme algoritmaları, istatistiksel analiz ve özel algoritmalar gibi yöntemler bu tespitte kullanılır. Aynı zamanda derin kurgu teknolojisinin görüntüler üzerinde çalışmalarında büyük bir payı olan görüntü tamamlama ve görüntü iyileştirme teknolojileri hayatımızın bir parçası haline gelmiştir. Siber güvenlik uzmanlarından suçlu kişileri tespit eden ekiplere, photoshop uzmanlarından sosyal medya kullanıcılarına kadar geniş bir yelpazeye sahiptir. Bu amaçla bilgisayar bilimleri alanında yapay zekâ destekli birçok görüntü tamamlama ve silme tekniği geliştirilmiştir. Görüntü tamamlama ve silme tekniklerine ek olarak görüntü iyileştirme teknikleri de var olan çalışmalarda büyük etkiye sahiptir. Derin öğrenme modelleri, düşük çözünürlüklü veya bozuk görüntülerin yeniden oluşturulması ve iyileştirilmesinde önemli bir rol oynamaktadır. Bu tez çalışmasında önerilen yapay zekâ yöntemleri, görüntü tamamlama için CelebA-HQ, sahtecilik tespiti için FaceForencisc++, görüntü iyileştirme için FlickR2K veri setleri üzerinde yüksek doğruluk oranları elde etmiştir. Görüntü tamamlama için CelebA-HQ veri seti üzerinde yapılan çalışmada elde edilen sonuçlar, geliştirilen görüntü tamamlama tekniğinin verimli bir şekilde çalıştığını göstermektedir. Görüntü tamamlama çalışmalarında maske boyutuna bağlı olarak değişen eğitim ve test sonucunda, elde edilen en iyi PSNR değeri 35.25, SSIM değeri ise 0.96 olmuştur. Sahtecilik tespiti için gerçekleştirilen çalışmada FaceForencisc++ veri seti için ise %98.82 doğruluk oranı elde edilmiştir. Görüntü iyileştirme çalışması için FlickR2K veri seti üzerinde yapılan çalışmalarda 29.16 PSNR, 0.95 SSIM değerleri elde edilmiştir. Böylece gerçekleştirilen uygulamalar derin kurgu tespiti, görüntü tamamlama ve görüntü iyileştirme için kullanılan tekniklerin yapay zekânın başarılı bir şekilde kullanılmasını ve etkili sonuçların elde edilmesini sağlamaktadır. Bu sonuçlar, önerilen yapay zekâ modellerinin derin kurgu tekniklerini tahmin etmede, oluşturmada ve analizini yapmada etkili olduğunu göstermektedir.
Derin öğrenme teknikleri ile fundus görüntülerinden glokom hastalığı tespiti
Günümüzde insan nüfusunun hızlı bir şekilde artması sağlık alanında iş yükünün artmasına neden olmuştur. Doktor ve hastalar açısından hastalıkların erken tanı, teşhisi ve tedavi yöntemleri son derece önemli hale gelmiştir. İnsan gözündeki fizyolojik değişikliklerin tanımlanması, sağlık sektöründe zorlu bir görevdir. Bu nedenle retinal görüntü analizi, günümüzde hastalık tespit sistemlerinde hastalığın taranması ve teşhisinde araştırmacılar arasında daha fazla ilgi görmüştür. Özellikle tespit edilmesi zor hastalıkların erken teşhisi insan hayatının devamlılığı açısından önem arz etmektedir. Glokom hastalığı temel olarak gözdeki optik sinirin bozulmasından kaynaklanan bir göz hastalığıdır. Başlangıç evresinde kesin tanı açsından belirti göstermeyen bu hastalığın erken tespiti oldukça zordur. Bu çalışmada, genel erişime açık retinal fundus görüntülerinden glokom hastalığı tespiti metasezgisel optimizasyon algoritması ile birleştirilmiş derin öğrenme yaklaşımının kullanıldığı bir yöntem önerilmiştir. Önerilen yöntemde, öncelikle retinal fundus görüntülerinden oluşan veri kümesinden Evrişimli Sinir Ağı mimarilerinden DenseNet201 ve Inceptionv3 mimarisi ile özellik çıkarımı yapılmıştır. Veri kümesinden ilgisiz özellikleri elemek ve ideal verilere ulaşmak için metasezgisel optimizasyon algoritmalarından Balina Optimizasyon Algoritması (BOA) ve Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. BOA ve PSO farklı popülasyon büyüklükleri ve iterasyon sayılarına göre optimal özellik seçiminde kullanılmıştır. Orijinal veri kümesi ve ile özellik seçimi yapıldıktan sonra elde edilen yeni veri kümelerine Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu, Karar Ağacı, Logistic Regression ve Topluluk Öğrenme sınıflandırıcıları uygulanmıştır. Sınıflandırma algoritmalarının performanslarının değerlendirilmesi aşamasında ise doğruluk, duyarlılık, özgüllük ve f1-ölçütü metrikleri kullanılmıştır. Elde edilen sonuçlara göre BOA ve PSO ile belirlenen alt veri kümelerinden sınıflandırıcının performanslarında umut verici değerler elde edildiği gözlemlenmiştir.
Makine öğrenmesi yaklaşımları ile fetal sağlık teşhisinin gerçekleştirilmesi
Gebeliğin dönemlerinde fetal halini değerlendirmek için çeşitli testler kullanılmaktadır. Bu testlerden en çok güvenilen ve yaygın olarak kullanılan Non Stress Test ile fetal kalp atım hızı ve annenin rahim kasılmaları ölçülerek fetal sağlığı değerlendirilmektedir. Ancak, geleneksel yöntemlerle bu testin detaylı değerlendirilmesi zaman almakta ve uzmanlar arasında farklıklar ortaya çıkmakta, özellikle deneyimsiz uzmanlarda yorumlamalar yanıltıcı olabilmektedir. Bu sonuçlar fetal kayıplarına sebebiyet vermekte ve ülkelerin gelişmişlik düzeylerine etkisi olan perinatal mortalite oranlarını olumsuz yönde etkilemektedir. Bu çalışmada, fetal halini değerlendirerek tanı hatalarını en az seviyelere düşürmek için Topluluk Öğrenme tabanlı yaklaşımın incelenmesi amaçlanmıştır. Bu doğrultuda 22 özellik ve 2126 örnekten oluşan kardiyotokografi verileri üzerinde Doğrusal Regresyon, Random Forest, Gradient Boosting ve XGBoost gibi farklı makine öğrenimi algoritmalarıyla çeşitli deneyler yapılmıştır. Bu deneyler, veri seti üzerinde temel bileşen analizi ve on kat çapraz doğrulama yöntemleri kullanılarak gerçekleştirilmiştir. Çalışmada kullanılan algoritmaların doğruluk duyarlılık, hassasiyet, F1 puanı ve Gmean metrikleri ile performansları ölçülmüştür. Yapılan deneylerde çapraz doğrulama ve sınıf ağırlıklandırması uygulamalarıyla, algoritmaların performanslarının arttığı gözlemlenmiştir. Ayrıca, Topluluk Öğrenme yaklaşımlarında kullanılan ağırlıklı çoğunluk oyu yöntemi, çeşitli makine öğrenimi modellerinin tahminlerinin ağırlıklandırılarak birleştirilmesiyle elde edilen tahminlerin doğruluğunu arttırdığı tespit edilmiştir. Bu sayede, algoritmaların tek başına yaptıkları tahminlerden daha güvenilir ve tutarlı sonuçlar elde edilmiştir. Deneysel sonuçlarda önerilen XGBoost modeliyle elde edilen %99.99 doğruluk oranının önceki literatür çalışmalarından daha yüksek olduğu gözlemlenmiştir. Ağırlıklı çoğunluk oyu yöntemi, özellikle karmaşık veri setlerinde ve yüksek risk taşıyan medikal uygulamalarda tanı doğruluğunu artırarak fetal ölümleri azaltmada kritik bir rol oynayacaktır. Önerilen model, fetal sağlık analizlerini otomatikleştirerek tanı hatalarını azaltmaya ve daha doğru değerlendirmeye yardımcı olacaktır.
Derin öğrenme algoritmalarının hiperparametre optimizasyonu ile nesne tanıma başarımının artırılması
Teknolojinin hızla gelişmesi derin öğrenme alanına da yansımıştır. Derin Öğrenme algoritmalarının sayısı ve performansında gelişmeler yaşanmıştır. Bunun beraberinde algoritmalarda kullanılan hiperparametre sayılarında da artışlar meydana gelmiştir. Hiperparametreler algoritmaların eğitimi sırasında önemli bir yere sahiptir. Hiperparametrelerin ideal olarak belirlenmesi eğitim süreci ve başarım oranlarını etkilemektedir. Bu eğitim sürecinde maliyet ve zaman anlamında gelmektedir. Hiperparametre değerleri derin öğrenme algoritmaları çalıştırılmaya başlamadan önce belirlenmektedir. Hiperparametrelerin belirlenmesi oldukça zahmetli bir süreçtir. Bu çalışmamızda derin öğrenme algoritmalarında bulunan hiperparametreler belirlenirken SGD, Adam, NAdam ve RMSProp hiperparametre optimizasyon teknikleri kullanılacaktır. Bu hiperparametre optimizasyon teknikleri 50, 100, 200 ve 300 iterasyon sürelerinde veri seti üzerine uygulanacaktır. Uygulama sonucunda hiperparametrelerin otomatik olarak belirlenmesi ve ideal bir seviyede tutulup yapılan eğitimlerin sürelerini azaltmak ve başarım performanslarını artırmak amaçlanmaktadır. Çalışma sonucunda elde edile hiperparametre ve başarım değerleri karşılaştırılıp en ideal olan hiperparametre değerleri belirlenecektir. Derin öğrenme algoritmaları arasında bulunan Yolov8 algoritması üzerinde belirtilen hiperparametre optimizasyon tekniklerinin başarım performanslarını doğrulamak amacıyla Roboflow sitesinden alınan beyin tümörü veri seti kullanılacaktır.
Uydu görüntülerinde görüş transformatörleri teknikleriyle orman yangınlarının algılanmasının geliştirilmesi
Orman yangınları, ekosistemler ve insan yaşamı için önemli tehditler oluşturmaktadır. Yangınların erken tespiti ve etkili müdahale, hasarın minimize edilmesi ve can kayıplarının önlenmesi açısından kritiktir. Geleneksel yangın tespit yöntemlerinin sınırlılıkları nedeniyle, derin öğrenme tabanlı yaklaşımlar, uydu görüntülerinden yangınları otomatik olarak tespit etmek için umut verici çözümler sunmaktadır. Bu tez çalışması, orman yangını tespiti için Vision Transformer (ViT) modellerinin uygulanmasını ve performansını incelemiştir. Kanada'nın Orman Yangınları Veri Seti kullanılarak, özel bir CNN modeli, ResNet50, EfficientNetB4, EfficientNetB7, sıfırdan eğitilmiş bir ViT modeli ve önceden eğitilmiş bir ViT modeli ("vit-base-patch16-224-in21k") eğitilmiş ve testedilmiştir. Deney sonuçları, önceden eğitilmiş ViT modelinin, %99.22 doğruluk oranı ve 0.99 F1 skoru ile orman yangınlarını tespit etmede diğer modellere göre daha yüksek performans gösterdiğini ortaya koymuştur. ViT modellerinin, uzun mesafeli bağımlılıkları modelleme yeteneği ve daha az endüktif önyargıya sahip olması, yangın tespitinde önemli bir avantaj sağlamaktadır. EfficientNetB4 ve EfficientNetB7 modelleri de yüksek doğruluk ve F1 skorlarına ulaşmış, ancak eğitim süreleri ViT modellerine göre daha uzun olmuştur. Özel CNN ve ResNet50 modelleri ise, ViT ve EfficientNet modellerine kıyasla daha düşük performans göstermiştir. Bu çalışma, ViT teknolojisinin orman yangını tespiti ve izleme sistemlerinin geliştirilmesi için büyük bir potansiyel taşıdığını göstermektedir. ViT modelleri, yüksek doğruluk ve hızlı tespit sağlayarak yangınlara daha etkili müdahale edilmesine ve hasarın minimize edilmesine yardımcı olabilir. Gelecekteki çalışmalar, farklı ViT mimarileri, veri büyütme teknikleri ve gerçek zamanlı uygulamalar gibi konuları ele alarak orman yangını tespitinde daha da yüksek performans elde etmeyi hedefleyebilir
Gıda üretim sektöründe istenmeyen nesne, canlı ve durumların makine öğrenmesi yöntemleri ile tespiti
Türkiye'nin nüfus artış hızına bağlı olarak, gıda üretim ve dağıtım sektöründe hızla bir gelişme görülmektedir. Nüfus değişiklikleri, gıda üretimini gerçekleştiren şirketlerin hem sayısını hem de üretim kapasitelerini artırmalarına neden olmuştur. Bu kapasite artışı, daha fazla insanın istihdam edilmesine yol açmıştır. Ancak, gıda üretim alanlarındaki istenmeyen durumların denetimleri bu hızlı büyümeyle başa çıkmakta zorlanmaktadır. Gıda üretim alanlarındaki bu denetimler genellikle manuel olarak gerçekleştirilmekte veya hiç yapılmamaktadır, bu da insan sağlığını tehdit etmektedir. Yapay zekâ tabanlı sistemler, teknolojinin gelişmesiyle birlikte bu sorunu daha etkili bir şekilde çözmeye başlamıştır. Bu tez çalışması ile gıda üretim ve dağıtım sektöründe kullanılmak üzere bir nesne tespit sisteminin geliştirilmesi amaçlanmıştır. Geliştirilen sistem, kamera görüntüleri üzerinden personelin eldiven, maske ve bone ekipmanlarını giyip giymediğini tespit etmektedir. Aynı zamanda, gıda üretim ortamında istenmeyen canlıları algılamak amacıyla farklı model dosyaları kullanılmıştır. Çalışmada kullanılan YOLOv5 algoritması, yüksek doğruluk oranları ve hızlı tespit yeteneği ile ön plana çıkmaktadır. Eldiven-Maske ve Boneli-Bonesiz modelleri, personelin koruyucu donanım ekipmanlarını kullanıp kullanmadığını başarılı bir şekilde belirleyebilmektedir. Ayrıca Kedi-Köpek tespiti yapan model, temizlik açısından potansiyel riskleri minimize etmeye yardımcı olmaktadır. Geliştirilen Python tabanlı arayüz, kullanıcıların sistemi kolayca yönetmelerini sağlamaktadır. Kamera ekleme, canlı görüntü izleme ve anormal durumların tespitini listeleyen bölümler, sistemi kullanıcı dostu bir hale getirmektedir. Elde edilen başarımlar, geliştirilen nesne tespit sistemini endüstriyel uygulamalarda etkili bir çözüm haline getirmektedir.
Nesnelerin interneti temelli akıllı şebekelerde güvenlik zafiyetlerinin tespiti ve çözümüne yönelik yeni yaklaşımların geliştirilmesi
Nesnelerin interneti uygulamaları sayesinde geleneksel elektrik şebekelerinin daha etkin kullanımı için akıllı şebeke sistemleri geliştirilmiştir. Birçok avantajına rağmen akıllı şebeke uygulamaları, iletişim altyapılarının doğasından kaynaklı zafiyetlerden dolayı siber saldırılara maruz kalabilmektedir. Bu siber saldırılar hem şahısları hem de toplumları olumsuz yönde etkileyebilmektedir. Dolayısıyla bu siber saldırıların yapısını anlamak ve bunların çözümüne yönelik yapay zeka temelli yöntemler geliştirmek son derece önemlidir. Düşük faturalandırma için enerji hırsızlığını amaçlayan siber atakların tespit edilmesi, akıllı şebeke uygulamalarının yaygınlaşmasında enerji sağlayıcılar için çözülmesi gereken önemli bir problemdir. Veri odaklı çalışan makine öğrenmesi yöntemlerinin hibrit kullanımı, problemin çözümüne yönelik tatmin edici sonuçlar sağlamaktadır. Bu tez çalışmasında, nesnelerin interneti temelli akıllı şebekelere yapılan siber saldırı türleri ağ katmanlarına göre detaylıca incelenmiş, olası tehditler ve potansiyel çözüm önerileri ortaya konulmuştur. Daha sonra akıllı şebekelerde güvenlik zafiyetlerinin tespiti ve çözümüne yönelik yapay zeka temelli iki yaklaşım önerilmiştir. İlk olarak akıllı şebekelerde kullanıcı tüketim kalıpları üzerinden enerji hırsızlığı tespiti için dengeli ve dengesiz verisetleri kullanılarak derin öğrenme tabanlı bir yaklaşım geliştirilmiştir. Derin Sinir Ağı (Deep Neural Network - DNN) tabanlı olan bu yaklaşımda iki farklı saldırı vektörünün birisinin tespitinde %97.46'lık bir başarım elde edilmiştir. İkinci olarak, akıllı şebekelerde dengeli verisetlerinden enerji hırsızlığının tespiti için Evrişimsel Sinir Ağı (Convolutional Neural Network - CNN) tabanlı hibrit yöntemler geliştirilmiş, başarım oranı %95.34 olan CNN+LR yaklaşımı önerilmiştir. Önerilen bu yaklaşım ile akıllı sayaçlar tarafından üretilen tüketim verilerini siber ataklar ile gerçeğinden daha düşük göstermek isteyen kötü niyetli kullanıcıların tespiti başarıyla sağlanmıştır. Bu çalışmada, dürüst kullanıcı verilerine altı farklı saldırı vektörü uygulanmış ve böylece tahrif edilmiş tüketim verileri sentetik olarak oluşturulmuştur. Her bir saldırı vektörünün tespiti için beş farklı derin öğrenme tabanlı hibrit model uygulanmıştır. Veri dengesizliği sorununu çözmek için bu alanda neredeyse hiç kullanılmamış olan Çekişmeli Üretken Ağ (Generative Adversarial Network - GAN) yöntemi kullanılmıştır.
Büyük dil modellerinin güvenliği ve saldırılarına karşı güvenlik stratejilerinin geliştirilmesi
Bu tez önerisinde, Büyük Dil Modellerinin (LLM'ler) güvenliğini artırmayı amaçlayan yenilikçi stratejiler geliştirilmesi amaçlanmaktadır. LLM'lerin karşılaştığı başlıca güvenlik sorunları arasında eğitim verilerindeki önyargıların modele yansıması ve enjeksiyon saldırıları yer almaktadır. Tez çalışmasında, bu sorunlara yönelik çözüm önerileri sunulacak olup ve halüsinasyon ile dahili veri ifşası gibi konulara odaklanarak LLM'lerin güvenliğini sağlanması hedeflemektedir. Önerilen yazılım sistemi, Kernel ve Retrieval-Augmented Generation (RAG) gibi gelişmiş güvenlik araçlarını kullanarak LLM'lerin güvenliğini artırmak için etkili bir yaklaşım sunmaktadır. Bu bağlamda, tez önerisi teorik ve pratik anlamda önemli katkılar sağlamayı amaçlamaktadır ve yapay zekâ etiği ve güvenliği alanında yeni araştırmalara ilham verebilecek potansiyele sahiptir.
Panoramik radyografilerde diş tedavi uygulamalarının yapay zekâkullanarak tanımlanması
Günümüzde yapay zekâ ve derin öğrenme teknolojilerinin sağlık alanındaki hızlı gelişimi, diş hekimliği tanı ve tedavi planlama süreçlerinde yeni bir dönemi başlatmıştır. Panoramik dental radyografiler, tüm dişlerin ve çevre dokuların kapsamlı bir görünümünü sunması bakımından klinik rutinlerin vazgeçilmez bir parçasıdır; ancak bu görüntülerin manuel olarak yorumlanması uzmanlık gerektirmesinin yanı sıra anatomik yapıların süperpozisyonu, görüntü distorsiyonları, yorgunluk ve stres gibi faktörler nedeniyle subjektif hatalara açıktır. Bu durum, panoramik görüntülerden objektif ve standartlaştırılmış veriler üretebilecek yapay zekâ tabanlı karar destek sistemlerine olan ihtiyacı artırmaktadır. Bu tez çalışmasında, YOLOv11m ve Mask R-CNN + Fast R-CNN tabanlı hibrit bir mimari kullanılarak panoramik radyografilerde dental restorasyonların otomatik tespiti, FDI numaralandırma sistemine göre etiketlenmesi ve piksel düzeyinde bölütlenmesi hedeflenmiştir. Çalışmada kullanılan veri seti, Fırat Üniversitesi bünyesinden toplanan 300 adet panoramik radyografiden oluşmaktadır. Toplamda 9.783 nesne anotasyonu (8.737 diş ve 1.046 tedavi etiketi) içeren veri setinde dolgu, kanal tedavisi, kaplama ve implant olmak üzere dört ana tedavi sınıfı tanımlanmıştır. Önerilen sistemde diş tespiti ve numaralandırma işlemleri için YOLOv11m modeli tercih edilmiş; tespit edilen dişlerin anatomik tutarlılığını sağlamak ve simetri kaynaklı kadran hatalarını gidermek amacıyla Spatial Rule Refiner (SRR) ve SAM (Segment Anything Model) rafinasyon modülleri geliştirilmiştir. Tedavi segmentasyonu aşamasında ise Mask R-CNN ve Fast R-CNN modellerinden oluşan hibrit yapı kullanılarak restoratif materyaller piksel düzeyinde ayrıştırılmıştır. Sistem, bir tedavi maskesi ile diş alanı arasında IoU ≥ 0.90 örtüşme sağlandığında tedaviyi ilgili FDI numarasıyla otomatik olarak ilişkilendiren bir entegrasyon mekanizmasına sahiptir. Elde edilen bulgulara göre, diş tespiti modelinde 0.9754 mAP@0.5 ve 0.9563 F1-skoru başarısına ulaşılmıştır. Tedavi segmentasyonu modelinde ise ortalama 0.9272 mDice ve 0.8680 mIoU değerleri kaydedilmiştir. Sınıf bazlı analizlerde implant ve kaplama tedavileri %1.000 F1-skoru ile kusursuz saptanırken; kanal tedavisi %96,91 ve dolgu %93,87 F1-skoru ile yüksek doğruluk sergilemiştir. Geliştirilen sistem, bir panoramik görüntüyü ortalama 20-25 ms içinde analiz ederek manuel değerlendirme sürecinden 79 ila 200 kat daha hızlı sonuç üretmektedir. Sonuç olarak bu çalışma, diş hekimliği klinik iş akışında güvenilir, objektif ve yüksek hızlı bir dijital asistan sistemi sunmaktadır. Anahtar Kelimeler: Yapay Zeka, Derin Öğrenme, Panoramik Radyografi, Dental Restorasyonlar, FDI Numaralandırma Sistemi
Rasat kuyularından alınan ölçümler üzerinde makine öğrenmesi ve zaman serileri kullanılarak yer altı sularının seviyelerinin tahmin edilmesi
Günümüzde, dünya üzerindeki tüm kaynakların sürdürülebilir yönetimi önem kazanmış ve küresel çapta Birleşmiş Milletlerin yürüttüğü Sürdürülebilir Kalkınmanın 17 Hedefi ve ülkemizdeki Sürdürülebilir Kalkınma gibi çok çeşitli çabalar başlatılmıştır. Artan nüfus ve iklim değişikliklerinin de etkisiyle gittikçe daha fazla tehdit altında kalan hayatın vazgeçilmez kaynağı suyun sürdürülebilirliği de kritiktir. Bu bağlamda, tatlı su kaynaklarının çok büyük bir kısmını oluşturan akiferlerdeki su seviyelerinin doğru bir şekilde tahmin edilmesi, su kaynaklarının etkin yönetimi, korunması ve su kıtlığı sorunlarının erken fark edilmesi ve tedbir alınabilmesi için hayati önem taşımaktadır. Makine öğrenmesi, büyük veri setlerinden karmaşık desenlerin ve ilişkilerin öğrenilmesi için kullanılan güçlü bir araçtır. Zaman serisi analizi ise, zaman içindeki veri noktalarının analiz edilmesini ve gelecekteki eğilimlerin tahmin edilmesini sağlamaktadır. Bu çalışmada, makine öğrenmesi ve zaman serisi analizleriyle akiferlerin davranış modellemelerinin ve akiferlerdeki su seviyelerinin daha doğru ve etkin bir şekilde tahmin edilmesinin yolları ele alınmıştır. Çalışmalar sonucunda zaman serisi analizlerine veriye dayalı teknikler uygulanmasının akiferlerdeki su seviyelerinin tahmininde oldukça etkili olduğu belirlenmiştir. Bu teknikler, su yönetimi politikalarının geliştirilmesi, su kaynaklarının sürdürülebilir kullanımı ve olası su kıtlıklarına karşı önlemlerin alınmasında önemli bir rol oynayabilir ve su kaynakları yönetimi konusunda karar vericilere ve araştırmacılara değerli iç görüler sunarak, gelecekteki su güvenliği stratejilerinin şekillendirilmesine katkıda bulunabilir.
Transformer tabanlı modeller kullanarak görüntüleri betimleyen resim altyazılarının üretilmesi
Doğal dil işleme alanının oldukça zorlu bir görevi olan resim yazısı oluşturma işlemi, bilgisayar tarafından insan dil yapısına en uygun şekilde otomatik olarak altyazı üretilmesi olarak adlandırılmaktadır. Resim yazısı oluşturulurken en önemli hedef, görüntüyü en doğru ve en iyi şekilde açıklayan cümleler oluşturmaktadır. Bu doğrultuda transformer tabanlı dil modellerinin kullanılması, cümle performansını büyük ölçüde etkilemektedir. Bu tez çalışmasında, görüntülerden resim yazısı üretilmesinde kullanılan transformer tabanlı dil modellerinin karşılaştırmalı analizi, derin öğrenme tabanlı dil modelleri ve derin öğrenme yöntemlerinin performansı incelenmektedir. Belirlenen bu hedef kapsamında iki farklı veri kümesinde geliştirilen dört uygulamamız bulunmaktadır. Uygulamalarımızda MSCOCO ve Flickr8k veri kümeleri kullanılarak, görüntüleri açıklayan ingilizce dilinde cümle üretilmesi gerçekleştirilmektedir.
Panoramik, sefalometrik ve el-bilek radyografilerini kullanılarak hibrit derin öğrenme yöntemleriyle yaş tahmini
Mühendislik biliminde sağlık alanı da dahil olmak üzere birçok gerçek dünya problemlerinin çözüm sürecinde derin öğrenme mimarilerinin kullanımı günden güne yaygınlaşmaktadır. Günümüzde yaş tahmininde en sık ve güvenilir olarak kullanılan yöntemler diş ve kemik gelişiminin değerlendirildiği yöntemlerdir. Kemik yaş tahmini, tıbbi olarak çocuklardaki büyüme, gelişim ve endokrin bozuklukların araştırılması için önemliyken hukuki olarak ise cezai sorumluluğun belirlenmesi ve uluslararası evlat edinme sürecinde, antropoloji ve adli tıp gibi alanlarda kritik öneme sahiptir. Bireyler üzerinde yaş tahmini yaparken insan vücuduna ait en güvenilir sonucu veren diş, kafatası ve el-bilek kemiklerinin gelişimi incelenerek yaş tahmini yapılmaktadır. Geleneksel olarak dişlerden yaş tahmini 2 farklı dönemde yapılır. Çocuklarda geçici ve sürekli dişlerin gelişim aşamaları ve sürme zamanları değerlendirilmektedir. Bu çalışmada panoramik, sefalometrik ve el-bilek radyografileri ile bireyin yaşını tespit etmeyi amaçlayan derin öğrenme tabanlı hibrit bir sistem önerilmiştir. Çalışmada iki veya üç gruplu sınıftan oluşan yedi farklı veri seti kullanılmıştır. Veri setlerindeki sınıflar genel olarak 2-6, 6-13, 13-21, 2-13 ve 13-21 yaş aralığındadır. Aynı bireylerden alınan panoramik, sefalometrik ve el-bilek radyografilerine aynı yöntemler uygulanarak önerilen sistemin güvenirliği ve başarımı analiz edilmiştir. Çalışmada ilk olarak tüm veri setlerine yedi farklı özellik çıkarım mimarisi uygulanmıştır. Elde edilen özellik haritası önerilen sisteme girdi olarak verilerek beş farklı makine öğrenmesi yöntemi, üç farklı derin öğrenme yöntemi ve iki farklı hibrit derin öğrenme yöntemi uygulanmıştır. Elde edilen performans değerlendirme metrikleri karşılaştırılarak sistem başarımı test edilmiştir. En yüksek %91'lik doğruluk, kesinlik, hassasiyet ve F1-skor performans değerleri InceptionV3 ve CNN+RNN hibrit modeli ile elde edilmiştir.
Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi
Bu tez çalışmasında problem odaklı 4 çalışma yapılmıştır. İlk çalışma, domates yaprak hastalıklarını teşhis etmek için derin öğrenme yöntemlerini kullanan bir sınıflandırma modeli önermektedir. Çalışmada, domates yapraklarındaki hastalıkları sınıflandırmak için Alexnet, Efficientb0, Googlenet, Shufflenet, Resnet50 ve Inceptionv3 gibi altı farklı Evrişimli Sinir Ağı mimarisi kullanılmış ve bu modellerin özellik haritaları birleştirilerek hibrit bir derin öğrenme modeli oluşturulmuştur. Model, Komşuluk Bileşen Analizi ile optimize edilmiştir ve %99.50 doğruluk oranı sağlamıştır. Diğer çalışma, beyin tümörlerinin erken teşhisi ve sınıflandırılması için hibrit bir derin öğrenme modeli önermektedir. Model, Glioma, Meningioma ve Pituitary olmak üzere üç beyin tümörü türünü otomatik olarak sınıflandırmak amacıyla Evrişimli Sinir Ağı tabanlı bir yaklaşım kullanır. İki önceden eğitilmiş modelin özellikleri birleştirilip, en etkili özellikler Relief yöntemiyle seçildikten sonra Destek Vektör Makinesi ile sınıflandırma yapılır. Deneyler, modelin %93.20 doğruluk oranı sağladığını ve literatürdeki diğer çalışmalara göre etkili sonuçlar sunduğunu göstermektedir. Bir diğer çalışmada ise; Parkinson hastalığı teşhisi için optimizasyon tabanlı yapay zeka algoritmaları kullanılarak açıklanabilirlik amaçlanmıştır. Son çalışmada ise meme kanseri varlığı tespiti için optimizasyon tabanlı bazı sınıflandırma algoritmaları açıklanabilirlik ve şeffaflık hedeflenmiştir.
Betonarme binalarda hızlı risk analizinin makine öğrenme teknikleri ile geliştirilmesi
Bu tez, betonarme binalarda deprem riskinin hızlı değerlendirilmesine yönelik geliştirilen yöntemlerin, makine öğrenimi teknikleri ile entegrasyonunu konu almaktadır. Çalışma, depremlerin yıkıcı etkileri ve toplumsal maliyetleri göz önüne alınarak, yapı stokunun doğru analiz edilmesi ve riskli yapıların belirlenmesi konusundaki mevcut yaklaşımların yetersiz kaldığı durumlarda, yapay zeka ve veri bilimi yöntemlerinin nasıl etkin bir alternatif sunabileceğini ortaya koymayı amaçlamaktadır. Tezin temel amacı, deprem riskine karşı hazırlık süreçlerini hızlandırmak, müdahale stratejilerini iyileştirmek ve maliyetleri azaltmaya yönelik bilimsel temelli bir yaklaşım geliştirmektir. Hipotez, makine öğrenimi modellerinden Random Forest algoritmasının, betonarme binaların sismik kırılganlıklarının tespitinde yüksek doğruluk ve güvenilirlik sağlayarak, geleneksel değerlendirme yöntemlerine kıyasla üstün performans göstereceği yönündedir. Çalışmada, UDAP projesi kapsamında 2021 yılı saha çalışması verileri kullanılmış; bu veriler arasında bina kimlik bilgileri, yapım yılı, kat sayısı ve yapısal düzensizlikler yer almaktadır. Örneklem, geniş veri setinden dengeli şekilde seçilerek modelin eğitimi ve doğrulaması yapılmıştır. Uygulanan veri ön işleme teknikleri ve hiperparametre optimizasyonu süreci ile Random Forest modelinin, eğitim ve test aşamalarında elde ettiği yüksek başarı oranları, modelin gerçek dünya uygulamaları için uygun olduğunu göstermiştir. Sonuçlar, tez çalışmasının deprem riskine karşı daha etkili müdahale stratejilerinin geliştirilmesi açısından önemli bilimsel katkılar sunduğunu ortaya koymaktadır.
Sosyal medyadaki finans içerikli gönderilerden duygu sınıflandırması
Günümüz dijital çağında sosyal medya, finansal piyasalarda yatırımcı davranışlarını ve piyasa trendlerini anlamak için önemli bir veri kaynağı haline gelmiştir. Bu çalışmada, Twitter verileri ve borsa hisselerinin fiyatları kullanılarak sosyal medya içeriklerinin finans piyasaları üzerindeki etkileri incelenmiş ve bu etkilerin duygu temelli analizlerle piyasa üzerinde nasıl kullanılabileceği değerlendirilmiştir. 2023 yılı Temmuz ayından 2024 yılı Temmuz ayına kadar #xu100 ve #bist100 etiketleriyle toplanan 10.505 tweet, yorum sayısı, retweet, beğeni, görüntüleme sayısı, zaman, tarih ve hisse fiyatı gibi özelliklerle birlikte analiz edilmiştir. Doğal dil işleme (DDİ) teknikleri kullanılarak her bir tweet pozitif, negatif ve nötr olarak sınıflandırılmıştır. Sonuçlar, pozitif duygu içeren tweetlerin hisse fiyatlarında artış, negatif duygu içerenlerin ise düşüş eğiliminde olduğunu göstermektedir. LSTM ve GRU modelleri ile üçlü sınıflandırma yapılmış; üçlü sınıflandırma modellerinde eğitim doğruluğu yüksek olmasına rağmen test doğruluğunda aşırı öğrenme problemi gözlemlenmiştir. Model performansları kesinlik, duyarlılık ve F1 skoru ile değerlendirilmiş; negatif sınıfların tanımlanmasında zorluklar olduğu belirlenmiştir. Bu bulgular, finansal piyasa hareketlerinde duygu sınıflandırmasının potansiyelini ortaya koymakta ve gelecekteki model geliştirmeleri için öneriler sunmaktadır.