Makine öğrenmesi
Bu konu başlığı altında 651 tez
Finansal bilgi manipülasyonunun denetimli makina öğrenmesi yöntemleri kullanılarak tahmin edilmesi: Destek vektör makinesi, olasılıksal sinir ağı, k-en yakın komşu ve karar ağacı kullanımı
Bu tez kapsamında finansal tablolardaki bilgilerin çarpıtılması olarak tanımlanabilecek finansal bilgi manipülasyonunu tahmin etmek için denetimli makina öğrenmesi yöntemleri kullanılmıştır. Geleneksel tahmin algoritmalarına göre daha yüksek performans gösteren destek vektör makinesi (SVM), olasılıksal sinir ağı (PNN), k-en yakın komşu (KNN) ve karar ağacı (DT) algoritmalarından yararlanılmıştır. Sermaye Piyasası Kurumundan elde edilen verilere ayrı ayrı tüm algoritmalarda uygulanarak daha önce benzer çalışmalarda başarısını kanıtlamış destek vektör makinesi ve olasılıksal sinir ağı yöntemlerinin güncel olarak kullanılan k-en yakın komşu ve karar ağacı algoritmalarıyla karşılaştırılmalı analizi yapılmıştır. Böylece finansal bilgi manipülasyonunda hangi algoritmaların daha iyi performans gösterdiği kullanılan yöntemlerin sınıflandırma performansı özgünlük, duyarlılık ve toplam sınıflandırma doğruluğu istatistiklerine bakılarak tespit edilmiştir. Yapılan çalışmalar sonucunda SVM ve PNN'in üstün performans gösterdiği görülmüştür. Bu nedenle, bu algoritmaların manipülasyonları otomatik olarak tespit etmek için kullanılabileceği söylenebilir.
Dinamik sosyal ağlarda akan ve çok boyutlu veri üzerinden analiz ve tahmin yapılması
Makine öğrenmesi teknikleri ve bu tekniklerin uygulanabilir olduğu alanlar, veri miktarının artması ve veriye ulaşımın kolaylaşması ile birlikte oldukça ön plana çıkmıştır. Veri kümeleri üzerinde bu yöntemler kullanılarak farklı alanlara yönelik tahmin modellerinin geliştirilmesi mümkündür. Bunun yanında doğal dil işleme yöntemleri, metin verisinin analiz edilmesi ve anlamlandırılması noktasında birçok farklı yöntemi içerisinde bulundurmaktadır. Yapılan çalışmada, doğal dil işleme yöntemleri kullanılarak, haber ve sosyal medya verisi analiz edilmiştir ve analiz sonuçlarından öznitelik kümeleri oluşturulmuştur. Oluşturulan öznitelik kümeleri ile sayısı fazla olan seyrek öznitelik kümeleri için ölçeklenebilir bir eğitim ve tahmin sistemi ortaya konmuştur. Sistemin geliştirilmesi için, 1 yıllık zaman aralığı içerisinde New York Times web sayfasından 12.560 adet makale ve 4 aylık zaman aralığı içerisinde Twitter isimli sosyal medya platformundan 2.854.333 adet paylaşım toplanmıştır. Toplanan veri üzerinden varlık isimleri tanımlanmış, düşünce analizi yapılmış ve konu modelleri oluşturulmuştur. Geliştirilen sistemin bir başka çıktısı olarak, analizi yapılan metin verileri üzerinden sosyal ağların oluşturulmasını sağlanmıştır ve üretilen sosyal ağların farklı zaman aralıklarındaki değişimleri gözlemlenmiştir. Elde edilen analiz sonuçları ve sosyal ağlar doğrultusunda öznitelik kümeleri oluşturulmuş ve bu öznitelik kümeleri ile elastik ağ regresyonu temelli bir eğitim yöntemi geliştirilmiştir. Önerilen bu sistem ile birçok farklı veri kümesinin analiz edilebileceği ve bu analizler doğrultusunda farklı değerleri tahmin etmeye yönelik tahmin modellerinin geliştirilebileceği görülmüştür. Bunun bir örneğini ortaya koymak adına Dow Jones endeksinin yönünün tahmini bir vaka olarak seçilmiştir. Önerilen eğitim yöntemi ile farklı modeller eğitilmiş ve eğitilen bu modeller ile Dow Jones endeksinin hareket yönünün tahmin edilmesine yönelik deneyler yapılmıştır. Bu deneyler sonucunda, önerilen eğitim yönteminin, umut vaat edici sonuçlar veren tahmin modelleri ortaya koyduğu gözlemlenmiştir. Farklı deney gruplarının sonucunda, yüksek oranda tutarlı (70,90% değerine varan) sonuçlar elde edilmiştir. Elde edilen tahmin sonuçlarının aynı zamanda gerçek Dow Jones endeks değerleri ile pozitif bir korelasyon (0,2315 korelasyon katsayına değerine varan) içerisinde olduğu da gözlemlenmiştir. Son kısımda, farklı öznitelik kümeleri ile eğitilen tahmin modellerinin sonuçları birbiri ile karşılaştırılmış ve öne çıkan zaman aralıkları ve öznitelik kümeleri analiz edilmiştir. Deney sonuçları, haber ve sosyal medya verisinin, doğal dil işleme yöntemleri ile analiz edilmesinin ve analiz sonuçlarının tahmin modellerinin eğitimi için kullanılmasının finans alanında tahminler yapmak için değerli olduğunu göstermiştir.
Derin öğrenme ile çizge zaman serilerinin analizi
Zaman serileri bir nesnenin zamansal değişimini anlamak için kullanılır. Finans, enerji sektörü, trafik gibi çeşitli alanlarda zaman serileri ile karşılaşılmaktadır. Ayrıca anomali tespiti, davranış tanıma gibi birçok problem, zaman serisi problemi olarak modellenebilir. Bu yüzden gerçek hayatta sıkça karşılaşılan zaman serilerinin analizi büyük öneme sahiptir. Dolayısıyla, zaman serisi problemleri yaygın bir şekilde araştırılmakta ve çözülmeye çalışılmaktadır. Çizgeler ise nesneler arası ilişkileri analiz etmek için kullanılır. Bazı zor problemler, problem verisi çizge olarak analiz edildiği zaman daha iyi anlaşılabilir. Bu yüzden çizge problemleri de literatürde önemli bir yer sahiptir. Zaman serileri ve çizgeler problemin farklı yönlerini anlama imkânı sunarlar. Bu yüzden, literatürde zaman serilerini çizgeler ile birleştirerek daha iyi modelleme yapan çalışmalar mevcuttur. Bu yöntem finans alanında bazı çalışmalarda uygulanmaktadır. Bu tez çalışmasında, finansal tahmin problemi için derin öğrenme yöntemleri ile çizge serisi analizi yapılmıştır. Bunun için öncelikle DOW 30 borsası bir çizge olarak temsil edilmiştir. Sonrasında farklı zaman anlarındaki çizgeler sıralanarak çizge serisi oluşturulmuştur. Elde edilen seri ile yapay sinir ağı eğitilerek hisselerin değişim miktarı tahmini yapılmıştır. Tahmin edilen değişim miktarına göre ana paradan günlük al/sat stratejisi uygulanarak yatırım yapılmıştır. Bunun sonucunda yıllık getiri yüzde olarak hesaplanmıştır. Araştırma sonucunda, sadece zaman serisi kullanılarak geliştirilen derin öğrenme modellerine kıyasla daha yüksek ortalama yıllık getiri kazanılmış olup çizge serisi kullanmanın finansal tahmini ciddi ölçüde iyileştirdiği bir başka deyişle zaman serisi ile yakalanamayacak çıkarımların yapılabildiği sonucuna varılmıştır. Tez çalışmasında, birden çok yöntemle çizge serisi oluşturulmuştur. Farklı çizgelerle eğitilen derin öğrenme modelleri ile benzer ortalama yıllık getiri elde edilmiştir. Böylece, çizge serisi elde etme yönteminin güçlü (robust) ve kararlı (stable) bir yöntem olduğu gösterilmiştir. Ayrıca eğitilen derin öğrenme modellerinin çıktılarından en çok artan hisse tahminin yapan bir kolektif model eğitilmiştir. Nihai model ile ortalama yıllık %26,68 kazanç elde edilmiştir. Bu yöntemin literatürdeki temel yöntemlerin yanı sıra çeşitli açgözlü (greedy) algoritmadan da daha yüksek getiri sağladığı gösterilmiştir. Sonuç olarak geliştirilen kolektif model, gerçek hayatta günlük al/sat stratejisi için kullanılabilecek bir yöntem olarak önerilmiştir.
Kimyasalların gen düzenleyici etkilerinin tahmini için transfer öğrenimi
Kemogenomik, ilaç tasarımına ve taramaya yardımcı olmak amacıyla biyolojik hedeflerin kimyasal bileşiklere genomik ve/veya proteomik reaksiyonunun incelenmesidir. Kemogenomikteki birçok zorluktan biri, gerçek yaşam deney verilerine bağımlılıktan kaynaklanmaktadır; farklı kimyasal bileşiklerin ve ilaç hedeflerinin kombinasyonu, gerçekçi olmayan sayıda olası deney yaratır ve bu da belirli kimyasallara ve hedeflere yönelik önyargılı veri kümeleriyle sonuçlanmaktadır. Yapay öğrenmedeki son gelişmeler, bu veri kümelerinin sınırlarını kolayca zorlayan güçlü modellerin aşırı doygunluğuyla sonuçlanmıştır. Bu yatkınlıkların etkilerini nötrlemek için, benzer problemlerden bilgi edinme yöntemi olan transfer öğrenmeyi kullanmaktayız. Kemogenomik veri setlerindeki en önemli yanlılık, ilaç hedeflerine yönelik olandır. Bazı hücre dizilerinin erişebilirliği ve önemi, bu deneyler için bir ilaç hedefi olarak kullanılma şansını büyük ölçüde artırırken, diğerlerinin yapay öğrenme modellerini eğitmek için ancak yeterli verisi vardır. Derin Bileşik Profil Oluşturucu (DeepCOP) üzerinde yapılan çalışmayı temel olarak kullanırken, transfer öğreniminin, çeşitli ilaç hedeflerinin eğitilebilirliğini büyük ölçüde artırdığını deneysel olarak göstermekteyiz. Deneyler için kullanılan model yapısı değiştirilmemiştir. DeepCOP'da kullanılan veri bölme yöntemine ek olarak iki yöntem daha eklenmiştir. Deneylerimiz transfer öğrenmenin basit yöntemlerinden biri olan parametre tabanlı transfer öğrenimine odaklanırken, ROC eğrisi altında kalan alan puanlarında \%22,81'e varan ve ortalama \%9,00 iyileşme göstermiştir; bununla birlikte hiperparametre optimizasyonu uygulandığı ve transfer kaynağı olarak doğru hücre hattı seçildiğinde bu iyileşmelerin arttırılabileceğine yönelik potansiyel göstermiştir.
Avrupa Birliği kamu alımı ihaleleri ilan metinlerinin ekonomik etkilerinin doğal dil işleme ile incelenmesi
Küresel bazda kamu alımları 11 trilyon dolar tutarı ile muazzam bir ekonomik aktiviteye denk gelmektedir. 250 binden fazla Avrupa Birliği kamu otoritesi her yıl Avrupa Birliği'nin (AB) gayri safi yurtiçi hasılasının (GSYİH) yüzde 14'ünü oluşturan yaklaşık 2.3 trilyon euroyu kamu alımları için harcamaktadır. Yapılacak küçük çaplı iyileştirmeler bile kamu kaynaklarının kullanımını büyük ölçüde etkilemektedir. Bu nedenle kamu kaynaklarının etkin kullanımı için rekabetçi ve maliyet etkin kamu alım süreçlerinin oluşturulması önem arz etmektedir. Kamu otoriteleri ise piyasa rekabet gücünün sağlanması, verilerin şeffaflığı ve güvenilirliği gibi Avrupa Birliği Komisyonunun direktiflerininin uygulamasından sorumludur. Kamu alımları faaliyetlerini kontrol edebilmek için ilan edilmeden önceki süreçte ihale ölçütlerini tahmin edebilmek önem arz etmektedir. Binlerce belge içerisinden ihale ölçütlerinin belirlenmesi başlı başına önemli bir problem olarak karşımıza çıkmaktadır. Bu çalışmada kullanılan veri kümesi, 2011'den 2018'e kadar 22 AB üye ülke dilini kapsayan AB'nin Resmi Gazetesine Ekinin çevrimiçi versiyonu olan Tenders Electronic Daily'deki (TED) kamuya açık sözleşme belgelerindeki sözleşme açıklama metinlerinden derlenmiştir. Gerçek veriler kullanılarak yapılan deneylerde, çok dilli hassas ayarlanan dönüştürücü modeller, cümle temsil vektörleri tabanlı yaklaşımlar ve öznitelik tabanlı yaklaşımlar önerilen metotlar olarak sunulmaktadır. Önerilen metotlar yalnızca ilan açıklamalarını kullanarak tek teklifli sözleşmeler, toplam teklif sayısı, yabancı firma sözleşmeleri ve sözleşme fiyatının etkinliği olmak üzere dört ekonomik ölçütü tahmin etmek için kullanılmaktadır. Önerilen yöntemler, tüm tahmin görevlerinde kelime frekans vektörlerini ve ekonomik göstergeleri kullanan modeller de dahil olmak üzere tüm temel modellerden daha iyi performans göstererek, ilan açıklamalarının kamu ihalelerinin sonuçlarında önemli bir rol oynadığını göstermektedir. Ayrıca, çok dilli eğitimin tüm görevlerde orjinal dildeki eğitime göre tahmin performansını geliştirdiği görülmektedir. Bu ise kullanılan veri kümesinin diğer ülkelerin kamu ihale ilanları için de kullanılabileceğini göstermektedir. Geliştirilen modeller, kamu ihale yetkilileri tarafından ihale ilanlarının inceleme sürecini otomatikleştirmek ve düşük rekabete neden olanları tespit etmek için kullanılabilir. Ayrıca katılımcı firmalar karşılaşacakları potansiyel rekabeti tahmin etmek için geliştirilen modelleri kullanarak daha öngörülebilir kararlar alabilir ve geleceğe yönelik risklerini azaltabilirler. Aynı zamanda belirtilmelidir ki geliştirilen modeller sadece kamu alımı ilan metinlerindeki açıklamaları kullanmaktadır. Bu nedenle model performansları ihale süreçlerini etkileyen diğer ekonomik etkenler dahil edilerek iyileştirmeye açık olmakla birlikte bu çalışmanın kapsamının dışında kalmaktadır.
Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi
Günümüzde elektronik harp sistemlerinin önemi dramatik olarak artmaktadır. Elektronik Harp sistemlerinin unsurlarından olan elektronik destek sistemleri, elektromanyetik spektrumu pasif olarak kullanmaktadır. Yayılan sinyalleri analiz eden bu sistemler, düşman ve dost unsurların, yönlerini, konumlarını, kimliklerini, birlikler arası haberleşme içeriğini tespit edebilmektedir. Bu sayede, elektronik destek sistemleri istihbarat verilerinin çıkarılmasında büyük rol oynamaktadır. Teknolojinin gelişmesiyle birlikte, radar veya haberleşme sinyallerini analiz eden sistemler kabiliyetlerini genişletmektedir. Elektronik harp ve radar uygulamaları, keşif kabiliyetini artırmanın yanı sıra sinyal polarizasyon bilgilerini kullanarak hedef yön ve konum bulma performansını arttırmaya çalışmaktadır. Bu faktörler, sinyalin polarizasyon bilgisinin bahsedilen mevcut sistemlere dahil edilmesine yol açmıştır. Alıcının veya vericinin bulunduğu platformun konumuna veya yönüne bağlı olarak alıcı-verici arası polarizasyon uyumsuzluğu meydana gelebilmektedir. Hedef sinyallerin yüksek güçte alınabilmesi, başarılı bir yön bulma performansı veya elektronik harp sistemlerine karşı etkili bir karşı önlem alınabilmesi için alıcı ve vericideki polarizasyon uyumsuzluğunun önlenmesi gerekmektedir. Bu yüzden elektronik destek sistemlerinde, yayılan sinyalin polarizasyonunun tespiti, kimliklendirme, yön ve konum bulma sistemlerinde kritik bir rol oynamaktadır. Bu çalışmada, gelen sinyalin polarizasyonunu derin öğrenme yoluyla kestiren bir yaklaşım önerilmiştir. Önerilen yaklaşımda, öncelikle klasik geliş açısı ve polarizasyon kestirimi gerçekleştiren algoritmalar gibi kovaryans matrisi hesaplanmaktadır. Hesaplanan kovaryans matrisinin gerçek, sanal ve faz değerlerinden algoritmanın giriş görüntüleri elde edilmiştir. Evrişimsel sinir ağları sayesinde giriş görüntülerinden öznitelikler çıkarılıp, tam bağlı katmanlar sayesinde polarizasyon kestirimi yapılmaktadır. Çalışmada doğrusal polarizasyon belli çözünürlüklerde ele alınmıştır. İlk sınıf yatay polarizasyon ve son sınıf dikey polarizasyon olmak üzere, doğrusal polarizasyon on farklı sınıfa ayrılmıştır. Gözetimli öğrenme modelini benimseyen ve evrişimsel sinir ağlarını ve tam bağlı katmanları içeren model, klasik algoritmalara göre daha hızlı sonuç vermiştir. Önerilen yaklaşım gerçek-zamanlı sistemlerde kullanılma potansiyelini ortaya koymuştur. Polarizasyon sınıfı kestirme performansı kapsamında, hatalı kestirimlerde dahi komşu sınıfları kestiren algoritma özellikle düşük SNR değerlerinde klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir. Ayrıca tez kapsamında, geliş açısı kestirimi için de hibrit bir algoritma önerilmiştir. Önerilen hibrit algoritma, öncelikle evrişimsel sinir ağı tabanlı bir algoritma ile polarizasyon kestirimi yapmaktadır. Sonrasında geliş açısı kestirimi için klasik Çoklu Sinyal Sınıflandırma (Multiple Signal Classification-MUSIC) algoritması kullanılmaktadır. Evrişimsel sinir ağları ile polarizasyon kestiriminin sonucunda, klasik MUSIC algoritması polarizasyon parametrelerini taramadan doğrudan sadece uzamsal açılarda arama yapacağından, geliş açısını daha hızlı kestirmiştir. Önerilen hibrit algoritma, düşük SNR değerlerinde, polarizasyonu daha başarılı kestirdiğinden, geliş açısı kestirimi kapsamında klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir.
Meme kanserinin geliştirilmiş makine öğrenme yöntemleri ile tespiti
Meme kanseri dünya genelinde kadınlar arasında en sık görülen kanser türüdür. Meme kanseri erken evrede teşhis edilirse, tedavi edilmesi mümkündür. Bu çalışma meme kanserinin tanısı için geliştirilmiş makine öğrenme algoritmalarına dayalı yeni bir sınıflandırma sistemi önermektedir. Geliştirilmiş makine öğrenme algoritmaları oluşturmak amacıyla öznitelik seçim ve hiperparametre optimizasyon yöntemleri kullanılmıştır. Makine öğrenme algoritması olarak sırasıyla Karar Ağacı, Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu ve Topluluk Öğrenme yöntemleri kullanılmıştır. Tüm deneyler Wisconsin Meme Kanseri Veri (WBCD) seti ve Mamografi Meme Kanseri Veri Seti (MBCD) olmak üzere iki farklı meme kanseri veri seti üzerinde test edilmiştir. Veri setlerinin en ayırt edici özniteliklerini belirlemek amacıyla sırasıyla Relief, En Küçük Mutlak Daralma ve Seçme Operatörü ((Least Absolute Deviation and Least Absolute Shrinkage and Selection Operator-LASSO) ve Ardışık İleri Yönde Seçim yöntemleri kullanılmıştır. Makine öğrenme algoritmalarındaki en uygun hiperparametreleri bulmak için Bayes optimizasyon (BO) yöntemi kullanılmıştır. Çalışma kapsamında en iyi sınıflandırma oranını elde etmek amacıyla farklı deneyler yapılmıştır. Önerilen öznitelik seçim-Bayes optimizasyon hibrit yöntemleri çalışmada kullanılan makine öğrenme algoritmalarının sınıflandırma oranlarını artırmıştır. Yapılan deneyler sonucunda, LASSO-BO-DVM yöntemi her iki meme kanseri veri setinde de en yüksek doğruluk, kesinlik, duyarlılık ve F1-skorunu göstermiştir (WBCD için %98,95, %97,17, %100 ve %98,56; MBCD için %97,95, %98,28, %98,28 ve %98,28).
Elektroensefelorafi ve elektrokardiyografi sinyalleri kullanılarak epilepsi nöbetlerinin yapay zeka ile tahmin edilmesi
Epilepsi ani gelişen nöbetlerle ortaya çıkan ve dünyada en yaygın görülen nörolojik hastalıkların başında gelmektedir. Epilepsi nöbetlerinin kontrol altına alınabilmesi için klinik olarak tercih edilen 2 yöntem; cerrahi işlemler ve farmakolojik yöntemlerdir. Fakat bu iki yöntem de epilepsi tedavisi için altın standart olarak kabul edilmemiştir. Bunun sebebi ise her hastaya uygulanabilirliklerinin ve başarı oranlarının düşük olmasıdır. Bu sebeple epilepsi nöbet tahmini algoritmalarının geliştirilebilmesi ve nöbet gerçekleşmeden belirli bir süre önce nöbetlerin tahmin edilebilmesi ile erken uyarı mekanizmalarının oluşturulması yaygın bir çalışma konusudur. Bu çalışmada erken epilepsi nöbet tahmini için Siena Scalp EEG veri tabanı kullanılmıştır. Çalışmaların tamamı MATLAB ile tamamlanmıştır. Tez çalışması kapsamında EEG ve EKG biyosinyal tabanlı makine öğrenmesi ve derin öğrenme algoritmaları geliştirilmiştir. Biyosinyallerin öncelikli olarak ön işleme basamakları tamamlanmış ve 30'ar saniyelik pencerelerle epoklanmışlardır. Makine öğrenmesi algoritmalarında EEG bazlı olarak 19 adet öznitelik ve EKG bazlı olarak ise 20 adet öznitelik ilgili biyosinyallerin zaman ve frekans bölgelerinden elde edilmiştir. En başarılı 5'er makine öğrenmesi modeli incelenmiş ve erken epilepsi nöbet tahmini ortalama ve medyan süreleri dakika cinsinden rapor edilmiştir. Epileptik nöbetlerin EEG verisi ile elde edilen makine öğrenmesi modelleri ile en yüksek başarı, %90,3 doğruluk oranı ile Efficient Linear SVM modeli tarafından elde edilmiştir. Bu model aynı zamanda %87 duyarlılık, %92 özgüllük ile epileptik nöbet öncesi dönemleri yüksek isabet oranıyla tespit etmiştir. Nöbetten ortalama 18,5 dakika önce uyarı verebilmesiyle, erken müdahale açısından da oldukça başarılı bir performans göstermiştir. EKG öznitelikleri ile gerçekleştirilen sınıflandırma deneylerinde ise en yüksek performans Lineer SVM modeli ile elde edilmiştir (Doğruluk %85,2, Duyarlılık %81, Özgüllük %88). Ayrıca bu model, nöbetten ortalama 14,8 dakika önce epileptik dönemi tahmin edebilmiştir. Medyan uyarı süresi ise 13 dakika olarak hesaplanmıştır. Derin öğrenme kısmında ise evrişimsel sinir ağları tercih edilmiştir. Bu kapsamda literatürde yaygın kullanılan mimariler ile epileptik nöbet tahmini algoritmaları tamamlanmıştır. Sinyallere ait epok bazlı spektogram görüntüleri 2 boyutlu mimarilere entegre edilmiştir. Bu kapsamda kullanılan mimariler; Resnet-18, MobileNetV2 ve EfficientNet-b0 mimarileridir. Buna ek olarak 1 boyutlu direkt zaman sinyali kapsamında Resnet-1D, MobileNet-1D ve InceptionTime mimarileri kullanılmıştır. Sonuçlar incelendiğinde ise EEG sinyalleriyle eğitilen derin öğrenme modelleri EKG modellerinden daha yüksek başarılı sonuçlar verdiğine ulaşılmıştır. En yüksek doğruluk oranı, %95,4 ile ResNet-18 (2D) mimarisi tarafından EEG spektogramları ile elde edilmiştir. 1 boyutlu zaman serisi mimarileri arasında ise en yüksek doğruluk, %93,8 ile ResNet-1D ile tekrar EEG ile elde edilmiştir. Erken tahmin süreleri incelendiğinde, 2 boyutlu modellerin 10,5 – 9,0 dakika, 1 boyutlu modellerin ise 9,2–8,6 dakika arasında değişen medyan tahmin süresi sağladığı görülmektedir. Bu süreler, epileptik nöbetten önce müdahale şansı tanıyabilecek düzeyde yeterlidir. Derin öğrenme algoritmalarının erken epilepsi tahmin sürelerinin makine öğrenmesine göre daha kısa olmasının sebebinin daha temkinli ve doğru tahmin yapma amacıyla meydana geldiği öngörülmüştür.
Makine öğrenmesi kullanarak windows olay kayıtları ile dinamik davranış analizi
Teknolojik gelişmelerin hız kazanmasıyla birlikte siber saldırılar ve zararlı yazılım tehditleri giderek karmaşıklaşmakta ve daha tehlikeli hale gelmektedir. Bu durum, bilgi güvenliği alanında yenilikçi yaklaşımların ve etkili çözümlerin geliştirilmesi gerekliliğini ortaya koymaktadır. Bu tez çalışması, zararlı yazılım analizinde dinamik yöntemlerin etkinliğini artırmayı amaçlayarak, özellikle Windows işletim sistemine ait olay kayıt verilerinin detaylı incelenmesine odaklanmaktadır. Çalışmanın temel hedefi, izole edilmiş sanal ortamlarda zararlı ve zararsız yazılımların çalışma anında oluşturdukları işletim sistemi kayıt verilerinden anlamlı öznitelikler çıkarıp, makine öğrenmesi teknikleri kullanılarak zararlı yazılım tespitine yönelik yenilikçi bir yaklaşım geliştirmektir. Bu amaç doğrultusunda, hem manuel hem de çevrimiçi doğrulama süreçleriyle zararlı veya zararsız olduğu belirlenen çalıştırılabilir dosyalar titizlikle toplanmıştır. Kontrollü sanal makine ortamlarında gerçekleştirilen deneysel uygulamalar sonucunda elde edilen veriler, öncelikle sayısal, bağlamsal, zaman tabanlı ve istatistiksel öznitelikler olarak sınıflandırılmıştır. Bu verilerden hangilerinin kullanılabilir olacağı belirlenirken, bazıları özellik mühendisliği teknikleriyle daha işlevsel hale getirilmiş ve model performansını artıracak kritik göstergeler oluşturulmuştur. İlgili öznitelikler, Gradient Boosting, Logistic Regression ve Destek Vektör Makineleri gibi çeşitli sınıflandırma algoritmaları kullanılarak işlenmiş; elde edilen modellerin performansı ise K-Fold çapraz doğrulama yöntemi ile titizlikle değerlendirilmiştir. Uygulanan veri normalizasyonu ve özellik mühendisliği teknikleri, modellerin genel doğruluğunu artırırken, zararlı ile zararsız yazılımlar arasındaki ayrımı daha net ortaya koymuştur. Bu kapsamlı analiz, dinamik analiz temelli yaklaşımların, geleneksel statik yöntemlere kıyasla daha yüksek doğruluk oranları ve düşük yanılma payları sağladığını göstermiştir. Ayrıca, bu çalışma literatürde sınırlı yer alan dinamik analiz yaklaşımlarına önemli katkılar sunmayı hedeflemektedir. Farklı veri setleri üzerinde gerçekleştirilen kapsamlı deneyler sonucunda, geliştirilen metodolojinin siber saldırılara karşı proaktif bir yaklaşım sağlayabileceği ortaya konulmuştur. Dinamik davranış analizi, hem eski hem de yeni zararlı yazılımların tespitinde geniş zaman aralıklarında etkili sonuçlar vermekte, böylece siber güvenlik stratejilerinin geliştirilmesinde kritik bir rol oynamaktadır. Sonuç olarak, bu tez çalışması, zararlı yazılım tespiti ve önlenmesinde dinamik analiz yöntemlerinin uygulanabilirliğini ve etkinliğini ortaya koyarak, siber güvenlik alanında yeni ufuklar açmaktadır.
Görüntü işleme teknikleri ve evrişimsel sinir ağları kullanılarak yüz ifadesinden duygu tespiti
Bu tez çalışmasında, yüzdeki duygu ifadelerini tespit etmek için görüntü işleme teknikleri ve makine öğrenmesi teknikleri incelenmiştir. Öznitelik vektörlerini elde etmek ve yüzdeki duygu ifadedelerini tespit etmek için yapılan çalışmalar aşamalar halinde verilmiştir. Yapılan uygulamalarda ve kategorilerde, 7 duygu kategorisinde, insan yüzleri içeren 981 adet imgeden oluşan CK+ imge seti kullanılmıştır. CK+ veri setinden HOG, LBP, Geometrik Öznitelikler ve Dalgacık Dönüşümü yöntemleri kullanarak öznitelik veri seti oluşturulmuştur. Öznitelik veri seti Destek Vektör Makinaları, K-En Yakın Komşuluk Algoritması ve Lojistik Regresyon sınıflandırma yöntemleri ile sınıflandırılarak yüz ifade tespiti başarı durumları karşılaştırmalı olarak verilmiştir. Veri setindeki imgelerin orijinal hali ve HOG, LBP ve Dalgacık Dönüşümü öznitelik imgelerinin kullanıldığı durumlardaki başarı oranları karşılaştırılmıştır. Evrişimsel Sinir Ağları (CNN) yönteminin duygu ifadeleri tespitindeki başarısı ele alınmıştır.
Makine imalat sektöründe kullanılan takım uçları için yapay zekâ ile kestirimci bakım uygulamaları
Bu çalışmada verileri alınan makineler için anomali tespiti ile kestirimci bakım yaklaşımı gerçekleştirilmiştir. Çalışmanın konusuyla ilgili literatür taraması yapılmıştır ve önceki çalışmalara ait görüşler açıklanmıştır. Makinelerin devam eden ömründe gerçekleşen olası arızaları önlemek veya önceden gerçekleşebilecek hatalardan haberdar olabilmek için, çalışmak istenen makinenin verileri toplanıp, belirli türlerde anomali tespiti yapılıp anomali durumlar tespit edilerek bu sayede gelecekte geçekleşebilecek olası arızalardan kaçınılmaya çalışılmıştır.
Lenf kanseri görüntülerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Lenf kanseri veya diğer bir adıyla lenfoma, vücudun savunma hücrelerinin kanserleşerek kontrolsüz çoğalmasıdır. Lenfoma, kan kanserleri grubunda yer almaktadır ve bu grupta yer alan diğer kanserlere göre görülme sıklığı daha fazladır. Bu hastalıkta erken ve doğru teşhis çok önemlidir. Tehlikeli ve ciddi bir kanser türü olan lenfoma, duruma göre ölümle sonuçlanabilir. Uzmanların erken ve doğru teşhis yapabilmesine yardımcı olmak için uzman destek sistemleri geliştirilmektedir. Sağlık alanındaki uzman destek sistemler, belli bir hastalığa ait verileri makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak sınıflandırılmasını sağlar. Literatürdeki çalışmalar incelendiğinde uzman destek sistemlerinin başarıları görülmektedir. Çalışmada lenf kanserine ait histopatolojik görüntüleri içeren bir veri setiyle çalışıldı. Veri setinde CLL, FL ve MCL türünde lenfomalara ait görüntüler bulunmaktadır. Veri setinde artırım yapmak için 90, 180, 270 ve 360 derecelik açılarda dönme işlemi yapılmıştır. Bu görüntülerdeki özellikleri çıkarmak için ilk yaklaşımda GLCM ve diğer yaklaşımlarda transfer öğrenme metoduyla derin öğrenme mimarileri kullanılmıştır. Özellik seçimi ve boyut azaltımı için PCA kullanılmıştır. Sınıflandırma aşamasında; makine öğrenmesi algoritmalarından RF, KNN, NB, DT ve derin öğrenme mimarilerinden VGG16, ResNet50 ve DenseNet201 kullanılmıştır. Model eğitimleri ikili ve üçlü sınıflar için ayrı ayrı yapılıp sonuçlar incelenmiştir. MCL ve CLL türündeki lenfomaları kendi içerisinde ayırt edilmeleri zordur. Bu yüzden bu lenfomanın sınıflandırma sonuçları diğer sınıflandırma sonuçlarına göre daha düşüktür. FL, diğer iki lenfomayla özellikleri ayırt edilebileceği için FL ile sınıflandırma sonuçları yüksektir. Çalışmada en yüksek başarıyı FL ve CLL'yi %94 doğrulukla sınıflandırarak DenseNet201 göstermiştir.
Kızamık vaka sayılarının bilgisayar destekli öngörülmesi için farklı zaman serisi modellerinin performans karşılaştırması
Küreselleşen dünyada seyahat süresinin kısalmasıyla beraber, özellikle temas ve solunum salgısı yoluyla bulaşıcı hastalıkların yayılması kolaylaşmıştır. Solunum yoluyla yayılımı kolay olan kızamık virüsü, günümüzde etkisini sürdüren ölümcül bir hastalıktır. Aşıyla büyük oranda engellenebilirliği kanıtlanmış olmasına rağmen, kızamık virüsü aşılamanın düşük olduğu bölgelerde endemik olarak etkisini sürdürmektedir. Bu bölgelerden göç alan ülkelerde toplum sağlığı olumsuz etkilenmektedir. Kızamık vaka sayısının başarılı bir şekilde bilgisayar destekli öngörülmesi, hastalığın yayılımının önlenebilmesine yardımcı olacaktır. Bilgisayar destekli sistem geliştirilirken kullanılacak modelin belirlenmesi için bu çalışmada, klasik istatistik (ARIMA, HW), makine öğrenmesi (Greykite, Prophet, XGBoost), ve derin öğrenme (LSTM) temelli farklı metodolojilere sahip zaman serisi modellerinin tahmin performansları karşılaştırılmıştır. Modellerin performanslarını genelleştirmek için Benin, Kamerun ve Nijerya ülkelerinin kızamık vaka sayılarını içeren veri setleri kullanılmıştır. Modeller üç farklı veri kümesindeki ilk 147 ay ile eğitilmiş olup sonraki 12 ay tahmin başarısı test edildi. Çalışmada modellerin performansları RMSE, MAPE, MAE ve MSLE metrikleri ile ölçülmüştür. Çalışmada elde edilen bulgular, XGBoost modelinin Benin (8,21 RMSE, 27,48 MAPE, 6,50 MAE, 0,08 MSLE) ve Nijerya (457,39 RMSE, 84,44 MAPE, 289,22 MAE, 0,69 MSLE), LSTM modelinin ise Kamerun (43,65 RMSE, 103,58 MAPE, 36,68 MAE, 0,67 MSLE) kızamık vaka sayısını tahmin etmede diğer yöntemlerden daha başarılı olduğunu göstermiştir. Geliştirilen bilgisayar destekli sistem ile bu ülkeler için ileriki 6 aylık kızamık vaka sayısı öngörülmüştür. Nijerya'da ilk ay vaka sayısının yaklaşık 43 kat artacağı sonraki ayda yaklaşık yarıdan fazla düşüş olacağı sonraki 4 ay sabit kalarak son ay vaka sayısında azalma olması tahmin edilmiştir. Diğer ülkelerde kızamık vaka sayısında ani değişim olmayacağı öngörülmüştür. Yapay zeka modellerinin geleneksel modellere göre daha başarılı olması önemli bir gelişme sunarak gelecek çalışmalarda diğer bulaşıcı hastalıklar için de kullanılabilirliğinin ölçülmesi sağlık alanına katkı sağlayacaktır.
Pirinç çeltiğinin çekilmesi sonucu elde edilen pirinç tanelerinin sınıflandırılması işleminin makine öğrenmesi ile gerçekleştirilmesi
Günümüzde pirinç çeltiğinin çekilmesi sonucu kabuğundan ayrılan pirinç tanelerinin sınıflandırılması el ile yapılmaktadır. Bu yöntem ilgili sektörde zaman kaybı ve iş gücü verimsizliğine neden olarak ekonomik kayıplara yol açmaktadır. Bu soruna çözüm üretmek amacıyla daha önceden çekilmiş pirinç tanelerin makine öğrenmesi yöntemiyle sınıflandırılması bu tez sonucunda amaçlanmaktadır. Söz konusu sınıflandırılma işlemi için makine öğrenmesi yöntemlerinden faydalanılmıştır. Makine öğrenmesi yöntemleriyle ile makineler ses, görüntü, sinyal, metin gibi verileri kullanarak sınıflandırma, nesne tanıma, ses tanıma ya da dil çevirileri gibi özelleşmiş görevleri en az hatayla yerine getirir duruma gelmişlerdir. Son yıllarda makine öğrenme yöntemlerinin sürekli geliştirilmesiyle görüntü işleme, ses işleme ve robotik gibi alanlara bu yöntemler önemli bir yer bulmuştur. Bu tezde kullanılan makine öğrenmesi yöntemleri ile ilgili sektörde zaman kaybı ve iş gücü verimsizliğinin giderilmesi hedeflenmekte, ilerleyen süreçlerde sınıflandırılmaya ihtiyaç duyulan diğer sektörlerde de mevcut sorunların giderilmesine katkıda bulunulacak çalışmalara temel oluşturması amaçlanmaktadır. Tezde pirinçlerin fotoğraflanması ve parçalanması süreci ayrıntılı biçimde anlatılmıştır. Parçalanma sürecinde Sobel Kenar Bulma Algoritması'ndan faydalanılmıştır. Pirinçlere ait görüntülerin özelliklerinin çıkarılmasında, boyut kestirimi, RGB, HSL, HSV, CIEXYZ, CIELAB renk uzayları ve değerlerinin tespiti ve GLCM özellik vektörü ile ilgili ayrıntılı bilgilere yer verilmiştir. Teze ismini veren makine öğrenmesi bahsinde kullanılan yöntemler Karar Ağaçları (Decision Tree), Destek Vektör Makineleri (Support Vector Machine), Naive Bayes, K En Yakın Komşu Algoritması (K-Nearest Neighborhood Algorithm) ve Derin Öğrenme Yöntemi (Deep Learning) olmuştur. Bu modellere ait bilgiler ile uygulamada nasıl kullanıldıkları ve uygulamaya ilişkin sonuçlar son bölümde paylaşılmıştır. Tez sonucunda uygulanan makine öğrenmesi yöntemlerine ait sonuçlar karşılaştırmalı olarak gösterilmiş ve en başarılı makine öğrenmesi yöntemi İkinci Dereceden Destek Vektör Makineleri olmuştur.
Face recognition using LBP, nLBP and αLBPalgorithms
Face recognition is of great interest because it is one of the most important image processing applications. Although the success rates of the studies in the literature are high, the performance in out-of-control situations is still not better than human. There are many challenges to design an accurate and robust face recognition system, especially in non-restricted environments. In this thesis classical local binary pattern (LBP), neighborliness local binary pattern (nLBP) and αLBP were used for a face recognition problem. nLBP is formed according to the relationship between the neighbors around each pixel. nLBP has a distance parameter which specifies the distance between consecutive neighbors to be compared. Different patterns are obtained for different d parameter values. αLBP operator calculates the value of each pixel according to an angle value. Angle values can be α = 0, 45, 90 and 135 degrees. The ORL face database was used to test the proposed approaches. nLBP, αLBP and classical LBP features were extracted from face images and classified using k-nearest neighbor (kNN) and artificial neural network (ANN). 98.25% recognition rate was obtained using kNN with nLBP. A recognition rate of 88.50% was obtained with αLBP using ANN. The recognition rate of 83.50% was obtained with classical LBP. The proposed nLBP and αLBP approaches were found to be more successful than the classical LBP method. In the literature, the success rates obtained in the studies performed on the same ORL face database were compared with the success rates of the proposed approaches in this thesis study. As a result, the proposed LBP-based approaches achieved significant success in face recognition.
Derin öğrenme yöntemleri ile el bilek grafisinden kemik yaşının tahmini
Yaş tespiti medikal alanda, çocukluk çağında, büyüme ve gelişmenin takibinde, çocuklarda büyümeyi ve gelişmeyi etkileyen çeşitli hastalık durumlarında, adli tıpta, yaşa göre cezai sorumluluk durumlarında, evlilik, askere alınma, rekabetçi sporlarda ve işe başlama durumlarında, mültecilerde, çocuk erişkin ayrımında bulunmak gibi birçok farklı konuda istenebilmektedir. Bu tez çalışması ile pediatrik kemik yaşı tahmini için radyologların iş akışını hızlandıracak, sol el bilek grafilerinden derin öğrenme teknolojisi kullanılarak bilgisayar temelli bir karar destek sistemi geliştirilmiştir. Bu çalışmada kullanılan veri setleri Kütahya ilinden temin edilen görüntülerden ve literatürde public olarak dağıtılan RSNA veri setinden oluşmaktadır. Veri seti Kütahya sağlık bilimleri üniversitesi rektörlüğün'den etik kurul izni ile alınmıştır. Çalışmada 18 yaş üstü ve 18 yaş altı şeklinde iki farklı senaryo için denemeler gerçekleştirilmiştir. 18 yaş altı için yapılan çalışmada derin öğrenme metotlarından IncepitonV3, MobileNetV2, EfficientNetB4 ve modifiye edilmiş IncepitonV3 modellerinin performansları karşılaştırılmıştır. 18 yaş altı sonuçlara bakıldığında veri setimiz üzerinde modifiye edilmiş IncepitonV3 transfer derin öğrenme yöntemi ile MAE=4,3, RMSE=5,76, R2=0,99 olarak bulunmuştur. Önerilen InceptionV3 transfer öğrenme modeli ile public olarak dağıtılan veri seti üzerinde MAE=5.75, RMSE=7.42 ve R2=0.96 olarak tespit edilmiş olup literatürde bu veri seti üzerinde yapılan çalışmalar arasında ki en iyi sonuçlardan biri elde edilmiştir. Bu çalışma ile modellerin cinsiyetlere ve yaş gruplarına göre farklılıkları ölçülmüştür. Ayrıca bu çalışma Türkiye'den toplanan el bilek grafi veri seti ile yapılan ilk derin öğrenme çalışmalarından biridir. Bu çalışma el bilek grafilerinden kemik yaşı tespitinde kullanılmak üzere yeni bir veri seti oluşturulmuş olup, yeni bir model tavsiye edilmiştir. Bu çalışmada yapılan diğer bir çalışma ise 18 yaş üstündeki bireylerin el bilek görüntülerinden kemik yaşının tespitine yönelik olarak yapılmıştır. Literatürde 18 yaş üstündeki bireylerin sol el bilek grafilerinden erişkin bireylerde yaş tespitinin derin öğrenme yöntemleri ile yapıldığına dair herhangi bir araştırmaya rastlanmamıştır. Bu çalışma ile 18 yaş üzeri bireylerde yaş tespiti derin öğrenme yöntemleri (DenseNet201, InceptionV3, ResNet50V2) ile yapılmıştır. Tarafımızca oluşturulan veri setinin kullanılması ile erkeklerde MAE=1,666, RMSE=2,665, R2=97,32 ve kadınlarda MAE=2,044, RMSE=3,069, R2=96,84 performans sonuçları gözlenmiştir. Bu çalışmada kullanılan yöntem ve bulunan sonuçlar bu alanda yapılan ilk çalışmadır. Bu sonuçlar ışığında bu çalışmada kullanılan metot bize derin öğrenme metotlarının 18 yaş üstü bireylerde kemik yaşı tespitinde yardımcı bir araç olarak kullanılabileceğini göstermiştir
EKG sinyallerinden konjestif kalp yetmezliği ve aritmi teşhisi için yeni bir yaklaşım: İ-1B-YİÖ+LSTM
Vücudun en hassas organlarından biri olan kalp, yaşamın sürdürülmesinde en hayati role sahip organlardandır. Elektrokardiyografi, kalp kaslarının kasılma ve gevşemesiyle oluşan elektriksel aktiviteyi ölçen ve kaydeden bir tanı yöntemidir. Kalpteki elektriksel aktivitelerin genliklerinin zaman düzleminde kaydedilmesiyle elektrokardiyogram (EKG) sinyalleri elde edilir. EKG sinyalleri, genellikle ritim bozukluğu gibi hastalıkların teşhisi için kullanılmaktadır. Bu çalışmada EKG sinyallerinden Konjestif Kalp Yetmezliği (KKY) ve Aritmi (ARR) teşhisi için, İndirgenmiş Bir Boyutlu Yerel İkili Örüntüler (İ-1B-YİÖ) ve Uzun Kısa Zamanlı Bellek Ağı (LSTM) tabanlı yeni bir yaklaşım önerilmiştir. EKG sinyalleri için İ-1B-YİÖ denilen dönüşüm yöntemi önerilmiştir. Bu yöntem tek boyutlu sinyallerin üzerindeki her bir değerin kendi komşuları ile oluşturdukları büyüklük-küçüklük bilgisini kullanır. Bu yöntem ile elde edilen indirgenmiş sinyal gruplarından hesaplanan 1B yerel ikili örüntülere ait histogramlar birleştirilerek LSTM modeline giriş olarak verilmektedir. Hem tek yönlü hem de çift yönlü İ-1B-YİÖ dönüşümü uygulanan EKG sinyallerine LSTM uygulanmıştır Önerilen yaklaşımı test etmek için; KKY, ARR ve Normal Sinüs Ritmi (NSR) olmak üzere 3 farklı durum bilgisi içeren toplam 972 EKG sinyali kullanılmıştır. Sinyaller MIT-BIH ve BIDMC veri bankalarından alınmıştır. Farklı senaryolarda denemeler gerçekleştirilmiştir. Elde edilen başarı oranları literatürdeki diğer çalışmalarla karşılaştırıldığında önerilen yaklaşım ile kabul edilebilir yüksek sonuçların elde edildiği görülmektedir. Elde edilen EKG tanı performans değerleri %96,80 ile %99,79 arasında değişim göstermiştir. Önerilen hastalık teşhis sisteminin, farklı medikal sinyallere de uygulanabileceği düşünülmektedir.
Transfer derin öğrenme metotları ile yüz ifadelerinden kişi tanıma
Kişilerin resimler ve videolar üzerinden tanınması son yıllarda giderek artan bir şekilde araştırma konusu yapılmaktadır. İlk dönemlerde güvenlik kaygıları ile geliştirilen yüz ve nesne tanıma teknolojileri, günümüzde eğlence ve ekonomik fayda sağlamak amacı ile daha fazla önem kazanmıştır. Mobil cihazların toplumun hemen her bireyi tarafından yaygın olarak kullanılması sonucu, mobil cihazlarda yer alan hem güvenlik birimlerinde hem dijital görüntülere ait çeşitli yazılımlarda mobil cihaz üreticisi firmaların rekabette öne geçme çabaları, kişi tanıma algoritmalarına olan ilgiyi arttırmaktadır. Yüz tanıma algoritmaları üzerine yapılan çalışmalarda, son dönemde büyük veriler ve karmaşık hesaplamalar gerektiren görüntü işlemede oldukça önemli başarı sağlayan derin öğrenme teknikleri oldukça yaygın bir kullanıma sahiptir. Bu çalışmada da yüz tanımada Alexnet, Vgg16, Vgg19, Resnet50 ve Resnet101 derin transfer yöntemleri kullanılmıştır. Yöntemlerin test edilmesi için ORL veri seti kullanılmıştır. En yüksek başarı %99,1 ile Resnet101 modeli ile gözlenmiştir. En düşük başarı ise Vgg modeller ile elde edilmiştir.
Yürüyüş verilerinden makine öğrenmesi yöntemleri ile yaş tahmini
Yürüyüş biyometrisi alanında yapılan araştırmalar son yıllarda otomatik görsel gözetim sistemleri talebinden dolayı ivme kazanmıştır. Geçmişte insan yaş tahmini yüz tanıma tabanlı olarak yapılmıştır. Ancak gözetim sistemleri tarafından toplanan yüz verilerinin çözünürlüğünün az ve yeterli detayı bulundurmamalarından dolayı sistem performansı düşük olabilmektedir. Yürüyüş verilerini kullanarak insan yaşının tahmininin sistemsel olarak avantajları bulunmaktadır. Bu çalışmada, yerel ikili örüntü (YİÖ), geçici ikili örüntü (GİÖ) ve derin öğrenme transferi yöntemleri kullanılarak yürüyüş verilerinden insan yaşının tahmini yapılmıştır. YİÖ yönteminin kullanılma nedeni bu öznitelik çıkarım yönteminin yüz tanıma probleminde başarı göstermesinden dolayıdır. YİÖ farklı çap ve nokta sayısında kullanılarak yürüyüş enerji görüntülerinden yaş tahmini yapılmasında kullanılmıştır. Çıkarılan öznitelikler destek vektör makinesi, en yakın komşu ve rastgele orman sınıflandırıcıları ile ayrılmış ve performans ölçümleri yapılmıştır. GİÖ histogramları bölgesel bloklar halinde gruplandırılmış ve her bir kare blok için bir histogram şeklinde temsil edilmiştir. GİÖ ile iki ve üç bit derinliğinde histogram grafikleri ve 6×6, 8×8 ve 10×10 kare blok ayırma yöntemleri ile öznitelik çıkarımı yapılmış ve aynı sınıflandırıcılar ile doğrulama verisi üzerinde performans ölçümü yapılmıştır. Son olarak Resnet50 derin öğrenme transferi yöntemi ile yaş gruplarına ayırma performansı elde edilmiştir. Üç yöntemin kendi içinde en iyi performans elde edilen durumları ortaya konmuştur. YİÖ, GİÖ ve derin öğrenme transferi sonuçları karşılaştırılmıştır. GİÖ ile elde edilen sınıflandırma doğruluğu YİÖ'den daha yüksektir. Derin öğrenme yöntemiyle elde edilen sınıflandırma doğruluğu ise YİÖ ve GİÖ yöntemlerinden daha yüksek olduğu görülmüştür. Sonuç olarak YİÖ ve GİÖ hesaplama maliyeti açısından ve derin öğrenme transferi ise doğruluk açısından yaş tahmini probleminin çözümünde avantajlı olduğu görülmüştür.
İHA ile meyvelerin olgunlaşmasının takibi ve çürük teşhisi
Tarım, insanlar için temel bir üretim sektörü olarak kabul edilmekte olup, sürekli olarak teknolojik ilerlemeler sayesinde önemli gelişmeler kaydetmiştir. Tarım, ülkelerin kalkınmasında etkili bir unsurdur nitekim ekonomisi tarıma dayalı olan bir çok ülke vardır. Tarımsal ekonomik ilerlemenin artırılabilmesi için modern ve teknolojik yöntemlerin kullanılması gerekmektedir. Bunun sonucunda tarımsal verimde önemli bir artış sağlanır ve ülkelerin ekonomisine büyük destek olur. Meyvelerin verimliliğin artırılması, olgunlaşmış ürünlerin kalitesini ve miktarını iyileştirerek tüketicilerin fiziksel sağlığını ve satın alma motivasyonlarını etkileyebilir. Ayrıca, piyasa fiyatının belirlenmesinde de önemli bir faktördür. Bu tez çalışması, tarım sektöründe meyve tespiti, analizi ve sayımı konularında YOLOv8 evrişimsel yapay sinir ağı modelinin etkinliğini araştırmaktadır. Çalışmada toplam 2223 görsel kullanılarak dört farklı meyve türü olan Elma, Portakal, Muz ve Nar sınıfları üzerinde çalışılmıştır. Modelin belirgin başarısı, özellikle meyvelerin olgunlaşma aşamalarını doğru bir şekilde belirleme yeteneği olarak öne çıkmaktadır. Eğitim süreci 60 döngü boyunca gerçekleştirilmiş olup, öğrenme hızı 2,5 ms olarak belirlenmiştir. Eğitim sürecinde modelin kayıp değeri sürekli olarak azalırken doğruluk değeri artmıştır. Detaylı değerlendirmeler sonucunda, modelin meyve türleri bazında başarı oranları şu şekildedir: Elma için %95,3, Portakal için %98,9, Muz için %93,8 ve Nar için %98,8. Modelin genel başarı oranı %97,09 olarak hesaplanmıştır, bu da modelin karmaşık ve değişken meyve özelliklerini doğru bir şekilde sınıflandırma yeteneğini vurgulamaktadır. Elde edilen sonuçlar, YOLOv8 modelinin tarım sektöründeki meyve tespiti ve sınıflandırma görevlerinde güvenilir bir performans sergileyebildiğini ve çeşitli meyve türlerini başarıyla ayırt edebildiğini göstermektedir. Ayrıca, İnsansız Hava Aracı (İHA) tarafından elde edilen görüntülerin deneysel analizi, YOLOv8 modelinin tarımsal uygulamalarda etkin bir şekilde kullanılabilirliğini ortaya koymuştur. Model, farklı meyve konumlarındaki tespiti, nitel analizi ve sayımını içeren çeşitli tarımsal uygulamalarda başarı elde etmiştir. Bu bulgular, modelin tarım sektöründe İHA görüntülerini analiz ederek meyve tespiti konusunda güvenilir bir performans sergilediğini ve tarımsal uygulamalarda etkili bir araç olarak kullanılabileceğini vurgulamaktadır.
Yapay zeka metotları ile Karacaoğlan şiirlerinden şiir üretimi
Bu tez çalışması, Türk Halk Şiir'inin önemli isimlerinden Karacaoğlan'ın şiirlerini temel alarak, onun tarzında yeni şiirler üretebilen bir makine öğrenmesi modeli geliştirmeyi amaçlamaktadır. Çalışmada, Karacaoğlan şiirlerinin dilsel yapısını, tema ve imgelerini, duygusal derinliklerini ve teknik özelliklerinin, makine öğrenmesi algoritmaları aracılığıyla tespit edilip, modelin eğitim sürecinde kullanılmıştır. Modelin eğitimi için "antoloji.com" adlı web sitesinden elde edilen 665 adet Karacaoğlan şiiri kullanılarak bir veri seti oluşturulmuş ve ön işleme adımları (temizleme, normalleştirme, vb.) uygulanmıştır. Çalışmada uzun kısa süreli bellek (LSTM) ve enkoder- dekoder yöntemleri kullanılmıştır. LSTM ağları, şiirlerin zaman serilerini ve dilsel özelliklerini yakalamada etkili olduğu için tercih edilmiştir. Enkoder-Dekoder Modelleri, şiirlerin yapısal öğelerini ve anlamını öğrenerek yeni dizeler üretmede kullanılmıştır. Başlangıç cümlesinden yola çıkarak, belirli bir tema etrafında tutarlı şiirler üretilmiştir. Çalışmada, üretilen şiirlerin mısra sayıları (2, 4, 6, 8, 10, 16 mısra) değiştirilerek, modelin performansı değerlendirilmiştir. Sonuçların değerlendirilmesinde tematik analiz, duygusal analiz, stilistik analiz ve tarihsel bağlam analizi metrikleri kullanılmıştır. Bu metriklerden biçimsel sonuçlar elde edilmiştir. Üretilen şiirlerin metrik analizleri istenilen düzeyde gerçekleşmemiştir. Bunun sebebi üretilen şiir veri setinin yeterince büyük olmamasından kaynaklanmaktadır. Üretilen şiirler alanında uzaman edebiyatçılara yorumlatıldığında Karacaoğlan'ın tarzını ve duygularını belli ölçüde yansıttı belirtilmiştir. Ancak tam anlamıyla duygusal etki yaratmadığı ve mekanik bir anlatım sergilediği de vurgulanmıştır. Bu durum, yapay zekanın insan duygularını ve ifade etme biçimlerini tam olarak ifade edemediğini göstermektedir. Çalışma, makine öğrenmesinin edebiyat alanında kullanımı konusunda yeni ufuklar açmaktadır. Gelecek araştırmalar için farklı diller ve kültürler üzerinde benzer çalışmaların yapılması ve insanlar ile yapay zekâ tarafından üretilen içeriklerin incelenmesi önerilmektedir.
Kültür mantarlarında yaygın görülen hastalıkların derin öğrenme yöntemi ile sınıflandırılması
Bu tez çalışmasında, Agaricus bisporus (kültür mantarı) üretiminde yaygın olarak görülen dört farklı hastalık durumu ile bunlara ek olarak hastalık bulunmayan sağlıklı durumun (sağlıklı, bakteriyel leke, örümcek ağı, kuru kabarcık ve yaş kabarcık) görüntü tabanlı olarak sınıflandırılmasına yönelik bir derin öğrenme tabanlı sistem önerilmiştir. Çalışmada, beyaz, ultraviyole (UV) ve karma (beyaz+UV) olmak üzere üç farklı aydınlatma koşulunda özel olarak oluşturulan görüntü veri setleri kullanılarak, 20 farklı ön eğitimli evrişimli sinir ağı (CNN) mimarisi değerlendirilmiştir. Görüntüler, bu çalışmaya özgü olarak tasarlanan ve beyaz, UV ve karma ışık senaryolarını kontrollü biçimde sağlayabilen özel bir görüntüleme kabininde elde edilmiştir. Her bir model, doğruluk (accuracy), duyarlılık (recall), kesinlik (precision), F1 skoru, ROC AUC, PR AUC, özgüllük, Matthews korelasyon katsayısı (MCC), logaritmik kayıp ve bileşik değerlendirme ölçütü (BDÖ) gibi çok sayıda metrikle performans açısından analiz edilmiştir. BDÖ, karar verme sürecine destek olması açısından beş temel metriğin ağırlıklı ortalamasına göre hesaplanmıştır. Elde edilen bulgulara göre, her üç aydınlatma ortamında da en başarılı sonuçlar ResNet-50 modeli tarafından elde edilmiştir. Beyaz ışık ortamında genel sınıf ayrımı daha net gerçekleşmiş, karma ışık ortamı bazı metriklerde dengeli başarı sunarken, UV ışık bazı sınıflarda kararsızlık oluşturmuştur. Sınıf bazlı analizler, sağlıklı ve örümcek ağı sınıflarında yüksek sınıflandırma doğruluğu sağlandığını, buna karşılık bakteriyel leke ve yaş kabarcık sınıflarında bazı modellerin karışıklık yaşadığını göstermiştir. Karmaşıklık matrisleri, ROC ve PR eğrileri üzerinden yapılan görsel analizler, modellerin sınıflar arası ayrım yetkinliğini detaylı biçimde ortaya koymuştur. Bu bağlamda, hem kullanılan model mimarisinin derinliği hem de veri toplama sürecinde kullanılan aydınlatma koşulları, sınıflandırma başarımını doğrudan etkilemiştir. Sonuç olarak, bu çalışma kültür mantarı üretiminde görüntü tabanlı hastalık tanısının uygulanabilirliğini ortaya koymakta; geliştirilen sistemin erken teşhis, otomatik izleme ve akıllı tarım uygulamaları açısından yüksek potansiyele sahip olduğunu göstermektedir.
Sporcu performansını sınıflandırmada temel normalizasyon, makine öğrenme ve çok kriterli karar verme yöntemlerinin karşılaştırılması
Araştırmanın konusu sporcu seçimi, sınıflandırma ve sıralama kapsamında elde edilen verilerin analizinde ekonomik aynı zamanda güvenilirliği yüksek farklı analiz ve değerlendirme yöntemlerinin kullanımıdır. Çalışma kapsamında elde edilen sonuçlar doğrultusunda spor biliminde sporcu seçimi, sınıflama ve sıralamada norm oluşturma konusunda yeni bir yaklaşım ortaya koymaktır. Branşlara göre test edilen değişkenlerin önem ağırlıkları kapsam dahilindedir. Bu çalışmanın amacı, spor biliminde sporcu seçimi, sınıflandırma ve sıralama sürecinde kullanılan Temel Normalizasyon yöntemlerine ek olarak ÇKKV ve veri madenciliğinde Makine Öğrenme yöntemlerinin kullanılması amaçlanmaktadır. Araştırma grubu ilgili kurumdan ölçümleri yapılmış olan elit düzeydeki sporculardan oluşmaktadır. Çalışmada kuvvet, çeviklik, kas sertliği, görsel reaksiyon, anaerobik güç, aerobik dayanıklılık ve denge testlerine ait veriler kullanıldı. Değişkenlerin önem ağırlıklarını belirlemek için entropi yöntemi kullanıldı. Birinci aşamada, branşların Temel Normalizasyon, ÇKKV ve makine öğrenme yöntemleri ile hesaplanan puanlarının Z-skoru yöntemine göre spearman sıra korelasyonu ve yöntemlerin sınıflandırma başarısı için ROC analizleri yapıldı. İkinci aşamada, yöntemlere göre sıralanan veriler beş sınıfa ayrıldı. Sınıflandırılan yöntemler, makine öğrenmede sınıflandırma algoritmaları ile modellerin doğruluk analizleri yapıldı. Araştırmada ek olarak farklı spor branşlarının sınıflandırma analizinde kullanılan performans özelliklerine ait önem ağırlıklarının belirlendi. Veri analizinde Microsoft Excel, IBM SPSS 26.0, Matlab ve Orange Data Mining yazılımlarından yararlanıldı. Sınırlılıklar kapsamında elde edilen bulgularda, bütün spor branşlarında Z-skoru ile elde edilen sıralama ile diğer yöntemler arasında istatistiksel olarak anlamlı ve güçlü ilişkiler saptandı. Z-skor ile Topsis yöntemi arasında anlamlı ilişki saptanamadı. Branşların Z-skoruna göre yapılan sıralamalar ile diğer yöntemlere ait sıralamalar arasında yüksek düzeyde bir uyumun olduğu saptandı. Araştırmadaki sınıflandırma sonuçlarında %86 ile %100 arasında değişen yüksek doğruluk oranları AHP ve K-ortalama yöntemlerine göre oluşturulan modellerde elde edildi. Özellikle Z-skoru ile yüksek düzeyde ilişkisi bulunan K-Means yöntemiyle entegre edilen Naive Bayes, KNN, SVM ve Neural Network modellerinin birçok branşta %100 doğruluk saptandı. Sonuç olarak özellikle Temel Normalizasyon yöntemlerinden Z-skoru ile yüksek düzeyde uyum sağlayan ve yüksek düzeyde ilişkisi bulunan ÇKKV (entropi) ve makine öğrenme temelli algoritmaların sporcu performans sınıflandırması, sporcu yetenek seçimi ve branş yönlendirme süreçlerinde güvenilir düzeyde alternatif yöntemler olduğu saptandı. Sınıflama doğruluk analizi sonuçları doğrultusunda branşlara özgü modellerin yüksek doğruluk oranları, spor bilimleri alanında yapay zekâ tabanlı makine öğrenmesi ve ÇKKV uygulamalarının kullanılabilirliğini ortaya çıkardı. Anahtar Sözcükler: Çok Kriterli Karar Verme, Makine Öğrenme, Normalizasyon, Sınıflandırma, Sporcu Performansı
Ceviz çeşitlerinin derin öğrenme algoritmalarıyla sınıflandırılması
Ceviz, küresel ölçekte yüksek ekonomik değere sahip önemli bir tarım ürünüdür. Ceviz türlerinin doğru şekilde sınıflandırılması araştırma, koruma ve kalite kontrol süreçleri açısından büyük önem taşımaktadır. Ancak geleneksel sınıflandırma yöntemleri büyük ölçüde elle yapılan işlemlere dayanmakta olup bu yöntemler zaman alıcıdır ve insan hatasına açıktır. Tarım sektöründeki teknolojik gelişmelerle birlikte; meyve, sebze ve tahıl gibi ürünlerin sınıflandırılmasında derin öğrenme algoritmalarının kullanımı giderek yaygınlaşmaktadır. Bu tez çalışmasında, makine öğrenmesi algoritmaları ve önceden eğitilmiş derin öğrenme modelleri kullanılarak ceviz türlerinin otomatik olarak sınıflandırılması amaçlanmıştır. Böylece zaman kaybı, iş yükü ve hatalı sınıflandırma oranlarının azaltılması hedeflenmiştir. Bu amaçla Chandler, Kaman1, Fernor, Yalova3 ve Maraş18 türlerine ait toplam 2540 görüntüden oluşan özel bir veri seti oluşturulmuştur. Sınıflandırma işlemi için öncelikle VGG16 derin öğrenme modeli kullanılarak verisetinden 4096 adet özellik elde edilmiştir. Bu özellikler SVM, k-NN ve Random Forest gibi makine öğrenmesi algoritmalarına giriş olarak verilerek sınıflandırma işlemi gerçekleştirilmiştir. Sonrasında VGG16, VGG19, ResNet-50, DenseNet-121 ve Xception gibi yaygın olarak kullanılan önceden eğitilmiş derin öğrenme mimarileri, oluşturulan özgün veri seti üzerinde veri artırımsız, veri artırımlı ve ağırlıklı kayıp fonkiyonu kullanılarak eğitilmiştir. Deneysel sonuçlara göre; klasik makine öğrenmesi algoritmaları daha düşük doğruluk değerleri sunmuş, bu algoritmalar arasında en iyi performansı %90,10 doğruluk ile SVM göstermiştir. Buna karşılık, ResNet-50 modeli veri artırımı uygulanmış veri seti üzerinde %97,95 doğruluk oranı ile en yüksek başarıyı göstermiştir. Xception modeli ise ağırlıklı kayıp fonksiyonu kullanıldığında %98,54, orijinal veri seti üzerinde ise %98,27 doğrulukla en başarılı sonuçları elde etmiştir. Elde edilen sonuçlar, ResNet-50 ve Xception modellerinin ceviz türlerinin otomatik sınıflandırılmasındaki etkinliğini ortaya koymakta, aynı zamanda derin öğrenme teknolojilerinin geleneksel yöntemlere kıyasla daha hızlı, daha doğru ve daha az iş gücü gerektiren alternatifler sunduğunu göstermektedir. Genel olarak bu çalışma, derin öğrenme teknolojilerinin tarımsal üretim süreçlerine entegrasyonuna katkı sağlamakta ve geleneksel sınıflandırma yöntemlerinin verimliliğini artırmaya yönelik çözümler önermektedir.