Machine learning
Bu konu başlığı altında 516 tez
Bilgisayar ağlarında anormal veri trafiği tespiti için parametre optimizasyonu
İletişim teknolojilerinin ve özellikle de internetin insan hayatı üzerinde geniş bir yer edinmesi sonucunda, bilişim sistemlerinin ve verilerin güvenliğinin sağlanması oldukça önemli bir siber güvenlik problemi haline gelmiştir. Olası bir saldırı durumunda sistemlerin ve kullanıcıların oluşan tehlikeden olabildiğince az etkilenmesini sağlayabilmek amacıyla, bilgisayar ağlarında anormal veri trafiği tespitinin mümkün oldukça hızlı ve doğruluk oranı yüksek bir şekilde raporlanması gerekir. Bu doğrultuda araştırmacılar tarafından pek çok farklı yaklaşım ve yöntem ortaya konulmaktadır. Ancak bu çalışmaların pek çoğu, algı süresi veya sınıflandırma başarımı göz önüne alındığında yeterli olmamaktadır. Bu çalışmada, ağ trafiği üzerinde anormal davranışlar gösteren eylemlerin ve siber saldırı sonucu, oluşabilecek zararlı ağ trafiğinin tespiti ve önlenmesi amacıyla seçilen bir grup sınıflandırma algoritmasının başarım değerlendirmesi yapılmıştır. Buna ek olarak yüksek başarı gösteren sınıflandırma algoritmaları üzerinde ReliefF Öznitelik Seçimi, Mahalanobis Uzaklığı ve Ki Kare Testi (Chi-Square) gibi veri ön işleme adımları kullanılarak daha az veri özniteliği kullanımının sınıflandırma algoritmalarının başarımı üzerindeki etkisi değerlendirilmiştir. Değerlendirmeler sonucunda az sayıda öznitelik ile birlikte, öznitelik seçimi olmadan gerçekleştirilen sınıflandırma işlemine oranla yarısı kadar daha az bir sürede yüksek sınıflandırma başarısı elde edilmiştir. Öznitelik seçimi işlemleri neticesinde seçilen bir grup makine öğrenmesine ait en yüksek sınıflandırma başarısı %99,2187 oranı ile Random Forest algoritmasına aitken en düşük sınıflandırma başarısına sahip olan yöntem %90,5778 oranı ile Bayes Network Classifier algoritmasıdır. Yapılan başarım testleri için NSL-KDD (Network Security Laboratory - Knowledge Discovery and Data Mining) veri kümesi kullanılmıştır. Yüksek performans ve minimum zaman aralığında daha az öznitelik verisi kullanılarak maksimum başarım oranı elde edilmeye çalışılmıştır. Anahtar Kelimeler: Anormal Veri Tespiti, Öznitelik Seçimi, Makine Öğrenmesi, Veri Güvenliği, Saldırı Tespit Sistemleri
Makine öğrenmesinde gradyan inişi optimizasyon algoritmaları üzerine
Bu çalışmada, makine öğrenmesinde önemli bir yere sahip olan gradyan tabanlı optimizasyon algoritmalarının yapısı, çeşitleri, avantaj ve dezavantajlarına yer verilmiştir. Bu amaçla 1. dereceden optimizasyon algoritmalarından literatürde en çok kullanılan; Stokastik Gradyan İniş, Momentum, Nesterov Momentum, AdaGrad, Adadelta, RMSProp, Adam ve Nadam algoritmaları ile 2. Dereceden optimizasyon algoritmalarından Newton, BFGS ve L-BFGS algoritmaları ele alınmıştır. Algoritmaların matematiksel yapıları incelenmiş ve karşılaştırmaları için üç farklı gerçek hayat problemi ele alınmıştır. Bu problemlerin yapay zeka modelleri ile çözümlerinde ResNet50, VGG19 ve lojistik regresyon modelleri kullanılmıştır. Elde edilen sonuçlar çizelge ve şekiller üzerinden değerlendirilmiştir. Algoritmaların performansları metriklerle ölçülerek, algoritmaların hem birbirlerine karşı performansları hem de modellerde ki başarımları tespit edilmiş ve sonuçları yorumlanmıştır.
Gömülü sistemlerde makine öğrenmesi ile seri-optik haberleşmelerde veri bozulmasının tahmini ve iyileştirilmesi
Dış ortamda bulunan elektrik sayaçlarında, güneş ışığı seri optik haberleşmede bozulmalara neden olmakta ve sayaç ile haberleşme sağlanamamaktadır. Sayaçların okunması için kullanılan Bluetooth optik port okuyucunun ışıma şiddetinin dinamik olarak ayarlanması bu soruna alternatif bir çözüm oluşturmaktadır. TensorFlow-Lite kullanılarak ortam şartlarına uygun ışıma şiddetini tespit eden bir model geliştirilmiştir. Bu model bir mikrodenetleyici içerisinde çalıştırılarak, mikrodenetleyiciye bağlı bir ışık sensörü üzerinden okunan ortam koşularına göre haberleşme için gerekli ışıma şiddetinin ayarlanmasını ve haberleşmenin mümkün olmadığı durumların da önceden tespit edilmesi sağlamıştır. Yapılan bu çalışma sonucunda, mikrodenetleyiciye takılan ışık sensörü ile ortam ışık seviyeleri okunarak TensorFlow-Lite modelinde sınıflandırılmıştır. Bu sayede, derin öğrenme ağı ile güneş ışımalarının yüksek ya da düşük olduğu değişken dış ortam koşullarına göre ışıma şiddetini ayarlayarak optik haberleşmenin gerçekleşmesini sağladığı görülmüştür.
Toplam ekipman etkinliğinin makine öğrenmesi ile tahmin edilmesi
Bu çalışma, sanayi işletmelerindeki dinamik ortamların yönetiminde kullanılan Toplam Ekipman Etkinliği (OEE) gibi performans göstergelerinin önemini vurgulamak ve bu göstergenin gelecekteki değerlerinin tahmin edilmesine odaklanmaktadır. Çalışma, bir işletmede yer alan CNC tezgahlarından elde edilen verilerin kullanılarak gelecekteki OEE değerlerinin tahmin edilmesini amaçlamaktadır. Bu hedef doğrultusunda, makine öğrenmesi algoritmalarıyla üretimden ve makinelerden toplanan çeşitli veriler analiz edilerek tahminleme yapılmıştır. Çalışmada, gerçek bir işletmeden elde edilen üretim verileri kullanılmış ve üç farklı tahmin algoritmasıyla değerlendirilmiştir. Sonuçlar, en etkili tahmin algoritmasının belirlenmesi ve gelecekteki uygulamalar için bir rehberlik sağlama amacı taşımaktadır. Çalışma, tezin dört ana bölümünde detaylı olarak incelenmiştir. Bunlar; OEE ve makine öğrenmesi konularına odaklanan bir literatür taraması, metodoloji ve yaklaşımların açıklanması, tahmin algoritmalarının ve tekniklerinin geliştirilmesi, elde edilen sonuçların analizi ve değerlendirilmesi ile sonuçların tartışılmasıdır. Bu çalışmanın, sanayi işletmelerinin performansını artırmak için kullanılabilecek yöntemlerin geliştirilmesi açısından önemli bir katkı sağlayacağı düşünülmektedir.
Makine öğrenimi algoritmaları ile kredi kartı işlemlerinde dolandırıcılık tespiti
Bilgisayar ve bilgisayarlı sistemler günümüzde büyük bir öneme sahiptir. Bir de bu sistemlerde Yapay Zekâ'nın başlıklarından birisi olan Makine Öğrenmesi yöntemini kullandığımızda bir bilgisayarın insan olmadan neler yapabileceğini görebilmekteyiz. Bu sistemleri daha vazgeçilmez bir hale getiren internet kavramı vardır. Hayatımızda büyük bir rol oynayan internetin, birde karanlık bir yüzü vardır. İnternet artık günümüzde vazgeçilmez bir konumdadır. Uzaktan her bilgiye erişebilme, her cihazı kontrol edebilme gibi birçok imkân sağlayan internet, her ne kadar işimizi kolaylaştırsa da internete bağlı olan cihazlar risk altında olabilir. Bu yüzden suça meyilli veya suçlu kişiler bu ortama yönelmektedir. İnternet ortamında işlenen suçlara Siber Suçlar denilmektedir. Günümüzde insanlar alışverişlerini yaygın bir şekilde kredi kartları ile internetten yapmaktadırlar. Her ne kadar güvenilir web siteleri de olsa alışveriş yaptığımız bir cihaza bulaştırılmış olan bir Malware, kredi kartı bilgilerini çalma yöntemlerinden birisidir. Bu tez, kredi kartı ile yapılan alışverişlerin, çalınmış veya kopyalanmış bir kredi kartı kullanan dolandırıcılar tarafından mı yapıldığını, Yapay Zekâ ile tespit edilmesi üzerine yapılan bir uygulamayı içermektedir.
Kullanıcıların mobil uygulama güvenlik farkındalıklarının makine öğrenmesi teknikleriyle incelenmesi
Cep telefonlarının her yerde bulunabilme, anında bağlantı kolaylığı, uygulama çeşitliliği, kişiselleştirme, esneklik, dağıtım ve konuma dayalı hizmetler gibi zenginleştirilmiş işlevsellik ve etkileşim özellikleri, onları dünyanın birinci iletişim aracı haline getirmiştir. Çoğu insan için cep telefonları artık vazgeçilmez bir unsur haline gelmiştir. Bu cihazlara yüklenen uygulamalarla kullanıcılar internet dünyasında etkileşimde bulunmaktadırlar. Mobil uygulama mağazaları, kullanıcılara çeşitli kategorilerde binlerce uygulamayı keşfetme ve indirme imkânı sunmaktadır. Her gün milyonlarca insan, ihtiyaçlarına veya ilgi alanlarına uygun uygulamaları bulmak için bu mağazalardan faydalanmaktadır. Kullanıcılar bu mağazalardan uygulama indirerek, iletişim kurma, eğlenme, bilgi edinme, alışveriş yapma, finansal işlemler yapma, seyahat planlama ve daha pek çok işlemi gerçekleştirme imkânına sahip olmaktadırlar. Bu çalışmada Harvard Üniversitesi'ne ait olan Dataverse platformunun bir araştırma anketin veri seti kullanılmıştır. Anket, 15'ten fazla ülkede 10.208 kişiyle yapılmıştır. Veri setinde ankete katılanların demografik özellikleri, eğitim bilgileri ve mobil uygulama kullanım davranışları gibi bilgiler bulunmaktadır. Bu çalışmanın temel hedefi mobil cihaz kullanıcılarının profillerini ve uygulama kullanım amaçlarını ve ihtiyaçlarını analiz ederek kullanıcıların bir uygulamayı tercih etme, kullanma ve bırakma kararlarına etki eden faktörleri makine öğrenmesi teknikleriyle belirlemektir. Araştırmada, veri seti üzerinde Logistik Regresyon (LR) , Random Forest (RF), Support vector machine (SVM), K-Nearest Neighbors(KNN) makine öğrenme algoritmaları ile yapılan analizde uygulamanın bulunması, seçilmesi ve bırakılması aşamaları test edilmiştir. Test etme aşamalarında Doğruluk (Accuracy), Hassasiyet (Precision), Duyarlılık (Recall), F1-Score (F-Measure) değerlerine bakılmıştır. Araştırmanın " Kullanıcı demografik özellikleri uygulamayı bulma davranışını etkilemektedir." Şeklinde kurulan 1. Hipotezin doğrulanmasında SVM makine öğrenmesi algoritması doğruluk oranı doğruluk oranı 0,930 F1 Score değeri ise 0,950 ile en başarılı algoritma olmuştur. Araştırmanın "Kullanıcının demografik özellikleri uygulamayı seçme davranışını etkilemektedir" şeklinde kurulan 2. Hipotezinin doğrulanmasında SVM makine öğrenmesi algoritması doğruluk oranı 0,920 ve F1 Score değeri ise 0,950 ile en başarılı algoritma olmuştur. Araştırmanın " Kullanıcı demografik özellikleri uygulamayı bırakma davranışını etkilemektedir." 3. Hipotezinde SVM makine öğrenmesi algoritmasına göre doğruluk oranı 0,940 F1-Score değeri ise 0,970 olarak en başarılı algoritma olmuştur. Elde edilen analiz sonuçlarına göre mobil uygulama kullanıcıları demografik özelliklerinin uygulamayı bulma, seçme ve bırakma davranışları üzerinde etkili olduğu makine öğrenme yöntemleri ile doğru tahmin edilebileceği görülmüştür. Araştırmanın " Mobil uygulama kullanıcılarının uygulamayı bulma ve seçme davranışları arasında anlamlı bir ilişki vardır." 4. Hipotezini test etmek için Pearson Korelasyon modeli kullanılmıştır. Bu model sonuçlarına göre Ortalama Pearson Korelasyon Katsayısı: 0.215 çıkmıştır. Araştırmanın "Mobil uygulama kullanıcılarının uygulamayı seçme ve bırakma davranışları arasında anlamlı bir ilişki vardır." 5. Hipotezini test etmek için Pearson Korelasyon modeli kullanılmıştır. Bu model sonuçlarına göre Ortalama Pearson Korelasyon Katsayısı: 0.230 çıkmıştır. Elde edilen bu değerlere göre kullanıcının mobil uygulamayı bulma, seçme ve bırakma davranışları arasında pozitif yönde zayıf bir ilişki olduğu görülmüştür. Bu araştırma, kullanıcıların mobil uygulama güvenliği ve gizlilik konusundaki bilinç düzeyini artırmak ve bilinçli seçimler yapmasına yardımcı olacağı düşünülmektedir. Aynı zamanda mobil uygulama geliştiricilerine, kullanıcıların gereksinimlerini daha iyi anlama ve uygulama deneyimini iyileştirme konusunda değerli veriler sunmaktadır.
Mobil bir robotun yapay zeka destekli kendinden öğrenebilir sürüş algoritmasının geliştirilmesi
Mobil robotlar, günümüzde otomasyon ve yapay zeka teknolojilerinin giderek artan bir şekilde entegre edildiği önemli bir alan haline gelmiştir. Bu robotlar, hareket kabiliyetine sahip olmaları sayesinde çeşitli uygulama alanlarında kullanılmaktadır. Bu uygulama alanları arasında lojistik, tarım, inşaat, sağlık ve endüstriyel otomasyon gibi birçok sektör yer almaktadır. Mobil robotların etkin ve güvenli bir şekilde hareket etmelerini sağlayan temel bileşenlerden biri sürüş algoritmalarıdır. Geleneksel sürüş algoritmaları, robotların belirli durumlar için önceden programlanmış talimatlarla hareket etmelerini sağlar. Ancak, bu yaklaşım basit ve tekrar eden görevler için etkili olabilirken, karmaşık ve değişken ortam şartlarında robotların başarılı olmasını sınırlamaktadır. Yapay zeka teknolojilerinin robotlara entegrasyonu, mobil robotların çevrelerini algılamalarını ve deneyim tabanlı öğrenme sağlayarak sürüş algoritmalarını daha adaptif ve otonom hale getirmeyi amaçlar. Bu çalışmada, mobil bir robotun yapay zeka destekli kendinden öğrenebilir sürüş algoritmasının geliştirilmesi hedeflenmiştir. Algoritmanın adaptif öğrenme mekanizmaları, uyumluluk ve otonomi, öğrenme hızı ve performansı ile gerçek dünya uygulamaları açısından literatüre değerli katkılar sunması beklenmektedir. Bu amaçla çalışmada literatürdeki yaygın olarak kullanılan makine öğrenimi metodlarından olan pekiştirmeli öğrenme (DDPG, TD3, PPO, SAC, A2C) algoritmalarından faydalanılarak karmaşık ortamlardaki başarıları gözlemlenmiş ve karşılaştırılmıştır. Oluşturulan karmaşık ortamlar her sahnede değişecek şekilde hazırlanarak tek bir algoritmanın farklı karmaşık düzeylerine sahip ortamlardaki başarıları eğitilerek test edilmiştir. Elde edilen bulgulara göre TD3 %86.3, A2C %89,2 SAC %93.6, PPO %97.6 başarı sağlamıştır. Bu sonuçlar, mobil robot teknolojisinin gelecekteki gelişimi ve çeşitli sektörlerde etkin bir şekilde kullanılması için önemli bir adım olarak görülmektedir. Sonuç olarak, bu tez çalışması mobil robotların farklı senaryolarda güvenilir ve otonom bir şekilde çalışmasını sağlayarak çeşitli uygulama alanlarında kullanılabilirliğini artırmayı hedeflemektedir. Algoritmaların çevresel değişikliklere hızlı adaptasyon yeteneği sayesinde, robotların daha genel amaçlı ve esnek bir şekilde çalışması sağlanmıştır. Dinamik ortamlar ve kapsamlı analizlerle desteklenen bu yaklaşım ile, mobil robotların otonom hareket kabiliyetlerini geliştirirken, gelecekte karmaşık ortamlarda test edilmesi ve farklı veri kaynakları ile entegrasyonlarının sağlanması öngörülmektedir. Bu çalışmanın, otonom sistemler ve yapay zeka tabanlı robotik uygulamalar için önemli bir katkı sunacağı değerlendirilmektedir.
En iyileştirilmiş çekirdek uç öğrenme makineleri kullanılarak trafik sinyalizasyon süresinin kontrolü
Son yıllarda şehirleşme ve araç sayısının artması, trafik sıkışıklığının da artmasına sebep olmuştur. Dolayısıyla bu soruna çözüm arayışında olan ulaşım sistemlerindeki gelişmeler de hızlanmış, bir çok çözüm önerisinde bulunulmuştur. Ancak önerilerin bir çoğu trafik akışının dinamikliğine tam olarak yanıt verememektedir. Statik trafik yönetimlerinin yetersiz olması nedeniyle akıllı ulaşım sistemlerinin önemi artmış, araştırmacılar gerçek zamanlı trafik yönetim modelleri ile trafik akışının değişken ve çok parametreli yapısına yönelik çalışmalarını artırmıştır. Bu tez çalışmasında amaç, trafik sıkışıklığının azaltılması ve trafiğin daha akıcı bir hale gelmesidir. Bu amaç doğrultusunda trafik sinyalizasyon sistemlerinde kullanılmakta olan geleneksel sabit süreli yönetim modelleri yerine derin öğrenme ve tek gizli katmana sahip ileri beslemeli bir yapay sinir ağı olan uç öğrenme makinelerinin (ELM, Extreme Learning Machine) bir kombinasyonu kullanılmıştır. Yapılan çalışma 4 aşamada gerçekleştirilmiştir. Birinci aşamada, gerçek trafiğe ait video görüntülerinde yer alan araçlar, derin öğrenme algoritmalarından YOLOv8 ile tespit edilmiş ve sınıflandırılmıştır. İkinci aşamada, eğitilmiş derin modelin öznitelikleri çıkarılarak çekirdek uç öğrenme makinesine (KELM, Kernel ELM) giriş olarak verilmiştir. Burada, veri setinin karmaşık yapısını modellemek, trafik akışı tahminlerindeki doğruluğu artırmak için uç öğrenme makinesi iç çarpımı, çekirdek (kernel) işleviyle değiştirilmiştir. Üçüncü aşamada KELM'nin optimizasyonu için Parçacık Sürü Optimizasyonu (PSO, Particle Swarm Optimization ), Gri Kurt Optimizasyon Algoritması (GWO, Grey Wolf Optimization), Genetik Algoritma (GA, Genetic Algorithm) ve Yapay Arı Kolonisi Optimizasyon Algoritması (ABC, Artificial Bee Colony) kullanılmıştır. Bu basamaktaki çalışma sonrası, Genetik Algoritmanın problemimize ve veri setimize diğer algortimalara göre daha uygun olduğu tespit edilmiştir. Son aşamada ise tespit edilen araçların sayılması, araç sayılarına göre oluşturulabilebilecek adaptif trafik yönetim modelinin simule edilmesi yer almaktadır. Python Pygame kütüphanesi kullanılarak hazırlanan simülasyonda, 4 kollu izole sinyalize kavşaktaki trafik canlandırılmıştır. Gerçek kamera görüntüsünde, kırmızı ışıkta bekleyen araçlar tespit edilerek araç sayıları elde edilmekte, bu araçlara atanan değerler kulanılarak yeşil ışığın süresi tayin edilmektedir. Bu şekilde gerçek trafik yoğunluğuna, aracın sayısına hatta araç türüne özel bir adaptif trafik kontrol sistemi oluşturulmuştur.
indexliAçık ErişimTRÇayeli (Rize) ilçesinde jeofizik verilerle bütünleşik heyelan duyarlılığı ve risk haritalarının oluşturulması
Bu çalışmada, Çayeli ilçesinde heyelan duyarlılığının belirlenmesi amacıyla makine öğrenmesi tabanlı bütünleşik bir analiz gerçekleştirilmiştir. Çalışmada topoğrafik, hidrolojik, jeolojik, iklimsel ve sismik/jeoteknik faktörler birlikte değerlendirilmiş; AFAD, MTA, CORINE, OpenStreetMap ve sayısal yükseklik modeli verileri kullanılmıştır. Ayrıca Çayeli Belediyesi’nden temin edilen 55 adet jeolojik-jeoteknik rapor incelenmiş ve jeofizik veriler CBS ortamında modele dahil edilmiştir. Toplam 28 koşullayıcı faktör oluşturulmuş, VIF analizi sonucunda yüksek doğrusal bağlantıya sahip değişkenler çıkarılarak modelleme süreci 22 faktör üzerinden yürütülmüştür. Lojistik Regresyon, Rastgele Orman, XGBoost, LightGBM, SVM ve YSA dahil olmak üzere on farklı makine öğrenmesi algoritması karşılaştırılmıştır. Modeller 5 katlı çapraz doğrulama ve bağımsız test veri seti ile değerlendirilmiştir. Son aşamada SHAP analizi uygulanarak faktörlerin model tahminlerine etkisi yorumlanmıştır. Elde edilen sonuçlar doğrultusunda heyelan duyarlılık haritaları üretilmiş ve çalışma alanındaki mevcut heyelanlarla yüksek mekânsal uyum gösterdiği belirlenmiştir. Çalışma, makine öğrenmesi ve açıklanabilir yapay zekâ yöntemlerinin heyelan duyarlılık analizlerinde etkili sonuçlar sunduğunu ortaya koymuştur.
Şifreli ağ trafiğinin içerik açısından sınıflandırılması
Günümüzde internet kullanımının yaygınlaşması mevcut bilgisayar ağları altyapısının verimli ve güvenli bir şekilde yönetilmesini gerektirmektedir. Ayrıca, her geçen gün internet uygulamalarının kullanımındaki artış ile büyük veri hacmini oluşturan ağ trafikleri de ortaya çıkmaktadır. Büyük verilerin işlenebilmesi için performans odaklı yöntemlerin kullanılması gerekmektedir. Ağ trafiği verilerinin, ağ yönetimi ve ağ güvenliği gibi birçok çalışma alanındaki uygulamalar için sınıflandırma ihtiyacı bulunmaktadır. Ağ trafiğinin şifreli olması ve VPN kullanımı gibi uygulamalar ağ trafiği sınıflandırma sürecini zorlaştırmaktadır. Bu tez çalışmasında şifreli ağ trafiğinin sınıflandırılması için gerçek-zamanlı sistemlere kolay ve hızlı uygulanabilir performans-odaklı yeni bir platform geliştirilmiştir. Sınıflandırma sürecinde makine öğrenmesi tekniklerinden yararlanılmıştır. Deney tabanlı makine öğrenmesi tekniklerinin etkili bir şekilde uygulanabilmesi için süreç yönetim gerçekleştirilmiştir. Platformun tasarlanmasında güncel ve performanslı olan veri işleme için Apache Spark, öznitelik çıkarımı için NFStream ve süreç yönetimi için MLflow yazılım teknolojileri kullanılmıştır. Ayrıca, bu çalışma literatüre "pattern byte" isimli yeni bir öznitelik kazandırmıştır. Önerilen platform ile gerçekleştirilen deney kapsamında uygulama ve uygulama türlerine göre ağ trafiği makine öğrenmesi algoritmaları ile sınıflandırılmaktadır. Makine öğrenmesi algoritmalarından GBTree, LightGBM ve XGBoost algoritmalarının kullanılması sonucunda performans sonuçları değerlendirildi. Performans sonuçlarının değerlendirilmesi doğruluk, duyarlılık, kesinlik ve F1 skorları ile incelenmektedir. İncelenen sonuçlarda uygulama sınıflandırmasında GBTree, LightGBM, XGBoost algoritmaları sırasıyla yaklaşık %98, %89 ve %99 F1 skorlarına ulaşmaktadır. Uygulama türlerine göre sınıflandırmada ise tüm algoritmalar %99 F1 skoruna ulaşmaktadır. Sonuç olarak, algoritmalar arasında XGBoost algoritması her iki sınıflandırma probleminde %99'un üzerinde F1 skoru ile en iyi sonuca ulaştığı görülmüştür.
Ortogonal talaş kaldırma işleminde makine öğrenmesi algoritmaları kullanılarak deneysel sonuçların ve sonlu elemanlar analiz sonuçlarının değerlendirilmesi
Bir çok endüstri kolunda olduğu gibi talaşla imalat endüstrisinde de üretimin verimliliğini etkileyecek verileri önceden tahmin etmek hem kesici takım maliyetlerinin hemde üretim maliyetlerinin düşürülmesi bakımından öndemlidir. Bu kapsamda yıllardır kullanılmakta olan sonlu elemanlar yönteminin yanında son yıllarda karşımıza bir çok alanda kullanılan makine öğrenmesi ve yapay zeka yöntemleri çıkmaktadır. Bu öğrenme yöntemleri deneysel ve sayısal çalışmalara yardımcı olarak kullanıldığı zaman hem deney süreleri hemde sayısal hesaplama süreleri önemli derecede kısalmaktadır. Böylece hem deney maliyetlerinin azaltılması hemde sayısal hesaplama sürelerinin kısalması sağlanabilmektedir. Bunun yanında bilinmeyen veya deneyi yapılmayan parametrelerin tahmini mümkün olabilmektedir. Bu çalışmada öncelikle ortogonal talaş kaldırma probleminin sayısal olarak modellenmesi üzerinde durulmuş ve modelleme sonuçları deneysel veriler ile karşılaştırılmıştır. Daha sonra deneysel veriler ve sonlu elamanlar verileri makine öğrenmesi algoritmalarına öğretilmiştir. Öğretme işleminden sonra bilinmeyen veriler olan kesme kuvvetinin ve maksimum talaş sıcaklığının sadece kesme parametreleri girilerek tahmini yapılmıştır. Deneyler ile sonlu elemanlar analizi sonuçlarından elde edilen verilere en doğru cevabı veren makine öğrenmesi algoritmaları Support Vector Machine, Linear Regression ve Gaussian Process Regression olarak belirlenmiştir. Bunlara ek olarak ortogonal kesme işleminde elde edilen sıcaklık, talaş şekli ve gerilmeler tartışılmıştır.
Kümeleme algoritmalarının CPU ve GPU performanslarının analizi
Teknolojinin ilerlemesi, teknolojideki rekabeti her geçen gün artırmaktadır. Teknolojide ilerleme artarken müşterileri ve kullanıcıları memnun etmek güçleşmektedir. Çeşitli teknolojik aygıtlar sebebiyle üretilen veri miktarı artmakta bu da firmaların eldeki verileri analiz etmeleri için farklı metotlara yönelmelerine sebebiyet vermektedir. Günümüz dünyasında verilerin analiz edilmesi ve yorumlanması çok önemli olduğundan bu işlemi elle yapmak yerine makinelere yaptırma gereği ve ihtiyacı doğmuştur. Eldeki verilerin etiketlerinin bilinmediği durumlarda bunları analiz edebilmek adına kümeleme algoritmalarından yararlanılmaktadır. Kümeleme algoritmaları verileri gruplara ayırmaktadır ve bu sayede verilerin analiz edilmesi, yorumlanması kolay hale getirilmektedir. Bu tez çalışmasında, mevcutta kullanılan beş farklı kümeleme algoritmasının CPU ve GPU üzerindeki performansları araştırılmış ve bunları tespit etmeye yönelik deneysel çalışmalar gerçekleştirilmiştir. Kümeleme algoritmalarının performanslarını ölçebilmek adına yapılan deneysel çalışmalarda e-postalardan oluşan Enron veri kümesi kullanılmıştır. Çalışmada kümeleme algoritmaları olarak; model bazlı Cobweb, yoğunluk bazlı Dbscan, grid bazlı Clique, bölümlemeli K-Means, hiyerarşik olarak ise Birch algoritmaları seçilmiştir. Deneysel çalışmalar için gerekli ortam Python dilinde Google Colab üzerinde gerçekleştirilmiştir. Deneysel çalışma sonuçları grafikler ve tablolar ile ifade edilerek analiz sonuçları sunulmuştur.
COVID-19 detection from signs and symptoms using machine learning
Effective SARS-CoV-2 (COVID-19) screening enables a speedy and precise diagnosis of COVID-19, lowering the load on the health care systems. Different machine learning models were developed for COVID-19 detection. These models are intended to aid physicians globally in the quarantining of patients, especially in poor areas. At the end of 2021, the global officially recorded COVID1-19 cases reached 286,582,541 with 5,430,949 confirmed deaths. This study aimed to deploy and test machine learning-based models for predicting COVID-19 diagnosis. Seven machine learning models have been utilized as Naïve Bayes (NB), Logistic Regression (LR), Support Vector Machine (SVM), Multilayer Perceptron Neural Network (MLP), Decision Tree (DT), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost). The models were trained and tested on data from 2,151,898 tested people, among whom 208,726 (9.7%) were found to have COVID-19. Simply six binary characteristics were used to predict COVID-19 testing results with acceptable accuracy. The data included five early COVID 19 clinical signs and symptoms, such as cough, fever, sore throat, shortness of breath, and headache. Also, the data from people in contact with a confirmed COVID-19 case were used. Overall, we evaluated the possibility of building a model that could be used for prioritizing testing for COVID-19 by asking simple questions depending on the data we acquired from GitHub. When using normal unbalanced data; we achieved 92.9% accuracy, 60.4% sensitivity, 96.4% specificity and 62.2% F-score with the MLP, DT, RF and XGBoost machine learning models. When using balanced classes, all the seven machine learning models produced 91.8% accuracy, 65.1% sensitivity, 94.7% specificity and 60.61% F-score results. When using only symptomatic cases (161.915), MLP, DT, RF and XGBoost models gave 70.8% accuracy, 89.1% sensitivity, 47.3% specificity, and 77.4% F-score results. In the three scenarios XGBoost, RF, DT, and MLP gave the best results. Regarding the training time, XGboost, RF and DT were faster than MLP. Key Words: Machine Learning, Classification, Diagnosis, COVID-19, SARS-COV-2, Signs and Symptoms
Estimating the area of croplands and estimating each crop's area using remote sensing and machine learning
In this thesis, the area of croplands and each crop's area are estimated from a remote sensing hyperspectral image of the sentinel-2 satellite using one of the well-known machine learning algorithms, Maximum Likelihood Classifier (MLC). Wheat, beans, nigella, other plants, urban, and fallow are the classes we selected to classify the study area. Our study area locates in North-west Syria. We collected ground-truth GPS points, and we drew seventy polygons depending on them. Each polygon's pixels represent the same class. These polygons are used as input to MLC. We generated one hundred and fifty random GPS test points above the study area to calculate accuracy. The overall accuracy is 82% and (user accuracies, producer Accuracies) for classes are: wheat (83.3%, 90.9%), beans (90.9%, 71.4%), nigella (81.8%, 94.7%), other plants (79.3%, 65.7%), urban (82.4%, 73.7%), and fallow (80.9%, 92.7%). The estimated areas for classes are wheat 14.881 km2, beans 3.614 km2, nigella 13.34 km2, other plants 20.77 km2, urban 14.54 km2, and fallow 35.23 km2. The total uncultivated area is 49.77 km2, whereas the cultivated area is 52.61 km2. In this study, the MLC results are also compared with Support Vector Machine (SVM) and Random Trees (RT) results, and we found that the MLC algorithm gives much better results than other methods.
A hybrid approach for data classification based on mathematical modelling and improved online learning algorithm for general fuzzy min-max neural network
The Fuzzy Min-Max Neural Network (FMNN) is a machine learning algorithm that utilizes hyper-boxes for classification and clustering tasks. It is built using hyper-box fuzzy sets, which allow for the representation of fuzzy data. This makes FMNN particularly effective for handling uncertain and imprecise data. Both the FMNN classification and clustering are based on this concept, making it a powerful tool for a variety of applications. Mixed integer programming models can offer improved performance and global optimality compared to other methods, but they are limited in their ability to handle large datasets because of the presence of binary variables and can be difficult to solve optimally. In this thesis, we aim to enhance the MILP model proposed by a well-known publication by providing an initial solution. This thesis presents a new hybrid approach that integrates mixed integer linear programming (MILP) and an improved online learning algorithm for general FMNN (IOL_GFMM). The IOL_GFMM method is employed to generate initial hyper-boxes to enhance the efficiency of the MILP model. The new hybrid approach is tested on both real and artificial datasets and has been shown to be efficient. The new hybrid approach significantly speeds up training time by up to 76 times and reduces the number of misclassified data by up to 17 times.
Prediction of students' success employing data mining algorithms
Most higher education institutions now priorities student achievement as a key strategic goal. Academic institutions are focusing more on keeping students enrolled in their classes without sacrificing educational level in response to budget constraints and rising operational costs. The use of machine learning to forecast students' success using academic and behavioural data has been the subject of numerous initiatives and studies. We applied the popular machine learning algorithms in order to predict student achievement including Random Forest, Support Vector Machine, Logistic Regression etc. The employed Support Vector Machine has achieved to provide the best accuracy (93.8%) and sensitivity (98.75 %) scores. Additionaly, the implementation of stack-based ensemble model is very effective in the predicition of student success. Therefore, a stacked-based ensemble learning model is cerated in order to compare the efficiency of it in the prediction of students' succes with the other machine learning algorithms. At the end, the stacked-based ensemble model has provided the best accuracy score (93.9%) in the prediction of students' success.
Classification of skin cancer with deep transfer learning method
Skin cancer is a significant threat to human health. The key solution to completely treating skin cancer patients is early detection of lesions, which are the basis of skin cancer. With the advancement of artificial intelligence technology, significant progress has been made in developing automated approaches to help dermatologists detect skin cancer. In this study, eight different transfer learning networks are examined on the International Skin Imaging Collaboration (ISIC) dataset (64000 images) for the classification of skin cancer. The models used in the study are DenseNet121, Xception, InceptionResNetV2, ResNet50, Inception, EfficentNetB6, VGG16, and MobileNetV2 which were successful in various studies recently. In the preprocessing part of the study, the dataset is split into three parts training, validation, and testing. The results of the study showed that some transfer learning models are appropriate for classification success, with high classification accuracies. With an accuracy rate of 99.6%, the finetuned DenseNet121 model outperformed all other pre-trained models used in the study. In addition, when the ensemble learning method was applied with the best three models (DenseNet121, MobileNetV2, and Xception), 99.96% accuracy was obtained.
Deep ensemble learning-based classification of stroke
Stroke is one sort of brain disease that profoundly impairs people's quality of life and health. The quantitative analysis of brain Magnetic Resonance (MR) images is crucial for both the diagnosis and treatment of strokes. The method of early diagnosis is crucial for preventing stroke instances. Deep neural networks, which have the capacity for vast data learning, enable stroke prediction. Therefore, in this study, several deep neural network models are proposed for transfer learning to classify MRI images into two categories (stroke and non-stroke), in order to study the characteristics of the stroke lesions and achieve full intelligent automatic detection. These models include MobileNet, EfficientNetB2, ResNet50, DenseNet121, and EfficientNetB2. 1901 training images, 475 validation images and 250 testing images make up the study dataset. Data augmentation was employed to increase the number of images on the training and validation sets, which helped the models to learn more effectively. Results from the experiment outperform those from all state of the art methods that used the same dataset. The top models of the study, which use the DenseNet121 and Xception models for transfer learning, obtained an overall accuracy of 98.4% with the same values for precision, recall, and F1-score. Additionally, ensemble learning method is used with the top three models of the study, EfficientNet, DenseNet, and Xception, and a 100% overall score is obtained.
Lise giriş sınavında öğrenci başarılarının makine öğrenmesi teknikleri ile analizi
Son yıllarda Eğitsel Veri Madenciliği çalışmalarında Makine Öğrenmesi algoritmaları oldukça yaygın biçimde kullanılmaya başlanmıştır. Bu çalışmada öğrencilerin ders başarı notları ile bireysel ve çevresel özelliklerini içeren veri seti kullanarak LGS sınavındaki başarı tahminlemesi yapılmıştır. Çalışma aynı zamanda tek tabanlı ve topluluk (Ensemble) algoritmalarının performanslarını karşılaştırılmak suretiyle en iyi modeli de önermektedir. Oluşturulan modelleri kıyaslamada R-Squared değeri referans kabul edilirken MSE, RMSE, MAE ve MAPE metriklerine de bakılmıştır. Çalışmada aynı zamanda Feature Selection metodlarının da model performansına etkileri araştırılmıştır. Elde edilen sonuçlarda Feature Selection uygulanmadan tüm veri seti kullanılarak Stacking mimaride Super Learner model ile en iyi performans elde edilmiştir. Modelin R-squared değeri 0,79 olurken MSE 161,32 olarak hesaplanmıştır. Çalışmanın sonuçları çalışılan modelin gelişime açık bir model olduğunu ortaya koymaktadır. Öte yandan öğrencilerin öğrenim ve kişisel özelliklerini içeren veriler kullanılarak merkezi sınavlardaki başarı düzeylerinin modellenebileceğini de göstermektedir. Kullanılan bu teknik ilerleyen dönemlerde öğrencilerin güçlü ve zayıf yönlerinin belirlenmesinde ve öğrencilerin başarısının arttırılmasında önemli bir yere sahip olabilir.
Investigation of financial applications with blockchain technology
This thesis focusing on utilizing machine learning (ML) and deep learning (DL) methodologies for forecasting cryptocurrency prices. The research concentrates on interpreting historical price data of prime cryptocurrencies, including Bitcoin, Ethereum, Dogecoin, USD Coin, Binance Coin, and Cardano. These virtual currencies demonstrate unique and unpredictable behavior; therefore, the need to understand their price dynamics is vital for making informed financial decisions. The essential objective of this study is to utilize various ML and DL techniques to construct tailored prediction models for each of these cryptocurrencies, aiding investors, traders, and financial institutions in making more precise and lucrative decisions in the rapidly evolving cryptocurrency market. The central tenet of this study is the use of diverse ML and DL algorithms to develop specialized prediction models for each cryptocurrency. Several techniques are deployed, such as LASSO (Least Absolute Shrinkage and Selection Operator), Linear Regression, Ridge Regression, Decision Tree, AstroML, Convolutional Neural Networks, Support Vector Machines, K-Nearest Neighbors, LSM (Least Squares Method), XGBoost Regression, and Gaussian Process Regression. These techniques were chosen based on their ability to handle complex non-linear relationships, missing values, and large data volumes. The approach was to model each cryptocurrency individually, recognizing that each might display unique characteristics and behaviors influenced by different external factors. The efficacy of these prediction models was evaluated using robust performance metrics like root mean square error (RMSE) and R-square. RMSE measures the average magnitude of the prediction error, providing an understanding of how accurately the model forecasts the prices, while R-square represents the proportion of the variance for the dependent variable that's explained by the independent variables in the model. These metrics allowed for a comprehensive and rigorous evaluation of the prediction models. The findings of the research provide a wealth of insights for various stakeholders in the cryptocurrency market. By demonstrating the effectiveness of ML and DL algorithms in predicting cryptocurrency prices, the research offers investors, traders, and financial institutions valuable tools to aid their decision-making processes. Furthermore, by comparing the performance of various models, it provides insights into which ML techniques are most suitable for cryptocurrency price prediction. Of particular interest is the outstanding performance of the Gaussian Process Regression in predicting cryptocurrency prices. This technique, known for its capability to handle a large number of predictors and complex relationships among variables, outperformed the other models tested. This highlights the potential of Gaussian Process Regression in predicting cryptocurrency prices, providing a promising direction for further research in the field.
Cloud based veins recognition and authentication using CNN
In the current digital landscape, numerous systems require a reliable recognition method to verify the identity of individuals accessing their services. As technology continues to evolve, there's an escalating demand for robust and secure biometric identification. With increasing advancements in the interface between humans and computers, new biometric modalities have emerged and gained traction. Among these, the finger vein has emerged as a particularly compelling area of research. The underlying rationale for this heightened interest is the unique characteristic of the human finger vein, its intricate structure, and the inherent difficulty in counterfeiting or stealing this information. This thesis delves deep into proposing a finger vein-based recognition system tailored for individual identification. The finger vein stands out primarily because of its distinctiveness. Each individual's finger vein pattern is intricate and different, almost akin to the uniqueness of a fingerprint but concealed within the body, making it a challenging target for malicious intents. Unlike external features like facial structures, fingerprints, or iris patterns, which can be potentially copied, mimicked, or stolen, the finger vein remains protected inside the finger, making it an optimal choice for biometric identification. The methodology of the proposed recognition system is built on a series of sequential processes. First, the acquired finger vein image undergoes a preprocessing stage. This initial step is essential to refine the image by removing any superfluous details and enhancing its core features. The color image is transitioned into a grayscale format, streamlining the data and eliminating any color-based anomalies. To accentuate the details and improve clarity, histogram equalization is employed. This technique amplifies the contrast, ensuring that the vital vein patterns stand out prominently. Once the image is preprocessed and enhanced, the system shifts focus towards feature extraction. The choice of feature extraction method is pivotal, as it directly impacts the subsequent identification accuracy. This research leverages the acclaimed Linear Discriminant Analysis (LDA) for this purpose. LDA, being one of the most prominent feature extraction techniques, ensures that the extracted features are not only distinct but also optimal for classification. The heart of the recognition system lies in its classification model. This research proposes a deep Convolutional Neural Network (CNN), renowned for its capacity to discern patterns and classify with astounding precision. The advantage of employing a deep CNN in this context is its capability to deliver high accuracy without necessitating extensive datasets. A notable outcome of this research is the exemplary recognition performance yielded by the deep CNN model. When tested on the SDUMLA-HMT finger vein dataset, the model achieved an accuracy of 99.65%. Meanwhile, on the UTFVP finger vein dataset, it further exceeded expectations with an accuracy rate of 99.72%. These results are a testament to the efficacy of the proposed model, underscoring the potency of using a 1-dimensional convolutional network combined with dense layers. Another significant contribution of this thesis is the amalgamation of LDA with the deep model. This fusion has demonstrated superior prowess, not just in terms of recognition accuracy, but also in training speed, ensuring a swift and efficient system. Lastly, to bridge the recognition system with the cloud database, the TCP/IP protocol is employed. This ensures that once an individual is recognized, their pertinent information can be swiftly retrieved from the cloud database. This integration not only augments the recognition system's functionality but also elevates its application potential in real-world scenarios.
An artificial intelligence system that detects infectious diseases in children
Accurate recognition and classification of images of pneumonia patients is critical to ensure diagnosis and treatment. Deep learning techniques such as Convolutional Neural Networks (CNN) showed an accuracy of 96.8% and CNN Long Term Memory (CNN LSTM) accuracy levels of 97% in this task. Models were evaluated using a dataset of 5856 classified images of pediatric pneumonia patients obtained from Kaggle. The data set was divided into training (70%), test (15%), and validation (15%) sets. Both CNN RF models achieved an accuracy of 92% and the CNN SVM an accuracy of 93% which contributes to useful resources for clinicians and radiologists. In addition, we explored the application of logical rules in our CNN FUZZY model, which showed results by making decisions based on probabilities and the accuracy was 96.5%. Feature extraction from images is a component of the modeling process that enables predictions based on patterns acquired with an optimizer. To improve performance, modifications were made to the Adams parameters. The evaluation of model performance included metrics such as recall, accuracy, and F1 score along with an evaluation of accuracy. These measures provide an assessment of the effectiveness of the models to help identify areas for improvement and serve as a reference for investigations. The high accuracy of the models demonstrates their ability to correctly classify pneumonia patients potentially enhancing patient outcomes. The evaluation scales used in this study provide an analysis of the strengths and weaknesses of the models emphasizing the importance of integrating these scales to ensure reliable and accurate performance, in real-world situations.
An approach in melanoma skin cancer segmentation with bat optimization algorithm
The evolution of computer methodologies, in tandem with rapid technological growth, has brought forth an array of applications in the medical field. Among them, the application of automatic image analysis in medical diagnosis and therapy is notably prominent. The modern era witnesses a significant shift in medical practices, largely influenced by the developments in the realm of medical image processing. This shift is steering the medical community towards the automatic detection of a myriad of traits, changes, diseases, and degenerative conditions, particularly through skin scans. Skin, being the largest organ of the body, often mirrors a host of internal diseases. It manifests various anomalies which when scrutinized can offer insights into underlying conditions. Modern skin image analyses capitalize on image processing techniques, catering to the identification and monitoring of disorders evidenced by alterations in skin structure. Among skin anomalies, melanoma, a type of skin cancer, remains a primary concern. Accurate detection of melanoma can facilitate early intervention, potentially saving lives. Yet, one of the prevalent challenges faced during melanoma image analysis is the accurate delineation of the cancerous region from the background. Such demarcation errors can critically affect the precision of diagnosis. The focus of many contemporary researches has been on this very challenge: finding the optimal boundary that accurately segregates the melanoma region from the rest of the image. This boundary detection issue is pervasive and has been a persistent hurdle in many scholarly endeavors. Our thesis, therefore, zeroes in on this pivotal challenge with an aim to achieve remarkable accuracy in the boundaries of melanoma skin cancer images. To address this, we explored the potential of the Bat Optimization algorithm, an innovative approach to optimization problems. While the Bat Optimization method has been applied in various other domains, its utilization for melanoma skin cancer detection remains uncharted. Leveraging the attributes of this algorithm, our study sought to determine the most fitting threshold value for melanoma skin cancer segmentation. This optimization led us to discern the most accurate area representing the cancerous section, paving the way for better diagnostic precision. Our study's methodology involved feeding melanoma images into the system, which employed the Bat Optimization algorithm to iteratively find the best threshold values. By doing so, the system was able to segment the image into potential melanoma regions and background. This approach allowed for a more nuanced and precise detection of melanoma regions, reducing the probability of false positives and negatives, which are commonly encountered when using traditional image segmentation techniques. For the purpose of result validation and to gauge the efficacy of our methodology, we employed a range of evaluation metrics. These included accuracy, sensitivity, specificity, Dice coefficient, and F1 Score. The results obtained were promising, with an accuracy of 99.8%, showcasing the prowess of our method. Sensitivity and specificity, which measure the true positive rate and true negative rate respectively, were obtained as 98.99% and 98.87%. The Dice coefficient, which measures the similarity between the predicted segmentation and the actual segmentation, stood at 98.45%. The F1 Score, representing the harmonic mean of precision and recall, was at an impressive 98.24%.
Noise removal from the image using convolutional neural networks-based denoising auto encoder
The increasing use of digital cameras and imaging devices has led to a surge in daily images, increasing the demand for high-quality images in fields like medical imaging and surveillance. However, noise poses a significant challenge in image processing and analysis, as it degrades image quality and disrupts the preservation of essential features like edges, corners, and textures. Traditional denoising techniques struggle to balance these challenges. In response to this challenge, this thesis introduces a novel approach to image denoising, utilizing a denoising autoencoder based on convolutional neural networks (CNNs). The core objective of this research is to develop a method that effectively reduces noise in digital images while preserving key features. This is achieved through a two-step process involving an autoencoder and a CNN. The initial phase of this process involves categorizing input images into training and testing datasets. This categorization is crucial for the subsequent training and evaluation phases of the model. The training phase employs a denoising autoencoder, a variant of the traditional autoencoder specifically designed for noise reduction. This autoencoder learns to reconstruct noise-free images from their noisy counterparts. The success of this phase is contingent upon the autoencoder's ability to capture the essential features of the images while discarding the noise. Following the autoencoder's training, the denoised images are then fed into a convolutional neural network. The CNN, renowned for its effectiveness in image recognition and processing tasks, further refines the denoised images. It does this by learning hierarchical representations of the data, enabling the extraction of more sophisticated features. The training of the CNN is a critical step in enhancing the overall quality of the denoised images. The testing phase involves evaluating the performance of the proposed system using the test dataset. This phase is pivotal in determining the efficacy of the model in real-world scenarios. The evaluation metrics employed are the Root Mean Square Error (RMSE) and the Peak Signal-to-Noise Ratio (PSNR), both standard in assessing image quality. To facilitate a comprehensive evaluation, the MATLAB programming language was used due to its extensive support for image processing and neural network functionalities. The experiments were conducted on two distinct datasets: the COVID-19 Radiography Database and the SIIM Medical Images Dataset. These datasets were chosen for their relevance in medical imaging, a field where the quality of images is critical. The results of the evaluation demonstrate the superiority of the proposed method over the baseline techniques. On the COVID-19 Radiography (CXR) dataset, the proposed method achieved an 8% improvement in PSNR and a 53% reduction in RMSE compared to the baseline method. Similarly, on the CT Medical dataset, the proposed method outperformed the baseline by 5% in terms of PSNR. These results are indicative of the method's efficacy in not only reducing noise but also in enhancing the overall image quality. One of the key strengths of the proposed approach is its versatility. While the research focused on medical imaging, the method is applicable to a wide range of domains where image quality is critical. Furthermore, the two-step process of using an autoencoder followed by a CNN provides a robust framework for denoising. The autoencoder effectively reduces noise while the CNN enhances the image features, resulting in a synergistic effect that significantly improves the quality of the images. Finally, this thesis presents a novel and effective approach to image denoising, leveraging the strengths of denoising autoencoders and convolutional neural networks. This research contributes significantly to the field of image processing, offering a promising solution to the ever-present challenge of noise in digital images.