Makine öğrenmesi yöntemleri ile el ve yüz analizi tahminlemesi

Kişi veya kurumlar tarafından kullanılan teknik altyapının güvenliği günümüzde büyük önem taşımaktadır. Güvenliğin sağlanması için birçok farklı yöntem bulunmaktadır ve bu yöntemler sürekli olarak geliştirilmekte ve güncellenmektedir. Bu önlemlerin alınmasındaki en kritik noktalardan biri ise bankacılık sektörüdür. Bankalardaki güvenlik açıklar hem müşterilerin hem de bankaların ciddi tehlikelerle karşılaşmasına neden olabilir. Bankalarda yapılan işlemler, kişisel ve mali bilgilerin olduğu hassas verileri içerir. Bu nedenle, bankalar müşterilerinin güvenliğini sağlamak için yoğun çaba sarf etmektedir. Ancak, bankalar müşterilerine kredi vermeden önce bir dizi değerlendirme yapmak zorundadır. Bu değerlendirmelerin bir kısmı, müşterinin finansal geçmişi ve kredi geçmişi üzerine odaklanırken, bir diğer önemli değerlendirme ise müşterinin kişilik analizidir. Bankalar, kredi kullandırmak istedikleri müşterilerin finansal sorumluluk sahibi olmalarını ve kredi taksitlerini zamanında ödemelerini istemektedirler. Ancak, müşteriler genellikle kredi başvurusu yaparken olumsuz özelliklerini gizlemeye çalışabilirler. Bu nedenle, bankaların güvenlik önlemlerini artırmak ve daha doğru değerlendirmeler yapabilmek için yapay zeka teknolojilerine başvurdukları gözlemlenmektedir. Son yıllarda, yapay zeka ile geliştirilen kişilik analizi çalışmaları, bankacılık sektöründe önemli bir yer edinmiştir. Bu çalışmalar, müşterilerin finansal davranışlarını ve kişilik özelliklerini daha doğru bir şekilde analiz etmeyi amaçlamaktadır. Bu sayede, bankalar daha güvenilir kredi kararları alabilir ve müşteri riskini daha iyi yönetebilirler. Bu nedenle, yapay zekâ destekli kişilik analizi çalışmalarına olan ihtiyaç giderek artmaktadır. İnsan yüzlerinin tespiti ve tanınması, güvenlik ve gözetim alanlarında kritik bir rol oynamaktadır. Yüz tanıma teknolojisi, çeşitli yöntemlerle geliştirilmekte ve sürekli olarak iyileştirilmektedir. Bu teknolojinin temel amacı, bir görüntüdeki insan yüzlerini algılayarak tanıyabilmek ve bu yüzleri önceden belirlenmiş bir veri tabanıyla karşılaştırarak kimlik tespiti yapabilmektir. Ayrıca, yüz tanıma teknolojisi kullanılarak kişinin yaşını, cinsiyetini ve hatta duygusal durumunu analiz etmek gibi çeşitli tahminlerde bulunulabilmektedir. Dünya üzerinde birçok kültür, gelecekteki yaşamı tahmin etmek için avuç içi falı okumanın kullanılabileceğine inanır. El falı olarak da bilinen bu sanat, avuç içindeki çizgileri ve desenleri inceleyerek kişileri önceden bilgilendirme ve tanımlama amacı güder. Avuç içi izi tanıma ise kişilerin kimliklerini ayırt etmek ve doğrulamak için kullanılan biyometrik bir tekniktir. Avuç içindeki benzersiz kabartılar, çizgiler ve diğer özellikler sayesinde kişilerin kimliklerinin tespit edilmesine olanak sağlar. Bu çıkıntılar ve çizgiler, embriyonik gelişim sırasında oluşur ve kişinin yaşamı boyunca nispeten değişmez; bu da avuç içi izinin biyometrik tanıma için ideal bir ölçüt olduğunu gösterir. Bu tez çalışmasının temel amacı, yüz algılama, yüz analizi ve avuç içi analizi gibi konular üzerine odaklanarak, bu alanlarda kullanılan yöntemleri incelemek, analiz etmek ve karşılaştırmaktır. Bu kapsamda yüz algılama, analizi ve kişilik analizi için bir uygulama geliştirilmiştir. Uygulama Python programlama dili ve ilgili kütüphanelerden yararlanılarak geliştirilmiştir. Uygulamanın kullanıcı arayüzü, tkinter gibi bir GUI kütüphanesi kullanılarak tasarlanmıştır. Bu arayüz, kullanıcının fotoğraf yükleyebileceği bir alanı içermektedir. Eğer yüklenen fotoğraf yüz görüntüsü içeriyorsa, sistem yüz analizi yapar ve çıktıları kullanıcıya sunar. Daha sonra, kişilik analizi için gerekli veri toplama süreci başlatılmış ve bu veriler avuç içi çizgilerine dayalı kişilik özelliklerini içerecek şekilde düzenlenmiştir. Literatürdeki benzer çalışmalar detaylı bir şekilde incelenerek hangi yöntemlerin en etkili olduğu üzerine analizler yapılmıştır. Yüz analizi için makine öğrenmesi kütüphanelerinden OpenCV ve DeepFace gibi kütüphaneler kullanılmıştır. OpenCv kütüphanesi açık kaynak kodlu görüntü işleme kütüphanesidir. Kullanılan OpenCV kütüphanesi, sistemimize verilen görüntüler üzerinde yüz tespiti yapabilme yeteneğine sahiptir. Bu sayede, kullanıcının girdi olarak sağladığı görüntüler taranır ve içlerindeki yüz görüntüleri algılanır. Bu algılama işlemi, görüntülerin piksellerini analiz ederek yüz özelliklerini tanımlama ve belirleme sürecini içerir. Bu şekilde, kullanıcılar sisteme yüz görüntüleri sağlayabilir ve bu görüntüler üzerinde çeşitli analizler yapabilirler. Bu özellik, projenin anahtar bileşenlerinden biridir. DeepFace kütüphanesi ise, Facebook tarafından geliştirilen açık kaynaklı bir yüz tanıma ve analiz çerçevesidir. DeepFace kütüphanesi yüz tanıma ve yüz analizi işlemleri için kullanılmıştır. Yüz analizi işlemi için analyze fonksiyonu kullanılmıştır. Bu fonksiyon, bir görüntünün içerdiği yüzün cinsiyet, yaş ve duygusal durumu gibi özelliklerini analiz eder. Fonksiyon, bir görüntünün dosya yolunu parametre olarak alır ve bu görüntüdeki yüzlerin özelliklerini tahmin eder. Çıktı olarak, her bir yüz için belirli özelliklerin değerleri içeren veriler döndürülür. Avuç içi analizinde makine öğrenmesi teknikleri kullanılarak, elde edilen veri seti üzerinde avuç içi analizi tahminlemesi yapılmıştır. Kullanıcılara yöneltilen sorularla gerçekleştirdiğimiz anket sonuçlarıyla elde edilen dijital veriler, öncelikle önişleme adımlarından geçirilmiştir. Anket verilerinin büyük bir kısmının metin tabanlı karakterlerden oluştuğu gözlemlenmiştir. Metinsel verilerin algoritmalarla işlenebilmesi için sayısal bir formata dönüştürülmesi gerekmektedir. Bu dönüşüm işlemi, her bir metinsel girdinin sayısal bir temsili olarak ifade edilmesini sağlar, böylece veri seti analiz için uygun hale getirilmiştir. Makine öğrenmesi teknikleri, araştırmanın amacına yönelik olarak, avuç içi çizgileriyle ilişkilendirilen kişilik özelliklerinin belirlenmesine ve analiz edilmesine olanak sağlayacaktır. Kullanıcıdan girdi değerleri olarak alınan hayat çizgisi, kalp çizgisi ve akıl çizgisi verilerine göre kişilik analizi yorumunda bulunulmaktadır. Çoklu sınıflandırma problemleri için etkili bir makine öğrenimi algoritması olan Random Forest sınıflandırıcı modeli ile gerekli hesaplamalar yapılmıştır. RandomForestClassifier sınıfı, RandomForest algoritmasını uygulayan bir sınıflandırıcıdır. Bu algoritma, birçok karar ağacını bir araya getirerek ve rastgele alt örneklem alarak bir tahmin yapar. Bu model, girdi verilerinin belirli kişilik özelliklerine karşılık gelip gelmediğini tahmin etmek için kullanılmaktadır. Random Forest algoritması özellikle karmaşık veri yapıları ve yüksek boyutlu veri kümelerinde etkili olduğu için bu algoritmanın kullanılması tercih edilmiştir. Bu kapsamda test verileri anket sonucu oluşturulan veri setindeki eğitim verileri ile karşılaştırılarak doğruluk oranı % 0.45 olarak bulunmuştur. Aynı zamanda elde edilen veri seti ile birlikte KNN makine öğrenmesi algoritması üzerinde de hesaplamalar yapılmıştır. Bu hesaplama sonucunda ise %38 MSE değeri elde edilmiştir. Ortalama doğruluk değerinin düşük olması, modelin veri setimizdeki örüntüleri yeterince iyi öğrenememiş olabileceğini göstermektedir. Bu çalışmanın olası çıktıları arasında, doğru tahminlenmiş cinsiyet, yaş, duygu analizi ve kişilik özellikleriyle kullanıcıya sunulan değerli bilgiler bulunur. Bu bilgiler, kimlik doğrulama sistemlerinde ve kişisel analizlerde önemli bir rol oynar ve kullanıcıların ihtiyaçlarını daha iyi anlamalarına yardımcı olur. Bu çalışma, yüz ve avuç içi analizleri üzerine yapılan araştırmalara yeni bir boyut kazandırır ve bu alanlardaki tekniklerin kullanımını artırarak kişilik tahminleme alanında daha etkili bir yöntem sunar.