26
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
A study of visual saliency for free-viewing and task-oriented condition
Görsel dikkat-çekerlik bilgisayar bilimlerinde genişçe çalışılan bir konudur. Görsel dikkat-çekerlik insanların görsel bir uyaranı, resim veya bir videonun çerçeveleri, izlerkenki görsel dikkatiyle alakalıdır ve görsel dikkat-çekerlik metotları insanların bakış sabitlemelerini doğru tahmin etmeyi hedefler. İnsanların insan görsel sistemi tarafından halihazırda, kapsamlı görü kabiliyetleri varken, dikkat-çekerlik yaklaşımları için bakış sabitlemelerini çabasız ve doğruca yakalamak kolay değildir. Bu sebeple, görüntüleme şartları veya görüntüleme amaçlarından etkilenen farklı görsel dikkat çeşitleri için farklı görsel dikkatçekerlik yakşaşımları olabilir. Bu tezde, sunumuş görsel-dikkat çekerlik metotlarını farklı görüntüleme şartları ve farklı dikkat tipleri, örn.: alttantepeye, tepeden-alta, için analiz etmeyi amaçladık. Alttan-tepeye görsel dikkat görsel uyaranın amaçsızca göz gezdirilmesidir. Tepden-alta görsel dikkat görsel uyaran içerikle alakalıdır ve izleyicinin uyaranı izlerken dikkate aldığı bir amacı vardır. Bu tezin ilk kısmında literatürdeki görsel dikkat-çekerlik metotlarını 2B masa üstü ve 3B sanal gerçeklik görüntüleme şartları için incelediğimiz çalışmamızı detaylandırdık. Tezin ikinci aşamasında tepeden-alta görsel dikkate ve izleyicilerin farklı amaçları için dikkat-çekerlik tahminlerini tek bir Üretici Çekişmeli Ağ yapısına entegre etmeye odaklandık.
Derin öğrenmeye dayalı nesne tespiti modelleri ile cilt kanseri tespiti
Çalışmada, YOLOv8, YOLOv11, YOLOv12 ve RT-DETR (Real-Time Detection Transformer) olmak üzere farklı derin öğrenme tabanlı nesne tespiti modelleri kullanılmış ve bu modellerin benign (iyi huylu) ve malign (kötü huylu) cilt lezyonlarını ayırt etmedeki başarı düzeyleri karşılaştırılmıştır. Araştırmanın hedefi, söz konusu modellerin doğruluk, hız, genelleme yeteneği ve gerçek zamanlı çalışma performansı açısından kapsamlı bir değerlendirmesini yapmaktır. Böylece, klinik uygulamalarda kullanılabilecek daha hızlı, güvenilir ve objektif bir erken teşhis sistemi geliştirilmesine katkı sağlanması amaçlanmıştır.
Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği
Su kaynaklarının etkin yönetimi ve sürdürülebilir kullanımı, günümüzün en kritik çevresel ve ekonomik sorunlarından biridir. Su kaynaklarının yönetimi, sadece mevcut ihtiyaçları karşılamakla sınırlı olmayıp, gelecekteki nesillerin de suya erişimini garanti altına almayı hedeflemektedir. Bununla birlikte, iklim değişikliği, aşırı hava olayları ve su talebindeki artış, bu yönetimi daha karmaşık hale getirmektedir. Su yönetimi, tarım, endüstri ve evsel kullanım gibi farklı sektörlerin ihtiyaçlarına yanıt vermek zorundadır ve bu da karmaşık bir planlama sürecini gerektirir. Artan nüfus, kentleşme ve iklim değişikliği gibi faktörler, su kaynaklarının yönetimini giderek daha karmaşık hale getirmektedir. Bu bağlamda, su tüketim miktarlarının doğru tahmini, su dağıtım sistemlerinin planlanması ve yönetimi açısından büyük önem taşımaktadır. Doğru tahminler, su kaynaklarının optimal kullanımı ve gereksiz israfın önlenmesi açısından hayati önem taşır. Su dağıtım ağlarında yaşanabilecek kayıpların önceden belirlenmesi ve su talebindeki ani değişimlere hızlı cevap verebilmek, su yönetiminin sürdürülebilirliğini artıran unsurlar arasındadır. Ayrıca, su tüketim tahminleri, altyapı yatırımlarının planlanması ve uzun vadeli stratejik kararların alınmasında önemli bir rol oynar. Bu çalışma, yapay zeka tekniklerini kullanarak su tüketim miktarlarının tahmin edilmesini amaçlamaktadır. Çalışmanın temel amacı, Kocaeli ilindeki farklı abone türlerinin (konut, ticari, resmi) su tüketim davranışlarını modelleyerek, daha doğru ve güvenilir tahminler üretmektir. Araştırmada, Kocaeli Su ve Kanalizasyon İdaresi Genel Müdürlüğü'nden (İSU) elde edilen veriler kullanılmıştır. Bu veriler, bölgedeki su tüketim alışkanlıklarını yansıtan kapsamlı bir veri seti sunmaktadır. 2016 Ocak ile 2022 Ağustos arasındaki dönemde, 5000 abonenin (3447 konut, 1422 ticari ve 131 resmi) aylık su tüketim verileri analiz edilmiştir. Bu abonelerin su tüketim alışkanlıkları, farklı özelliklerine (abone türü, tarife tipi, faaliyet alanı vb.) göre incelenmiştir. Özellikle konut abonelerinin aylık su tüketim tahminlerinin diğer gruplara göre daha düşük performans göstermesi nedeniyle, bu abone grubuna odaklanılmıştır. Konut abonelerinin tahmin performansını iyileştirmek amacıyla, günlük su tüketimi verilerine sahip 33 konut abonesine ait 3 Eylül 2019 ile 5 Kasım 2021 tarihleri arasındaki veriler de çalışmaya dahil edilmiştir. Günlük veriler, su tüketimindeki kısa vadeli değişimleri daha doğru bir şekilde yakalayabilmek ve tahmin performansını artırmak için kullanılmıştır. Bu veri seti, her aboneye ait günlük toplam su tüketim değerlerini, meteorolojik (sıcaklık, yağış, nem vb.) ve sosyo-ekonomik verileri (hafta sonları, tatil günleri, COVID-19 pandemisi vb.) içermektedir. Veri kalitesini sağlamak amacıyla, eksik veya tutarsız verilere sahip aboneler analiz dışı bırakılmıştır. Veriler, tahmin modellerine uygun şekilde hazırlanarak günlük tüketim tahminlerinde kullanılabilir hale getirilmiştir. Veri seti, farklı abone türlerini (konut, ticari, resmi) içermekte ve çeşitli faktörleri kapsamaktadır. Bu faktörler arasında tarife türleri, faaliyet türleri, hava durumu verileri, mevsimsellik ve COVID-19 pandemi verileri yer almaktadır. Çalışmada, bu faktörlerin su tüketimi üzerindeki önem dereceleri analiz edilmiş ve su tüketimini etkileyen en kritik unsurlar belirlenmiştir. Ayrıca, su talebinin mevsimsel olarak nasıl değiştiğini anlamak için sıcaklık, yağış miktarı ve nem oranı gibi meteorolojik değişkenler değerlendirilmiştir. Pandemi süresince değişen su tüketim alışkanlıkları ise özellikle konut aboneleri üzerinde belirgin bir etki yaratmış, ticari ve resmi aboneler arasında su kullanımında düşüşlere yol açmıştır. Çalışmada, Yapay Sinir Ağları (ANN) başta olmak üzere, Uzun Kısa Vadeli Bellek (LSTM) ve Kapılı Tekrarlayan Birimler (GRU) gibi çeşitli yapay zeka teknikleri uygulanmıştır. ANN modeli, girdi değişkenleri arasındaki karmaşık ilişkileri modelleme yeteneği ve farklı aktivasyon fonksiyonları ile ağ yapılarıyla uyarlanabilir olması nedeniyle tercih edilmiştir. Derin Öğrenme (DL) yaklaşımları da değerlendirilmiş, ancak ana odak noktası ANN modeli olmuştur. Veri artırma (data augmentation) teknikleri kullanılarak modelin farklı senaryolara uyum sağlaması ve daha tutarlı tahminler yapabilmesi hedeflenmiştir. Geliştirilen modeller, su tüketimini etkileyen faktörleri girdi olarak kullanarak, gelecekteki su tüketim miktarlarını tahmin etmek üzere eğitilmiştir. Veri ön işleme aşamasında, eksik verilerin tamamlanması, aykırı değerlerin tespiti ve giderilmesi, ve veri normalizasyonu gibi teknikler uygulanmıştır. Modellerin eğitimi için veri seti, eğitim, doğrulama ve test setlerine ayrılmıştır. Modellerin performansı, çeşitli istatistiksel metrikler (R², MSE, RMSE, MAE) kullanılarak değerlendirilmiştir. Sonuçlar, özellikle ANN modelinin, ticari ve resmi aboneler için yüksek doğrulukta tahminler yapabildiğini göstermiştir. Konut aboneleri için tahmin performansı nispeten daha düşük olmakla birlikte, yine de anlamlı sonuçlar elde edilmiştir. Pandemi döneminde, konut abonelerinin su tüketiminde belirgin bir artış gözlemlenirken, ticari ve resmi abonelerde düşüş yaşanmıştır. Çalışma kapsamında, farklı yapay zeka tekniklerinin performansları karşılaştırılmış ve her bir tekniğin güçlü ve zayıf yönleri analiz edilmiştir.
Web tabanlı veli bilgilendirme sisteminin geliştirilmesi
Devamsızlık özellikle ortaöğretim düzeyindeki öğrencilerin okul ile olan ilişkilerini olumsuz şekilde etkilemektedir. Devamsızlık yapan öğrencilerin motivasyon düşüklüğü, hedefsizlik, okula ve öğretmene karşı negatif tutum geliştirme gibi problemlerle karşı karşıya kaldıkları çeşitli çalışmalarda ortaya konulmuştur. Okul terklerine sebep olduğu da belirtilmiştir. Bu çalışmada okullardaki yoklama alma ve veli bilgilendirme işlemleri için yeni bir yaklaşım önerilmiştir. Geliştirilen web tabanlı veli bilgilendirme sistemi ile sabah/öğle ilk ders saatinde öğretmenler tarafından alınan yoklamalar sisteme işlenecek, tüm okuldaki yoklama kayıtları idare tarafından anında veliye gönderilecektir. Bu sayede veli öğrencinin okula gitmemiş olduğunu sabah hemen öğrenecek ve gerekli tedbirleri anında alabilecektir. Böylece hem okul öğrencinin okula gelmediğini en erken aşamada veliye bildirmiş olacak hem de veli öğrencinin gün içinde kontrolsüz bir şekilde okul dışında bulunmasına engel olacak tedbirleri alabilecektir. Sistem geliştirilmiş ve bir Mesleki ve Teknik Anadolu Lisesinde uygulanmıştır. Uygulama sonucunda veliler ile yapılan yarı yapılandırılmış görüşmelerin sonucuna göre veliler sistem hakkında olumlu görüş bildirmişlerdir.
Nesnelerin interneti tabanlı sürücü durumu tespiti
Sürücülerin yorgunluk, stres, uyku durumları ve benzeri fizyolojik durumlarının izlenmesi, yol güvenliğinin sağlanmasında önemli bir role sahiptir. Bu tez çalışmasında sürücü durumu tespitini sağlamak için hem çevrim dışı, hem de çevrim içi sistem önerilmektedir. Sürücülerde sürüş sırasında oluşan stres durumunu belirlemek için fizyolojik sinyaller kullanılmıştır. Fizyolojik sinyaller, elektrodermal aktivite (EDA) ve kalp hızı sinyallerinden oluşur. Önerilen çevrim dışı sistemde, hazırlanan deney ortamlarında 12 katılımcıdan, 20 oturumda alınan fizyolojik sinyaller ile veri kümesi oluşturulmuştur. Daha sonra veri kümesi makine öğrenmesi algoritmaları ile sınıflandırılarak çevrim dışı sürücü durumu tespiti sağlanmıştır. Veri kümesinin tamamının kullanıldığı çok katılımcıya ait veriler ile elde edilen sınıflandırma doğruluğu %80,1 olmuştur. Bunun yanında 5 farklı oturumda tek bir katılımcıdan alınan veriler ile elde edilen sınıflandırma doğruluğu %90 olarak bulunmuştur. Önerilen çevrim içi sistem ise nesnelerin interneti (Internet of Things - IoT) teknolojilerine dayanmaktadır. Çevrim içi sürücü durum tespiti ile sürücülerin fizyolojik sinyalleri gerçek zamanlı olarak uzaktan izlenebilir ve gerektiğinde çeşitli uyarılar oluşturulabilir. Bu tez çalışmasında önerilen çevrim dışı ve çevrim içi sistem ile sürücülerin stres durumları tespit edilebilmektedir. Bu sayede yol güvenliğine katkıda bulunulur. Ayrıca bu tezde son yıllarda popüler hale gelen IoT kavramı ve uygulama alanları incelenmiştir.
İletişim kalitesinin arttırılması için uzun mesafeli fiber optik ağların karakterizasyonu
Haberleşme teknolojisinde verinin hızlı ve eksiksiz olarak iletimi çok önemlidir. Artan veri iletimi ihtiyacı ve artan kullanıcı sayısı ile orantılı olacak şekilde kapasitesi artırılmış sistemler kullanılması gerekmektedir. Bu beklentilerin karşılanması için haberleşme teknolojisinde büyük oranda fiber optik iletişim sistemleri kullanılmaktadır. Fiber optik ağlar; yüksek bant genişliği, yüksek veri hızları ve çok uzak mesafelere kadar iletim kapasitesi ile en çok tercih edilen sistemler olmuşlardır. Fiber optik iletişim sistemlerinde modülasyon formatı, iletim mesafesi, veri hızı, modülatör seçimi, kanal sayısı gibi özelliklerin seçimi sistemin kapasitesi açısından oldukça kritiktir. Bir fiber optik iletişim sistemi tasarlanırken ilk olarak, elektrik sinyalinin optik sinyale nasıl dönüştürüleceğine karar verilir. Yarıiletken lazer gibi bir optik kaynağa elektrik sinyali uygulayarak doğrudan modüle edilebilir. Ya da yarıiletken lazer harici bir modülatöre bağlanabilir. Bu çalışmada; oluşturulan sistemde; 40 Gb/s için 16 kanal ve optik iletişimde birden çok ışık dalgaboyu kullanılarak aynı fiber üzerinden veri gönderimini sağlayan dalgaboyu bölmeli çoğullama (DBÇ) kullanılmış ve sinyal 300 km uzunluğunda tek modlu fiber (TMF) üzerinden gönderilmiştir. Sonrasında tasarımın alt elemanları incelenip, simülasyon ortamında iletim kalitesi; veri modülasyon tekniği, fiber uzunluğu, veri hızı ve iletilen kanal sayısı yönünden incelenerek kıyaslanmıştır. Sonuç olarak; sistemde modülasyon yöntemi olarak sıfıra dönmeyen (NRZ) modülasyonun, modülatör olarak Mach-Zehnder modülatörün tercih edilmesi, iletim mesafesinin azalmasının, kanal sayısının artmasının, veri hızının azalmasının iletişimi daha kaliteli hale getirdiği gözlemlenmiştir.
Derin öğrenme mimarileri kullanılarak ayrık video görüntüleri üzerinden işaret dili tanıma
İşaret dilleri, işitme ve konuşma engelli bireylerin günlük yaşamda kullandıkları ana iletişim ortamları olan görsel dillerdir. Çok sayıda kanal üzerinden aktarılan işaretlerin bilgisayarlı tanınması sayesinde, işitme ve konuşma engelli bireyler hem diğer bireylerle hem de makineler ile iletişimlerini doğal şekilde yapabileceklerdir. Bu tez çalışmasında, derin öğrenme kullanılarak ayrık işaret dili videoları üzerinden işaret dili tanıma gerçekleştirilmiştir. BosphorusSign veri kümesinin "genel" isimli alt kümesi kullanılarak yapılan çalışmada, öncelikle veri artırma ve önişleme parametrelerinin belirlenmesi için çalışmalar yürütülmüştür. Ardından çeşitli derin öğrenme modelleri kullanılarak yapılan deneyler sonucunda işaret dili tanıma için kullanılabilecek uygun bir model belirlenmiştir. Daha sonra işaret dilindeki çeşitli kanalları ifade etmek üzere çıkarılan farklı veri kiplerinin tek başlarına ve çeşitli birleşimlerle başarımları değerlendirilmiştir. Bu sayede çok kipli bir işaret dili tanıma için kullanılacak en uygun veri kipi kombinasyonu elde edilmiştir. Son olarak, deneyler sonucunda elde edilen parametreler ve veri kiplerini kullanan çok kipli bir işaret dili tanıma modeli önerilmiştir. Önerilen model, RGB, eklem ve optik akış kiplerinde toplamda 6 farklı veri akışını bir arada girdi olarak almaktadır. Model bünyesindeki birleştirme mekanizması ile veri akışlarından çıkarılan öznitelikler birleştirilmiş ve derin öğrenme tabanlı sınıflandırıcı katmanlara aktarılmıştır. Uçtan uca bir yöntemle eğitilen bütünsel işaret dili tanıma modeli, kullanılan veri setinde görülen en yüksek başarım olan %89,3 doğruluk sunmuştur. Önerilen çok kipli işaret dili tanıma modelinin işaret dili tanıma başarımını iyileştirme konusunda geliştirilebilir bir potansiyeli vardır.
Basitleştirilmiş mahalanobis mesafesi ve doğrusal korelasyona dayalı öznitelik seçimi kullanarak ağ anomali tespiti
Güvenlik, ağ saldırılarına ve izinsiz girişlere karşı sistemi korumak ve tedbirler almak açısından önemli bir rol oynamaktadır. Gelişen nesnelerin interneti ile birlikte güvenlik konusu daha da önem kazanmaktadır. Saldırı tespit sistemleri, güvenlik araştırmalarında yaygın olarak tercih edilmekte olup makine öğrenimi ve istatistiksel yöntemlere dayalı saldırı tespit sistemleri olmak üzere sınıflandırılmaktadır. İzinsiz girişleri tespit etmek için imzaya ve anomaliye dayalı olacak şekilde birçok teknik geliştirilmiştir. Saldırı tespit sistemlerinde anomalileri tespit etmede en büyük engel, sistemin karmaşıklığını artıran ve anomalilerin tespit oranını azaltan veri setinin yüksek boyutluluğa ve gereksiz özniteliklere sahip olmasıdır. Karmaşıklıktaki bu artış, ağ saldırılarını tespit etmek ve önlemek amacıyla yeni yaklaşımların geliştirilmesini gerekli hale getirmektedir. Bu çalışmanın temel amacı, geleneksel Mahalanobis mesafesi yerine daha az hesaplama karmaşıklığına sahip olan basitleştirilmiş Mahalanobis mesafesinin (SMD) uygulanması ve anomali tespiti için istatistiksel tabanlı yöntemlerin etkinliğinin araştırılmasıdır. Tüm deneyler büyük veri ölçeğinde yaklaşık 2,5 milyon kayıt sayısının mevcut bulunduğu UNSW-NB15 ağ veri seti üzerinde doğrusal korelasyona dayalı öznitelik seçimi (LCFS) ile SMD'yi birleştiren bir yaklaşım kullanılarak uygulanmıştır. Önerilen yaklaşımın deney bulguları incelendiğinde, saldırı tespit sistemleri için kritik öneme sahip düşük yanlış alarm oranının %0,88 ila %1,04 arasında olduğu ve en yüksek tespit oranının %99,94 olarak elde edildiği gözlemlenmiştir. Bununla birlikte, makine öğrenimine dayalı literatür çalışmalarıyla karşılaştırıldığında birbirine yakın sonuçlar elde edildiği görülmektedir. Literatüre katkısı bakımından incelendiğinde ise nesnelerin interneti alanına LCFS ve SMD'yi birleştiren anomali tabanlı bir yaklaşım sunulmuştur.
Denetçilerin bilgisayar destekli denetim araç ve tekniklerini kabulünü etkileyen faktörlerin belirlenmesi: Ampirik bir araştırma
Increasing use of Information Technologies in organizations both private and public, audit activities has become more complicated for audit bodies. At this stage, Computer Assisted Audit Tools and Techniques (CAATTs) provide many advantages to auditors to carry out their tasks in an effective and efficient manner in such an environment and expansion of CAATTs usage plays an important role for auditors and organizations. In order to increase usage of CAATTs, it is critical to know what factors are significantly affecting the adoption decision. In this respect, the main objective of this study is to reveal the factors affecting the Acceptance or Adoption of CAATTs by auditors. For this purpose, this study empirically explores the variables impacting use of CAATTs by Turkish auditors. As a result, a CAATTs adoption model is created in this study. In the scope of this study, firstly, studies related with the adoption of CAATTs were reviewed from 2000 to end of February 2019. This review gives information about past research on the field. At the end of the literature review, most significant factors affecting the CAATTs adoption are identified. Then, a technology adoption model and related hypotheses are proposed in the light of information derived from literature review. To test the hypotheses a quantitative method (questionnaire) is followed. Data is collected from auditors from Turkey. The model is tested using Structural Equation Modelling with Partial Least Squares (SEM-PLS). Inter-factor relationships are also introduced to the model after outcomes are obtained. At the end, the model's final version is developed and the most significant factors affecting the adoption of CAATTs by auditors are exposed.
Çoklu-yıl zaman serisi ürün haritalama
Recent automated crop mapping via supervised learning-based methods have demonstrated unprecedented improvement over classical techniques. However, most crop mapping studies are limited to same-year crop mapping in which the present year's labeled data is used to predict the same year's crop map. Classification accuracies of these methods degrade considerably in cross-year mapping. Cross-year crop mapping is more useful as it allows the prediction of the following years' crop maps using previously labeled data. We propose Vector Dynamic Time Warping (VDTW), a novel multi-year classification approach based on the warping of angular distances between phenological vectors. The results prove that the proposed VDTW method is robust to temporal and spectral variations compensating for different farming practices, climate and atmospheric effects, and measurement errors between years. We also describe a method for determining the most discriminative time window that allows high classification accuracies with limited data. We carried out tests of our approach with Landsat 8 time-series imagery from years 2013 to 2015 for classification of corn and cotton in the Harran Plain, and corn, cotton, and soybean in the Bismil Plain of Southeastern Turkey. In addition, VDTW was tested with corn and soybean in Kansas, the US for 2017 and 2018 with the Harmonized Landsat Sentinel data. The VDTW method improved the cross-year overall accuracies by 3% with fewer training samples compared to other state-of-the-art approaches including spectral angle mapper (SAM), dynamic time warping (DTW), time-weighted DTW (TWDTW), random forest (RF), support vector machines (SVM) and deep long short-term memory (LSTM).
NFC özellikli mobil cihazların kullanıldığı relay saldırılarını önleyen bağlama duyarlı bir güvenlik modelinin tasarımı
Near Field Communication (NFC) is a promising communication technology used in smart mobile devices. As an effective and flexible communication technology, NFC is frequently used in innovative solutions nowadays such as payment, access control etc. Because of the nature of these transactions, security is an important issue since NFC is used in critical applications such as payment and access control. There are several attacks mentioned in literature against NFC-enabled applications, yet, none of the security solutions offered provides sufficient protection for NFC enabled access control systems due to their static nature. In this context, the contribution of this work is threefold. First, we demonstrate how easy to perform such attacks implementing a relay attack in a realistic testbed. Second, we propose a context-aware security model for preventing relay attacks for NFC enabled mobile devices even if attackers compromise authentication tokens. Third, we prove the validity of our proposed security model both theoretically by formal verification and practically by the deployment of the model on a testbed infrastructure where we also analyze the performance in comparison to other approaches.
Yazılım tabanlı ağlarda istatistiksel çıkarım temelli yük dağılımlı yönlendirme
Networks have been the main method of transferring data for more than forty years. The traffic volumes and sizes of networks have increased considerably in the last two decades. The traditional methods used in the networks to transfer data become inefficient due to this growth. Therefore, network planning and smart delivery methods have gained importance. Accordingly, traffic engineering methods are deployed to meet the faster and more efficient delivery requirements. These methods have been proven beneficial and they are still being used on every level of networking. Recently, software defined networking redefined the architecture of networks and network devices. This new architecture paved the way for more flexible network and traffic management techniques. In this thesis, we propose a new routing method, which minimizes the maximum link utilization in the software-defined networks. The proposed method defines a new cost metric based on statistical inference to distribute load evenly in the network. The method is demonstrated, and its performance is evaluated on virtual software defined network topologies under various artificial network loads. The experiments show that the proposed algorithm achieves the even distribution of traffic and minimizes the maximum link utilization in software defined networks. Keywords: Software Defined Networks, Routing, Traffic Engineering, Minimization of Maximum Link Utilization, Statistical Inference
Nereden yiyorsan osun: Restoran menüsü ve kullanıcı yorumlarından sosyoekonomik statü tahmini
Our culinary habits and traditions have always been related to our social norms, culture, and even personal details such as personality. In this study, restaurant data related to pita and pizza restaurants from Ankara found on the leading online food ordering system in Turkey, Yemeksepeti, are collected, enriched with other data, and analyzed. Cuisine-specific lexicons are created to vectorize restaurant menus; biterm topic modeling is used to model user reviews; various education rates or realty listing prices are used as a proxy for socioeconomic status. Statistical tests and random forest models are used to see the relationship between restaurants and their cuisine or location characteristics. The findings suggest that restaurant data can be used to some extent to make predictions about the district and the socioeconomic status of the district or the neighborhood. They also reveal that menu and statistical features are more distinguishing for pizza restaurants while comment and statistical features are more distinguishing for pita restaurants. It is found that pita restaurants are menu-wise less diverse and more similar to each other, neighborhood-wise more diverse, and they are more about getting the monetary value while pizza restaurants care more about menu curation. While side dish preferences and satisfactions for pita restaurants may be tied to the socioeconomic status, pizza restaurants respond more to user reviews when they are located in a higher status neighborhood. This study also provides some implications and further questions for future studies.
Ham petrol rafinerilerinde vekil model kullanılarak eniyilenmiş aşınma engelleme
Energy demand in the world is increasing day by day, which makes energy markets extremely competitive. Crude oil refineries have to adapt to this competition like other players in the energy field. Corrosion is a common problem in crude oil refineries. Production may need to be stopped for maintenance to fix problems caused by corrosion. These stops cause businesses to miss their production target and lose their competitive advantage. Today, it is known that the salts in crude oil play an important role in corrosion. Even though there are several methods to remove salts in the crude oil, these methods are not perfect. For this reason, chemicals such as neutralizers, corrosion inhibitors, and caustic soda are used to reduce the corrosive effect of salts. However, using these chemicals in the inappropriate amounts can increase the corrosion or create a coke in the tanks that affects the production and needs to be cleaned. Therefore, the amount of chemicals to inject should be determined carefully. If this is performed manually by field operation staff based on heuristic approaches, it may lead to failures. Carrying out the decision-making process with a data-driven analytical method may provide more successful results and enable optimizations. Yet, developing analytical methods is seen as a costly and challenging way due to the complex nature of crude oil refineries. Using surrogate models instead of theoretical models can reduce costs and make the development process more manageable. To this end, we propose a method that optimizes the amount of chemicals added to prevent corrosion in crude oil refineries using an analytical method that relies on surrogate models. In order to evaluate the applicability and performance of the proposed method, an application was carried out in a refinery, and positive results were observed in the short term.
Çift kimlikli sanal marka topluluklarında hangisi daha önemlidir: markaya bağlılık ya da topluluğa bağlılık
Online Brand Community (OBC) has been a relatively novel and attractive phenomenon in marketing and in the academics thereof, due to its business implications. In this study we define a new type of online brand community: 'dual identity' OBC's, and examined the attitudinal mechanism in these type of brand communities. In the relational context of an OBC two objects of commitment, brand and community commitment play role in this interaction. This study investigates how the two commitments are generated with their unique antecedents and how they contribute to certain business outcomes, namely as future purchasing intention and community participation intention. We used a mixed method design, explanatory sequential design as the research methodology of this study. In the quantitative part, we used Structural Equation Modeling technique to test our proposed model and the data (n=1256) were collected from the OBC of a retailing firm that operates country-wide in Turkey. Than in the qualitative part of the study we employed netnographic approach to analyze the community's Facebook page, to have a deeper understanding of the nature of interaction within the community. Results have shown that brand realm and community realm, though they show strong coherence within, operate relatively distinct both for their antecedents and outcomes. Especially in the outcomes side, brand commitment did not have a positive effect on the community participation intention and community commitment did not yield to re-purchase intention directly, rather it contributed to re-purchase intention through the mediation of brand commitment indirectly.
Hiperspektral görüntülerde optimizasyon ve derin öğrenme tabanlı çok modelli bolluk tahmini ve ayrıştırma algoritmaları
Hyperspectral unmixing aims to identify the materials within the pixels of an image and estimate the corresponding abundance values of these materials. This thesis proposes an optimization based abundance estimation method for the case where the spectral signatures of the materials are available, and a deep learning based hyperspectral unmixing method for the case where the spectral signatures of the materials are unavailable. The proposed abundance estimation algorithm assumes that real data can contain complex interactions that cannot be modeled with a single model, and therefore, use multiple mixing models for determining the abundance of real data. The proposed optimization-based coarse-to-fine estimation algorithm first adopts a linear mixing model for the tested pixel until the error between the reconstructed and original pixel is smaller than a threshold. The algorithm then proceeds by integrating the other nonlinear mixing models to the cost function. Among various utilized optimization algorithms and metrics, the proposed solution with the sequential quadratic programming and spectral angle mapper combination is found more successful than other search methods and baseline algorithms. As the second contribution of this thesis, a new 3D convolutional encoder based deep learning method is proposed for hyperspectral unmixing by observing that the local neighborhood information is not sufficiently used for the unmixing problem in hyperspectral images. Given that nonlinear mixing has not been adequately covered in deep learning based hyperspectral unmixing literature, the proposed method is especially designed to solve the nonlinear mixture models with the 3D convolutional encoder structure. The proposed method gives better performance than the well-known pure material extraction and abundance detection algorithms on synthetic and real data.
Nesne temelli ses için küresel harmonik tabanlı akustik sahne analizi
Object-based audio relies on elemental audio signals from individual sound sources and their associated metadata to be reconstructed at the listener side. While defining audio objects in a production setting is straightforward, it is not trivial to extract audio objects from more realistic recording scenarios such as concerts. Thus, existing object-based audio standards also define scene-based formats alongside objectbased representations that provide immersive audio, but without the flexibility provided by object-based audio. Presently, there is no reliable approach to transcode from scene-based format to object-based format. This thesis aims to develop acoustic scene analysis techniques to extract the directions of arrival of active sources and separate them from scene-based audio representations. Two DOA estimation methods and three source separation methods that use signals from rigid spherical microphone arrays are proposed for this purpose. The proposed methods allow analyzing scenes comprising multiple coherent or nearly coherent sources in highly reverberant and non-reverberant environments. We describe the algorithms, assess their performance objectively and subjectively and analyse their computational requirements.
Dinamik sembolik uygulama ve API çağrı sıralamaları kullanarak ikili programlarda zararlı davranış tespiti
Program analysis becomes an important part of malware detection as malware become stealthier and more complex. For example, modern malware may detect whether they are under analysis and they may use certain triggers such as time to avoid detection. However, current detection techniques turn out to be insufficient as they have limitations to detect new, obfuscated, and intelligent malware. In this thesis, we propose a behavior based malware detection methodology using API call sequence analysis. In our methodology, we combine dynamic symbolic execution and API function models to extract call sequences of a given binary program and decide whether it has a malicious sequence. In our experiments, we showed that our methodology is capable of detecting malware hiding behind evasion techniques and our methodology is applicable to a real-world problem.
Veri bilimi kabiliyet olgunluk modeli
Today, data science presents immense opportunities in attaining competitive advantage, generating business value, and driving revenue streams for organizations. Data science has also significantly changed our understanding of how businesses should operate. In order to survive, it is now indispensable for a contemporary organization to adopt data science as part of its business processes. However, organizations face difficulties in managing their data science endeavors for reaping these potential benefits. This has led to the need for a comprehensive and structured model to continuously assess and improve the maturity of data science capabilities of organizations. This thesis seeks to address this problem by proposing a theoretically grounded Data Science Capability Maturity Model (DSCMM) for organizations to assess their existing strengths and weaknesses, perform a gap analysis, and draw a roadmap for continuous improvements. DSCMM comprises six maturity levels from "Not Performed" to "Innovating" and twenty-eight data science processes categorized under six headings: Organization, Strategy Management, Data Analytics, Data Governance, Technology Management, and Supporting. The applicability and usefulness of DSCMM are validated through a multiple case study conducted in organizations of various sizes, industries, and countries. The case study results indicate that DSCMM is applicable in different settings, is able to reflect the organizations' current data science maturity levels and provide significant insights to improve their data science capabilities.
Model kontrolcüsü SPIN ile labirent benzeri oyun seviyelerini doğrulamak
In this thesis, we present a new methodology that includes procedural generation and verification of maze-like game levels. The methodology employs a model checker, called SPIN, in order to both produce a winning sequence of actions and to formally verify custom game design properties. In order to verify a game level, we propose automated tailoring on template game models, considering the level-in-test, specifically designed according to the game rules. By leveraging the counterexample generation feature of SPIN, we find one or more solutions to the level-in-test, and use PyVGDL to animate the solutions. In order to show this methodology's effectiveness, we conducted five different experiments. These experiments include performance comparisons in level solving between the proposed and existing methodologies, A-star search Monte Carlo tree search, and demonstrations of the proposed approach's usage to verify a game level with respect to existing requirements. The work also includes a pipeline for the generation of maze-like puzzle levels that includes two levels of cellular automata.
Derin sinir ağları kullanılarak 3B modellerın üretilmesi ve düzenlenmesi
Artificial intelligence (AI) and particularly deep neural networks (DNN) have become very hot topics in the recent years and they have been shown to be successful in problems such as detection, recognition and segmentation. More recently DNNs have started to be popular in data generation problems by the invention of Generative Adversarial Networks (GAN). Using GANs, various types of data such as audio, image or 3D models could be generated. In this thesis, we aim to propose a system that creates artificial 3D models with given characteristics. For this purpose, we focus on latent modification and generation of 3D point cloud object models with respect to their semantic parts. Different to the existing methods which use separate networks for part generation and assembly, we propose a single end-to-end Autoencoder model that can handle generation and modification of both semantic parts, and global shapes. The proposed method supports part exchange between 3D point cloud models and composition by different parts to form new models by directly editing latent representations. This holistic approach does not need part-based training to learn part representations and does not introduce any extra loss besides the standard reconstruction loss. The experiments demonstrate the robustness of the proposed method with different object categories and varying number of points, rotations and scales. The method can generate new models by integration of generative models such as GANs and VAEs and can work with unannotated point clouds by integration of a segmentation module.
Bizans saldırısına dayanıklı federe öğrenme
In federated learning (FL), collaborators train a global model collectively without sharing their local data. The local model parameters of the collaborators obtained from their local training process are collected on a trusted server to form the global model. In order to preserve privacy, the server has no authority over the local training procedure. Therefore, the global model is vulnerable to attacks such as data poisoning and model poisoning. Even though many defense strategies have been proposed against these attacks, they often make strong assumptions that are not compatible with the characteristics of FL. Moreover, these proposals have not been analyzed thoroughly. In this thesis, I propose an assumption-free defense mechanism called Byzantine Attack Robust Federated Learning (BARFED). BARFED does not make assumption about federated learning setting such as malicious collaborator ratio, the data distributions of the collaborators, and gradient update similarity. BARFED examines the distance between the global model and the local models of the collaborators on a layer basis and decides whether the collaborators will participate in the aggregation rule step phase based on the status of being an outlier. In other words, only the collaborators that are not labeled as outliers in any layer of the model architecture can participate in the aggregation step. I have shown that BARFED provides a robust defense against different attacks by performing comprehensive experiments that cover many aspects such as data distribution and whether attackers are organized or not.
Sosyal medyada popülerlik tahmini için yeni bir ön işleme iş akışı
Users in Twitter are in continuous interaction with each other through posts and reactions such as likes and retweets. Tweets often get a little reaction from people, with only a few of them receiving a prominent response. Thus, reaction numbers result in having a heavy right-skewed distribution. Furthermore, some tweets show unexpected response performance that cannot be depicted by standard features and are often dependent on extraordinary situations such as being the first reporter and mass reaction. Heavily skewed distribution of social media dataset and variation between expected and the observed reactions are mainly two distorting factors for model prediction. This thesis initially addresses the concept of outliers and uncertainty in reaction numbers in social media datasets. A method for identifying social media outliers is proposed, and the adverse effects of outliers on modeling are presented. Finally, a SMOTE-based data augmentation method, where a discretization is applied and synthetic data is generated predominantly from the clusters with fewer instances, is presented. The results show that the models where outlier removal and data augmentation are applied achieve slightly better prediction performance than those constructed without them. This research presents practical implications for studies that aim to predict the popularity of tweets.
Taramalı elektron mikroskobu görüntülerinde mitokondrilerin otomatik olarak bölütlenmesi
Many studies have shown that shape of mitochondria indicates the occurrence of diseases. Scanning Electron Microscopy (SEM) enables to obtain image of internal structures of the cell and mitochondria. Automatic segmentation of mitochondria contributes to the decision of diseases by specialists. There is limited study about automatic segmentation of mitochondria in Serial Block-Face Scanning Electron Microscopy (SFBSEM) images. SBFSEM imaging technique provides full automation, well registered images, less time and less effort for data acquisition. Therefore, SBFSEM imaging technique is selected for this study. Recently, deep learning methods have been implemented for image processing of SEM datasets. However, due to requirement of huge datasets, much effort and powerful computers for preparing testing and training data, energy based model is implemented for this study. The algorithms used in this thesis are primarily the algorithms developed by Tasel et al for mitochondria segmentation in TEM images. The method includes preprocessing, ridge detection, energy mapping, curve fitting, snake-based shape extraction, validation and post-processing steps. In this thesis, these algorithms are adapted and refined for SBFSEM images to obtain optimum performance. Evaluations are made by using Dice Similarity Coefficient (DSC), precision, recall and F-Score metrics.
Speaker voice recognition using feature selection and SVM classification
Gender recognition based solely on the speaker's voice is a fairly simple task for any human being, however, it's not as simple as it is for humans compared to any computing systems, the task requires multiple tedious processes of feature recognition and selection, and multiple computational processes to acquire such experience in gender recognition. neural networks (NN) has always been the best choice when it comes to image and audio classification and other pattern analysis tasks, the accuracy and precision of the output results widened the prospect of utilizing the different ANN variations in voice recognition, in this paper we present a system design for using K-nearest neighbor network to further enhance the results of the gender detection results by the voice recognition process.
Varlık isimleri arasındaki ilişkiler kullanılarak haberlerin öbeklenmesi
Haberlerin öbeklenmesi, birbirleriyle içerik olarak benzer olan haberlerin bir araya getirilmesi işlemidir. İnternet'in büyümesiyle çok dağıtık ve devamlı güncellenen haberlerin öbeklenmesi önemli bir problemdir. Bu problem için çok çeşitli çalışmalar yapılmaktadır. Bu çalışmaların başında Google News gelmektedir. Google News, dünya genelinde binlerce kaynaktan haberleri topladıktan sonra, birbirleriyle ilgili olanları kümeleyip kullanıcıya sunar. Haber öbekleme probleminin çözümü için en bilindik yöntem "bag of words" yöntemidir. Bu yöntem, doküman içinde geçen kelimelerin sıklıklarına bakarak öbekleme yapmaktadır. Son zamanlarda haberleri Wikipedia ve WordNet gibi kaynaklardan çıkartılan bilgilerle ilişkilendirerek öbekleme yapan yöntemler de vardır. Bu yöntemlerin "bag of words" yöntemine göre daha iyi sonuç verdiği gözlemlenmiştir. Anlamsal ağın (Semantic Web) gelişiyle birlikte internet artık bir dokümanlar ağından (web of documents), bir veri ağına (web of data) dönüşmektedir. Bu teknoloji internette aranılan bilgiye daha hızlı bir şekilde erişmemize olanak sağlayacaktır. Açık Verilerin Bağlanması (Linking Open Data) projesi, internette açık verilerin semantik web yaklaşımı ile yayınlanması ve birbirine bağlanması için geliştirilen bir projedir. Bu proje sayesinde semantik web veri ağı ve bağlı veriler (linked data) gün geçtikçe büyümektedir. Bu bağlı veriler (linked data), pek çok bilgi çıkarma ve yapay zeka uygulamasında kullanılmaya başlamıştır.Bu tez çalışmasında, haberlerde geçen ve bağlı verilerde (linked data) bulunan varlık isimlerinin (yer, kişi, olay, vb.), birbirleriyle olan anlamsal ilişkilerini kullanarak haber öbekleme problemine yeni bir yaklaşım geliştirilmiştir. Yaptığımız testler geliştirdiğimiz yaklaşımın ?bag of words? yöntemine göre daha iyi sonuçlar verdiğini göstermektedir.Anahtar Kelimeler: Varlık İsmi, Haber öbekleme Anlamsal Ağ(Semantic Web), Açık Veri (Linked Data)