3,198
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Sosyal medyada kullanıcı gizliliğini korumak için taraf tespiti görevinde dönüştürücü dil modellerini yanıltma yöntemleri
Doğal dil işleme alanındaki heyecan verici yeni gelişmeler dillerin karmaşıklıklarının daha iyi anlaşılmasını, metinler üzerinden yapılan anlam çıkarımları ve analizlerle daha başarılı sonuçlar ortaya koyulmasını sağlamıştır. Doğal dil işleme modelleri için geniş veri kümeleri sunan sosyal medya platformlarının kullanımı her geçen gün artarak insanların günlük hayatlarının önemli bir parçasına haline gelmiştir. İnsanlar, sosyal medya platformları üzerinden paylaştıkları metinlerde duygularını, düşüncelerini, deneyimlerini ve kendileriyle ilgili kişisel birçok bilgiyi ifade edebilmektedir. Yapay zekâ modellerinin, bu verileri insanların takip edilmesinde kullanabilmesi, kullanıcılarda önemli gizlilik endişelerini de beraberinde getirmiştir. Bu tez çalışmasında, sosyal medya platformlarını kullanan bireylerin yapay zekâ modelleri tarafından tespit edilememeleri için yapabileceklerini araştırıyoruz. Araştırmamızda birçok konuda kullanıma açık olan taraf tespiti görevini çeşitli konulardaki Türkçe ve İngilizce veri kümeleriyle ele alıyoruz. BERT ve BERTurk tabanlı dönüştürücü modellerini, yanıltmak amacıyla yeniden ifade etme ve kasıtlı yazım hataları yapma tabanlı yöntemler öneriyoruz. Önerilen 13 farklı yöntemin modellerin performanslarını etkileme seviyelerine göre etkinliklerini araştırıyoruz. Deneylerimiz sonucunda, yazım hataları karşısında BERT ve BERTurk tabanlı modellerin performanslarının belirgin bir şekilde düştüğü gösterilmiştir. Yazım hatalarına yönelik yöntemlerden iki dilde de en etkili yöntemlerin görsel olarak benzer karakterleri birbirleri yerine kullanma, boşluk ekleyerek kelimeyi bölme ve kelimelerdeki harflerin sıralarını karıştırma olduğu sonucuna ulaşılmıştır. Fakat bunula birlikte, yeniden ifade etme yöntemlerinin bu modellerin performanslarını etkileme konusunda başarılı olmadığı görülmüştür. Yöntemlerin uygulanmasında manuel ve otomatik olmak üzere iki farklı yöntem kullanılmıştır. Yöntemlerin otomatik uygulanması sonucunda elde edilen metinlerin hâlâ eski anlamlarını koruyarak okunabilir olması istenmiştir. İki değerlendirici tarafından bu kontroller sağlanmış olup harf sıralarını karıştırma, hashtag silme ve boşluk ekleme yöntemleri kullanılarak yapılan otomatik değişiklikler sonucunda okunurluğun azalması ve anlam değişmeleri gibi durumlar tespit edilmiştir. Bu sebeple bu yöntemlerin uygulanması konusunda daha dikkatli olunması gerektiği sonucuna ulaşılmıştır. Diğer bir nokta ise hashtag'lere dayalı yöntemlerde hashtag seçimleri oldukça önemli olup modellerin daha iyi performans göstermesine de sebep olabilmektedir. Bununla birlikte hashtag silme ve hashtag kullanılmaması çoğu durumda daha etkili sonuçlar vermiştir. Önerdiğimiz yöntemler ve elde ettiğimiz sonuçlar, bilgi ve gizliliklerini yapay zekâ modellerinden korumak isteyen kullanıcılar için yol gösterici nitelik taşımaktadır.
Heterojen çizge sinir ağlarında kontrastlı öğrenme tabanlı öneri sistemi
Son yıllarda dijital platformlardaki etkinlik artışı, öneri sistemlerine olan ilginin büyümesinde önemli bir rolü vardır. Kullanıcı tercihlerinin çeşitlenmesi, geleneksel öneri yaklaşımlarının sınırlarını zorlamakta ve bu alandaki yenilikçi araştırmaları hızlandırmaktadır. Çizge Sinir Ağları'nın (GNN) çeşitli birçok uygulama alanında elde ettiği başarılar ve öneri sistemlerindeki verinin yapısal uygunluğu, GNN tabanlı öneri modellerine yönelik ilgiyi arttırmıştır. Kullanıcı ve ürün arasındaki yüksek dereceli etkileşimleri başarıyla yakalayan bu sistemler, hâlâ veri seyrekliği gibi önemli sorunlarla karşı karşıyadır. Bu soruna çözüm olarak, kullanıcıların sosyal ağlarından yararlanarak öneri performansını artırmaya çalışan sosyal öneri yöntemleri literatürde yer almaktadır. Bu tez, kullanıcıların sosyal ilişkilerinin yanı sıra ürünlerin kategorik ilişkilerini de entegre eden yenilikçi bir heterojen yapılı model sunmaktadır. Model basit ve sade yapısı ile kullanıcı-ürün çizgesini, kullanıcı-kullanıcı sosyal ağ çizgesini ve ürün-kategori hiper çizgesini kullanarak öneriler sunar. Ayrıca, kontrastlı öğrenme mekanizmasıyla farklı görünümdeki temsil vektörleri arasında uyum sağlayarak modelin etkinliğini artırır. Yapılan kapsamlı deneyler, modelin temel modellere göre üstün performans sergilediğini göstermektedir. Bu çalışma, öneri sistemleri alanına önemli bir katkı sağlamakta, heterojen yapılı çizge sinir ağları ve kontrastlı öğrenmeye dayalı öneri sistemlerinin potansiyelini ortaya koymakta ve gelecekteki araştırmalara yeni bakış açıları sunmaktadır.
Kısmi yük yenileme tekniği ile satırdarbesi önleme mekanizmalarının performansının iyileştirilmesi
Modern DRAM çiplerinde gerçekleşen okuma hataları, bellek yalıtımını bozabilen yaygın bir zayıflıktır. Bellek yalıtımı, bellek güvenliği ve güvenilirliğinin temel yapı taşlarından biridir. SatırDarbesi zafiyeti, DRAM'deki okuma hatalarına önemli bir örnektir; burada DRAM hücrelerinin bir satırına (DRAM satırı) tekrar tekrar erişmek (darbeleme), fiziksel olarak yakın DRAM satırlarında (kurban satırlar) bit hatalarına neden olur. Ne yazık ki, teknoloji düğüm boyutunun küçülmesi SatırDarbesi zafiyetini kötüleştirir ve böylece, daha yeni DRAM çip nesillerinde daha az erişim yaparak SatırDarbesi bit hataları oluşturulabilir. Güvenilir DRAM kullanımı için, son teknoloji SatırDarbesi önleme mekanizmaları potansiyel kurban satırlardaki DRAM hücrelerinin yükünü yeniler (önleyici yenileme ya da yük yenileme). Gerçekleştirilen bu önleyici yenileme operasyonu DRAM çipini bir süre kilitleyerek performans kayıplarına yol açar. Daha yeni DRAM çip nesilleri ile bu mekanizmalar önleyici yenilemeyi daha sık gerçekleştirir ve daha büyük performans kayıplarına neden olur. Güvenilirlik ve güvenlikten ödün vermeden bu kaybı azaltmak için bizim amacımız, önleyici yenileme için harcanan zamanı azaltmak ve bu azaltılmış zamanın SatırDarbe zafiyeti üzerindeki etkisini anlamaktır. Bu amaçla, gerçek DRAM çiplerinde veri tutma süresi, yük yenileme ve SatırDarbesi zafiyetinin özellikleri arasındaki etkileşimlere dair ilk kapsamlı deneysel çalışmayı sunuyoruz. Üç büyük DRAM üreticisinden toplam 388 DDR4 DRAM çipini test ediyoruz ve bir yük yenileme operasyonunun gecikmesinin önemli ölçüde azaltılabileceğini (%64 oranında) ve dolayısıyla, biraz daha fazla (%0,54 oranında) önleyici yenileme operasyonu gerektireceğini gözlemliyoruz. Bu gözlemimizi kullanarak, yük yenileme gecikmesini dinamik olarak ayarlayan, mevcut SatırDarbesi önleme mekanizmalarının saldırganlığını düzenleyen ve bellek kontrolcüsü tabanlı düşük maliyetli bir mekanizma olan Kısmi Yük Yenileme ile Agresif Önleme'yi (PaCRAM) öneriyoruz. PaCRAM'i beş son teknoloji SatırDarbesi önleme mekanizması ile kullanarak önleme mekanizmalarının performans (enerji) kayıplarını sırasıyla ortalama olarak %18,95 (%14,59), %12,28 (%11,56), %2,07 (%1,15), %2,56 (%2,18) ve %5,37 (%4,50) oranında azaltarak sistem performansını ve enerji verimliliğini önemli ölçüde artırıyoruz.
Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Bu tez çalışmasında, elektrikli otobüslere ait CAN (Controller Area Network) Bus verileri kullanılarak çizge tabanlı öznitelik seçim yöntemi ile sistemin özellikleri arasındaki ilişkiler analiz edilmiş ve üretici tarafından hedeflenen alarmların yapay zekâ teknikleri ile kestirim performansı araştırılmıştır. Araştırmada belli bir süre boyunca, farklı araçlardan elde edilen CAN Bus verileri kullanılmıştır. Ham veri paketleri üzerinde kapsamlı ön işleme teknikleri uygulanmış ve makine öğrenmesi modellerinin yapısal ihtiyaçlarına uygun veri setleri oluşturulmaya gayret edilmiştir. Bu süreçte Pearson korelasyon analizi, Cramer's V istatistik tablosu ve Anova F-testi gibi istatiksel filtreleme yöntemleri ve InfoMap, Leiden, Louvain, Fast Greedy gibi optimizasyon tabanlı topluluk tespiti algoritmaları kullanılarak, hibrit çizge tabanlı öznitelik seçim aracı geliştirilmiştir. Geliştirilen araç kullanılarak özellik altkümeleri belirlenmiş, özelliklerin ilişkisel konumu ve hedeflenen alarmlarla ilişkileri değerlendirilerek ayırt edici öznitelikler seçilerek boyut azaltımı yapılmıştır. Makine öğrenmesi modellerinin seçilmesinde, Destek Vektör Makinesi (SVM), Rastgele Orman (RF), eXtreme Gradient Boosting (XGBoost), Uzun Kısa Süreli Bellek (LSTM), ve Tekrarlayan Sinir Ağları (RNN) modelleri dahil olmak üzere sinir ağı mimarileri ve geleneksel sınıflandırıcılar uygulanarak performansları değerlendirilmiştir. Sınıf dengesizliğinin modellerin performansındaki etkisini minimize etmek için SMOTEEN (Synthetic Minority Oversampling Technique-Edited Nearest Neighbours) ve ikili arama tabanlı zaman aralığı örnekleme (binary search based time interval down-sampling) yöntemleri uygulanmıştır. Her modelin en iyi ayırt edici sınıflandırıcı uzayını bulmak için Izgara Arama (Grid Search) ve Rastgele Arama (Random Search) tabanlı hiperparametre optimizasyonu (Hyperparameter tuning) yapılmıştır. Geliştirilen modellerin performansları geçerleme (validation) metrikleri esas alınarak değerlendirilmiştir. Modellerin kestirimleri özniteliklerin ağırlıkları incelenerek ve LIME (Local Interpretable Model-Agnostic Explanations) aracı kullanılarak açıklanmaya çalışılmış, kestirimleri tetikleyen öznitelikler belirlenmiş ve sistemin işleyişi (tasarımı) ile ilgili içgörüler elde edilmiştir. Bu çalışma kapsamında CAN Bus verileri kullanılarak araçlardaki belli alarmların makine öğrenmesi teknikleri ile kestirim performansı araştırılmış, çizge tabanlı bir öznitelik seçme aracı geliştirilerek düzeltici, önleyici, kestirimci ve proaktif bakım (tasarımın iyileştirilmesi) yaklaşımlarının iyileştirilmesine yardımcı olacak şekilde öznitelikler arasındaki ilişkilerin görsel olarak yorumlanması imkânı sağlanmıştır. Çalışmada izlenen makine öğrenmesi yaşam döngüsü kapsamında uygulanan tekniklerin farklı sektörlerde ve Endüstri 4.0 gereği bakım stratejilerinin makine öğrenimi yoluyla iyileştirilmesinde, özellikle veri kalitesi ve uzman görüşüne erişim zorluğu olan projelerde yararlı olabileceği değerlendirilmektedir. Anahtar Kelimeler: Kestirimci bakım (PdM), Makine öğrenimi (ML), Çizge tabanlı öznitelik seçimi, Açıklanabilir yapay zekâ (XAI).
Öznitelik temelli erişim kontrol (ABAC) modelinin nesnelerin internetine uygunluğunun araştırılması ve gerekli genişletmelerin yapılması
Nesnelerin İnterneti (IoT), çok sayıda cihazın birbirleriyle iletişim kurduğu, birbirine bağlı bir ortamdır ve bu durum mahremiyet ve güvenlik sorunları oluşturmaktadır. Kullanıcıların IoT teknolojisini günlük yaşamlarında tam olarak benimsemeleri için bu ekosisteminin temel ağ, sistem ve güvenlik gereksinimlerini karşılaması kritik öneme sahiptir. IoT uygulamaları, sensörler, kullanıcılar ve diğer bağlı cihazlar gibi çeşitli kaynaklardan hassas bilgiler toplayabilir. IoT cihazları giderek günlük rutinlerimize entegre oldukça, güçlü kimlik doğrulama ve erişim kontrol mekanizmalarının yokluğu önemli güvenlik ve mahremiyet endişelerini beraberinde getirir. Zayıf kimlik bilgileri, yetersiz kimlik doğrulama protokolleri ve yetersiz mahremiyet koruma IoT sistemleri içindeki başlıca zafiyetlerdir. Bu sorunların ele alınması, kullanıcı ve sistem güvenliğini artırmak ve IoT teknolojilerinin daha geniş bir şekilde benimsenmesini sağlamak açısından önemlidir. Bu tez, IoT güvenliği bağlamında kullanıcı kimlik doğrulama, erişim kontrolü ve mahremiyet gibi kritik konuları, özellikle akıllı ev ortamlarına odaklanarak incelemektedir. Yetkisiz erişimi önlemek ve kişisel verilerin mahremiyetini sağlamak için detaylı ve dinamik bir erişim kontrolü esastır. Bu bağlamda, Öznitelik Tabanlı Erişim Kontrolü(ABAC) modeli uygun bir yaklaşım olarak ortaya çıkmaktadır. Bu tez, ABAC modelini üç aşamada genişletmektedir. İlk aşamada, genişletilmiş ABAC modeli, kullanıcı kimlik doğrulama sırasında elde edilen biyometrik eşleşme puanına (AMS) dayalı olarak kimlik doğrulama güvence seviyesini belirlemek için yenilikçi bir yöntem sunmaktadır. Bu puan, önceden tanımlanmış eşiklerle karşılaştırılarak, kullanıcının rolü ve kimlik doğrulama güvence seviyesi temelinde ince ayar yapılmış erişim kontrol kararları alınmasına olanak tanır. İkinci aşamada, ABAC modeli Kimlik Doğrulama Yeteneğine Sahip ABAC modeli olarak genişletilmiştir(AeABAC). Erişim kararı verme sürecini geliştirmek için performans ölçütleri modele entegre edilmektedir. Yanlış Eşleşme Oranı (FMR) hesaplanarak ve Erişim Karar Belirsizliği Skoru (ADUS) tanımlanarak, AeABAC modeli, geniş biyometrik kimlik doğrulama cihazları ve algoritmaları yelpazesi arasında etkili normalizasyon sağlamaktadır. Cihaz işlevselliği, kritik, önemli ve temel kritiklik seviyelerine göre kategorize edilerek buna göre erişim kararları alınır. Bu yaklaşım, özellikle biyometrik kimlik doğrulamanın yaygın olduğu akıllı evlerde, IoT ortamlarında erişimi kontrol etmek için daha esnek ve ölçeklenebilir bir yöntem sunmaktadır. İlk iki aşama, akıllı ev ekosistemlerinde sistemden kullanıcıya güven oluşturmaya odaklanmaktadır. Üçüncü ve son aşamada, kullanıcının mahremiyetinin korunmasına yönelik sorunlara etkili çözümler üretilmesine odaklanılmıştır. Kimlik doğrulama ve yetkilendirme süreçleri, sistem güvenliğini sağlamaktadır (sistemden kullanıcıya güven); ancak bu aşamadan sonra, sistemlerin istenen işlevi yerine getirebilmesi için kullanıcıların hassas verilerine ihtiyaç duyulmaktadır. Bu noktada kullanıcılar, mahremiyetlerinin korunmasına öncelik vermek isterler (kullanıcıdan sisteme güven). Bu tezde, kullanıcıların veri mahremiyetine olan güvenlerini artırmak amacıyla, AeABAC modeline Risk Tabanlı mahremiyet Yaklaşımı entegre edilerek RBP-AeABAC modeli önerilmiştir. Önerilen yaklaşım, akıllı ev ortamında mahremiyet profillerini tanımlayarak veri ifşa olasılığını ve potansiyel zararları (ifşa etkisi) değerlendiren bir mahremiyet riski analizi sunmaktadır. Bu sayede, veri toplama ve ifşa süreçlerinde şeffaf ve güvenilir bir koruma sağlanarak kullanıcı mahremiyetini güvence altına alınmaktadır. Model, kullanıcı mahremiyetini gözeterek veri ifşasının olasılığı ve etkisini değerlendirip, kullanıcıların bilinçli kararlar alabilmesine olanak tanır. Kullanıcı tanımlı mahremiyet profilleriyle özelleştirilen bu yaklaşım, bireysel mahremiyet ihtiyaçlarına yönelik korumalar sunmaktadır. Modelin uygulanabilirliği çeşitli kullanım senaryolarıyla gösterilmiştir. Bu tez kapsamında genişletilen ABAC modeli sadece akıllı evlerdeki IoT cihazlarının güvenliğini güçlendirmekle kalmayıp, aynı zamanda mahremiyet risklerini yönetmek için kapsamlı bir çerçeve oluşturmaktadır. Biyometrik kimlik doğrulama, performans metriklerine dayalı erişim kontrolü ve mahremiyet risk değerlendirmelerini birleştirerek, bu tez, IoT ortamlarında kullanıcılar ve sistem arasındaki iki yönlü güveni artıran yenilikçi bir çözüm sunmaktadır. Gelecek araştırmalar, modelin ölçeklenebilirliğini ve daha büyük IoT ekosistemlerindeki uygulanabilirliğini inceleyecektir.
Derin öğrenme ile görüntülerde kararlı öznitelik eşleme tekniklerinin geliştirilmesi
Bilgisayarlı görü teknikleri görüntüler üzerinde tespit edilen öznitelik noktalarından yaygın bir şekilde yararlanmaktadırlar. Bu öznitelik noktaları kullanılarak görüntü çiftleri arasında yararlı tutarlılıklar tespit edilebilir. Benzerlikler kullanılarak görüntü eşleştirme, nesne tanıma, görüntü dikişleme, görüntü mozaiği oluşturma ve nesne takibi gibi birçok uygulama için başarılı ürünler elde edilebilir. Görüntü çiftleri üzerinde tespit edilen öznitelik noktalarının eşleştirilmesi sırasında noktaların öznitelik uzayında birbirlerine göre uzaklıkları temel alınır. Öznitelik uzayında birbirlerine en yakın olan özniteliklerin yakınlıkları eğer yeterince özgünse bu öznitelikler varsayılan eşleşmeler olarak kabul edilir. Ancak bu varsayılan eşleşmeler çoğu zaman hatalı eşleşmeleri tümüyle saf dışı bırakamaz. Bunun için literatürde tekrarlamalı algoritmalardan faydalanarak en çok sayıda varsayılan eşleşmeyi içerecek şekilde bir geometrik tutarlılık elde edilmeye çalışılır. Elde edilen geometrik tutarlılık sayesinde varsayılan eşleşmelerde bulunan hatalı eşleşmeler elenir. Bu yöntemdeki temel sorun tüm görüntü çiftlerinde başarıya götürecek bir tekrarlama sayısının elde edilmesinin pratikteki imkansızlığıdır. Derin öğrenme yöntemlerinin literatürde birçok problemde alternatiflerine göre daha etkin sonuçlar elde etmesinden sonra çoğu bilgisayarlı görü ve görüntü işleme probleminde olduğu gibi öznitelik eşleştirme problemi için de derin öğrenme ile eğitilmiş yapay sinir ağları kullanan çözümler literatüre yerleşmişlerdir. Bu tezde, kararlı öznitelik eşleme yapan derin öğrenme ağları ile bağıl kamera pozisyonu tahmini problemine çözümler geliştirilmiştir. Öncelikli olarak literatürdeki çalışmaların hepsine temel oluşturan n-n'lik çatı incelenmiştir. n-n'lik bu çatının varsayılan eşlemelerdeki özniteliklerin koordinatlarından oluşan bir küme tipi girdi üzerinde çalıştığı gözlemlenmiştir. n-n'lik çatıya ait girdiyi işleyen literatürdeki çalışmaların varsayılan öznitelik eşleşmelerinde genel bağlam ve yerel bağlam çıkarırken karşılaştığı zorluklar incelenmiştir. n-n'lik çatıya alternatif olarak 1-1'lik alternatif bir çatı oluşturulmuştur. n-n'lik çatıda her bir yığın örneğinde tek bir görüntü çiftine ait veri bulunurken öne sürülen 1-1'lik çatıda her bir yığında sadece tek bir görüntü çiftine ait veri bulunmaktadır. 1-1'lik çatıdaki görüntü çiftine ait her bir varsayılan eşleşme için özel bir bağlam kanalının kullanılmasına imkan sağlanmaktadır. Dahası bu bağlam kanalındaki girdi satırların her bir varsayılan eşleşme için özel olarak sıralanabilmesi mümkündür. Tez kapsamında 1-1'lik çatı kullanan çok sayıda ve farklı tipte ağ katmanları içeren yapay sinir ağları oluşturulmuştur. Oluşturulan 1-1'lik yapay sinir ağları ve literatürdeki n-n'lik başarılı sinir ağları Tensor İşlem Birimleri üzerinde eğitilmişlerdir. Eğitimlerde mimarilere ait hesapsal grafiklerdeki parametreler güncellenirken birden fazla kayıp fonksiyonunun birleşiminden oluşan bileşke kayıp fonksiyonundan faydalanılmıştır. Başarım metriği olarak minimum ortalama hassasiyet ölçütü temel alınmıştır. Elde edilen sonuçlara göre 1-1'lik çatı için oluşturulan yapay sinir ağları literatürdeki n-n'lik yapay sinir ağlarının biri hariç tümünün başarımlarını \%30'a varan farklar ile geride bırakmıştır. Ayrıca tezin asıl konusu üzerinde çalışmaya başlamadan önce derin öğrenme kullanarak yapay sinir ağlarının eğitilmesine aşinalığı arttırmak için bir durum çalışması yapılmıştır. Bunun için portre fotoğrafları üzerinden yaş sınıfı tahmini yapan yapay sinir ağları geliştirilmiştir. Kullanılan veri setindeki portreler 6 sınıfa ayrılmıştır. Literatürdeki 6 katmanlı bir yapay sinir ağının 18 ve 34 katmanlı artık sinir ağlarına göre daha başarılı olduğu gözlemlenmiştir. Kullanılan artık sinir ağlarının 6 sınıflı yaş tahmini problemi için aşırı öğrenmeye sebep olacak kadar derin olduğu veya veri setinin yeterince zengin olmadığı sonucuna varılmıştır.
Türkçe'de eş anlamlı kelimelerin hesaplamalı diyakronik analizi
Türkçe 1920'lerden günümüze kadar gelen süreçte Dil Devrimi'nin etkisiyle önemli yapısal değişikliklere uğradı. Dil Devrimi'nin amaçlarına uygun olarak Türkçe üzerinde yabancı dillerin etkisini azaltacak şekilde adımlar atıldı. Bu müdahaleler sebebiyle dile pek çok yeni kelime girerken bir o kadar kelime de günümüzde kullanılmamaya başlandı. Kelime dağarcığındaki değişimlerin dışında dilin imla ve gramer kurallarında da değişiklikler görüldü. Bu çalışmada Türkçe'nin bu hızlı değişimini motivasyon kabul ederek bu çalışmada eş anlamlı kelimelerin diyakronik hesaplamalı diyakronik analizi gerçekleştirildi. İlk olarak 1920'lerden 2020'lere kadar dönemi kapsayan modern Türkçe'nin en büyük diyakronik korpusu Turkronicles'ı oluşturuldu ve bu korpus üzerinde frekans analizleri gerçekleştirildi. Ayrıca korpusla beraber diyakronik analizlerde n-gram'lar, diyakronik kelime vektörleri, bir yazılım kütüphanesi, dijitalleştirilmiş karşılıklar sözlüğü gibi çeşitli kaynakları kullanıma sunuldu. Analizlerimiz sonucunda Türkçe'nin kelime dağarcığının yıllar geçtikçe önemli ölçüde değiştiğini gördük. İmla kurallarının nasıl değiştiğini gözlemlemek için spesifik olarak sonu -b/-p ve -d/-t ile biten kelimeleri inceledik ve benzer bir sonuçla karşılaşıldı. Analizler bütünüyle ele alındığında oluşturduğumuz kaynakların aslında diyakronik analiz için uygunluğunu gösterdi veviii dilin ne ölçüde değiştiğini gözler önüne serdi. Ardından bu kaynakları kullanarak farklı tarihlerde kullanılmış eş anlamlı kelimeleri tespit etmeye yarayan iki farklı yöntem önerdik. Bu yöntemler esasında ortogonal dönüşüm matrisini bulmaya dayanır. Sonrasında önerdiğimiz yöntemler doğrusal dönüşüm matrisine dayalı temel bir yöntem ile karşılaştırıldı. Yöntemlerin başarısı iki farklı vektör algoritması üzerinden test edildi. Buna ek olarak zaman farkı arttıkça yöntemlerin performansının nasıl değiştiği gözlemlenip değerlendirildi. Deneylerin sonuçlarında önerilen yöntemlerin temel yöntemden daha iyi bir performans sergilediğini ve zaman farkına daha dayanıklı olduğu gözlemlendi. Son olarak eş anlamlı kelimelerin zamanla anlamının nasıl değiştiğini görmek adına çeşitli deneyler yürütüldü. Spesifik olarak eş anlamlı kelimelerin anlam daralması ve genişlemesi dinamikleri incelendi. İlk olarak Turkronicles korpusunda yer alan hatalı kelimeleri düzeltmek için bir Kodlayıcı-Çözücü modeli eğitildi ve bir test kümesi oluşturuldu. Hatalı kelimeler düzeltildikten sonra anlam daralması ve genişlemesini kelime ilişki çizgesi ve bir merkeziyet ölçütü etrafında modellendi. Ardından bu ölçütün bir eş anlamlı çifti için zaman boyunca nasıl değiştiğini gözlemlemek için Spearman korelasyon katsayısını hesaplandı. Son olarak birbirlerinin değişimini ne kadar etkilediğini ölçmek için bir Doğrusal Karma Model eğitildi. Deney sonuçlarına dayanarak eş anlamlı bir kelimenin anlamı genişlerken diğerinin anlamının daraldığı tespit edildi.
Mamba ve topluluk öğrenmesi kullanarak hisse senedi hareket tahmini
Borsa; ulusal politikalar, ekonomik koşullar ve küresel olaylar gibi birçok faktörden etkilenmektedir. Hisse senedi fiyat hareketlerinin doğru bir şekilde tahmin edilmesi, yatırımcılar ve ekonomistler için uzun süredir önemli bir zorluk teşkil etmektedir. Doğru tahminler, yatırım risklerini azaltırken aynı zamanda getiri potansiyelini artırmada kritik bir rol oynamaktadır. Ancak, finansal piyasalardaki dalgalı ve doğrusal olmayan yapılar, tahmin süreçlerini zorlaştırmaktadır. Son yıllarda, Mamba gibi durum uzay modelleri, sıralı verilerin modellenmesinde önemli başarılar elde etmiştir. Bu çalışmada, günlük hisse kapanış fiyatlarındaki yüzdelik değişimleri tahmin etmek için Mamba modeli kullanılmıştır. Tahmin problemi bir sınıflandırma görevi olarak ele alınarak, hisse senedi fiyatının ertesi gün artıp artmayacağını belirlemek hedeflenmiştir. Doğrulama veri kümesinde, modelin performansını artırmak için grid arama yöntemi kullanılarak parametre optimizasyonu gerçekleştirilmiş ve tahminler yapılmıştır. Bunun ardından, tahminlerin başarısını yükseltmek amacıyla, farklı hiperparametre kombinasyonlarına sahip modeller topluluk öğrenmesi yöntemi ile bir araya getirilmiştir. Böylece, tahmin doğruluğu tekli Mamba modeline kıyasla artırılmıştır. Araştırmada, Nasdaq borsasında işlem gören altı farklı şirketin günlük kapanış fiyat hareketleri tahmin edilmiştir. Elde edilen sonuçlar, tekli Mamba modelinin ertesi gün fiyat hareketinin yönünü tahmin etmede ortalama %58.9 F1 skoru elde ettiğini göstermektedir. Buna karşın, toplu Mamba modeli ortalama %60.5 F1 skoru ile dikkate değer bir başarı göstermiştir. Modellerimizin performansını temel model olan LSTM ile karşılaştırdığımızda, LSTM modelinin ortalama %52.5 F1 skoru elde ettiği tespit edilmiştir. Ayrıca, modellerin sınıflandırma performansının yanı sıra finansal değerlendirmesi de yapılmıştır. Elde edilen sonuçlara göre, toplu Mamba modeli, 120 test işlem günü boyunca 10.000 $ başlangıç sermayesi ile ortalama 4.150 $ kâr sağlamıştır. Temel karşılaştırma stratejimiz olan "Al-Tut" stratejisi ise 809 $ zarar etmiştir. Bu bulgular, yatırımcıların daha bilinçli kararlar almalarına önemli bir rehberlik sunmaktadır. Böylece, getirilerin optimize edilmesi ve risklerin en aza indirilmesi sağlanabilmektedir. Sonuç olarak, bu çalışma hisse senedi piyasasında tahmin doğruluğunu artıran etkili bir yöntem sunmakta ve yatırım kararlarının optimize edilmesine katkı sağlamaktadır.
MQTT ağına gerçekleştirilen saldırıların makine öğrenmesi modelleri ile tespiti
Nesnelerin İnterneti (IoT)'nin hızlı gelişimi, çok sayıda cihazın ağlar üzerinden veri paylaşımını mümkün kılmış ve birçok sektörde kayda değer ilerlemelere zemin hazırlamıstır. IoT cihazları arasındaki bu veri alışverişini verimli kılmak amacıyla çeşitli iletişim protokolleri kullanılmaktadır. Bu protokoller arasında, MQTT (Message Queuing Telemetry Transport), düşük bant genişliği gereksinimi ve hafif yapısı ile IoT sistemleri için ideal bir iletişim mekanizması olarak öne çıkmaktadır. Ancak, MQTT protokolünün yaygın benimsenmesi, bu ağlara yönelik siber saldırılar karşısında çeşitli güvenlik açıklarının ortaya çıkmasına da neden olmuştur. Bu çalışma, MQTT ağlarına özgü saldırıların tespitine yönelik olarak makine öğrenmesi tekniklerinin kullanımını incelemekte ve olası tehditlerin belirlenmesini amaçlamaktadır. Çalışmada, özellikle SlowITe ve veri setine sonradan entegre edilen SlowTT saldırı türleri üzerine odaklanılmıştır. Kullanılan veri seti MQTTset, başlangıçta SlowTT saldırılarına ilişkin verileri içermediği için bu saldırılara ait veriler çalışma kapsamında sonradan eklenmiştir. Dengeli bir veri yapısı sağlamak amacıyla, veri setinin %50'si normal trafik verilerinden, geri kalan %50'si ise eşit sayıda SlowITe, SlowTT, Brute Force, Malformed, DoS (Denial of Service) ve Flood saldırılarından oluşturulmuştur. Dengeli veri seti kullanımı, dengesiz veri setlerinin yaygın sınıfı daha iyi tahmin etme eğilimi sorununu ortadan kaldırmakta ve bu sayede tüm sınıfların adil bir şekilde değerlendirilmesini sağlamaktadır. Böylece, algoritmaların performans ölçümleri daha güvenilir hale gelmiştir. Yapılan testlerde, bazı modeller daha düşük performans gösterse de dengeli veri kullanımı sayesinde sınıflar arasında daha doğru bir dağılım ve gerçekçi sonuçlar elde edilmektedir. Çalışmada, dengeli veri seti üzerinde Random Forest, XGBoost, LightGBM, DNN (Deep Neural Network) ve CatBoost gibi farklı makine öğrenmesi algoritmaları ile kapsamlı deneyler gerçekleştirilmistir. İlk aşamada, yeni MQTTset veri seti üzerinde yapılan testlerde, Random Forest modeli en yüksek başarı oranlarını göstermiştir. Diğer modeller de kabul edilebilir performans sergilemiş olmakla birlikte, DNN modeli görece daha düşük bir başarı sergilemiştir. Çalışmanın ikinci aşamasında, veri setine yeni özellikler (TCP window size ve frame time delta) eklenmiş ve bu genişletilmiş veri seti ile aynı modeller tekrar test edilmiştir. Eklenen bu özelliklerle modellerin performansında genel bir artış gözlemlenmiş ve Random Forest, XGBoost, LightGBM ve CatBoost modelleri yüksek başarı oranlarına ulaşmıştır. Ayrıca, kullanılan modellerin sonuçlarını daha derinlemesine incelemek ve hangi özelliklerin model performansına en fazla katkıyı sağladığını belirlemek amacıyla LIME (Local Interpretable Model-agnostic Explanations) ve SHAP (SHapley Additive exPlanations) yöntemleri kullanılmıştır. SHAP analizi, saldırı tespitinde kullanılan makine öğrenmesi modellerinin anlaşılabilirliğini artırmış ve hangi özelliklerin tespit sürecine en fazla katkıyı sağladığını açıkça ortaya koymuştur. Sonuç olarak, bu çalışma, MQTT ağlarına yönelik saldırıların tespitinde makine öğrenmesi tabanlı yaklaşımların etkinliğini göstermektedir. Veriye eklenen yeni özelliklerin saldırı tespit performansını önemli ölçüde artırdığı ve SHAP yöntemi ile hangi özelliklerin tespit sürecinde kritik bir rol oynadığının daha net bir şekilde anlaşıldığı görülmüştür. Bu çalışmada kullanılan yöntemler, IoT ağlarının güvenliğini sağlamada önemli katkılar sunmakta ve potansiyel saldırıların erken tespiti için etkili çözümler sağlamaktadır.
Endüstri satırdarbesi savunlamarının güvenli ve düşük maliyetli hale getirilmesi
Modern DRAM'de okuma hataları, bir DRAM satırına tekrar tekrar erişildiğinde, fiziksel olarak yakın diğer DRAM satırlarında bit hatalarına yol açan önemli bir sağlamlık (güvenlik, emniyet ve güvenilirlik) problemidir. Teknoloji düğüm boyutunun küçülmesi, nesiller boyunca DRAM okuma hatalarını şiddetlendirmektedir. Okuma hatalarını hafifletmek amacıyla, en son DDR5 standardı PRAC adı verilen yeni bir RowHammer önleme çerçevesi tanıtmıştır. PRAC, 1) her satıra bir etkinleştirme sayacı tahsis ederek DRAM yongasının satır etkinleştirmelerini doğru şekilde takip etmesini sağlar ve 2) yeni bir geri çekilme (-ing, back-off) sinyali tanıtarak DRAM yongasına SatırDarbesi önleyici tazeleme işlemlerini gerçekleştirebilmesi için gerekli zaman penceresini sunar. Ne yazık ki, PRAC'ın güvenlik garantileri ve ek yükleri önceden kapsamlı biçimde incelenmemiştir. Bu çalışmada, 1) PRAC'ın güvenlik, başarım, enerji ve maliyet açısından ilk kapsamlı analizini sunuyoruz ve 2) PRAC'ın iki temel zayıflığını gideren Chronus adlı yeni bir mekanizma öneriyoruz. Analizimiz, PRAC'ın masum uygulamalarda sistem başarımı açısından göz ardı edilemeyecek bir ek yük getirdiğini, gelecekteki DRAM yongalarında ise bu yükün kabul edilemeyecek seviyelere ulaştığını gösteriyor. Bu yüklerin kaynağı olan iki temel zayıflık tespit ediyoruz: Birincisi, PRAC etkinleştirme sayaçlarının artırılması için gereken ek süre nedeniyle kritik DRAM erişim gecikme parametrelerini artırıyor. İkincisi, PRAC her seferinde sabit sayıda önleyici tazeleme işlemi gerçekleştiriyor; bu da onu dalga saldırısı (-ing, back-off) olarak bilinen düşmanca erişim desenine karşı savunmasız kılıyor ve dolayısıyla çok daha düşük etkinleştirme eşikleriyle yapılandırılmasını gerektiriyor. PRAC'ın bu iki zayıflığını gidermek için, DRAM yongası üzerinde çalışan yeni bir SatırDarbesi önleme mekanizması olan Chronus'u öneriyoruz. Chronus, 1) sayaçları veriden ayırarak erişim hizmeti verirken satır etkinleştirme sayaçlarını eşzamanlı günceller ve 2) gerçekleştirilen önleyici tazeleme sayısını dinamik olarak kontrol ederek dalga saldırısını engeller. Başarım analizimiz, Chronus'un sistem başarımı üzerindeki ek yükünün modern DRAM yongaları için sıfıra yakın, gelecekteki DRAM çipleri içinse oldukça düşük olduğunu göstermektedir. Chronus, PRAC'ın üç varyantını ve diğer üç son teknoloji okuma bozulması çözümünü geride bırakmaktadır. Chronus ve PRAC'ın gelecekteki sistemler üzerindeki etkilerini tartışıyor ve ileriye dönük araştırma yönlerine işaret ediyoruz. Gelecekteki araştırmaları desteklemek amacıyla, Chronus'un tüm kaynak kodunu yayınlıyoruz: https://github.com/CMU-SAFARI/Chronus
MultiAIGCD: Çoklu model, dil, istem ve senaryolarda yapay zeka tarafından oluşturulan kodların tespiti için yeni bir veri kümesi
Son yıllarda büyük dil modellerinin (BDM - LLM: Large Language Models) hızlı bir şekilde gelişmesiyle birlikte, bu modellerin yazılım geliştirme süreçlerinde kod üretimindeki rolü de dikkate değer ölçüde artmıştır. Bu ilerleme, yazılım üretimini daha hızlı ve erişilebilir kılarken; özellikle eğitim, işe alım ve değerlendirme süreçlerinde ciddi etik ve güvenilirlik sorunlarını da beraberinde getirmiştir. Öğrencilerin ödevlerde yapay zeka destekli araçlarla kod üretmesi veya adayların mülakat süreçlerinde bu tür araçlardan yararlanması, akademik dürüstlük ve adil değerlendirme ilkelerini tehdit etmektedir. Bu bağlamda, yapay zeka tarafından üretilmiş kodları güvenilir şekilde tespit edebilen sistemlerin geliştirilmesi, yalnızca teknik değil aynı zamanda sosyal bir zorunluluk haline gelmiştir. Bu çalışmada, Python, Java ve Go dillerinde üretilmiş yapay zeka kaynaklı kodların tespiti için oluşturulan MultiAIGCD veri kümesi tanıtılmaktadır. Veri kümesi, CodeNet veri setindeki problem tanımlarından ve insan yazımı kodlardan yararlanılarak oluşturulmuştur. Bu problemler üzerinden, altı farklı BDM kullanılarak üç farklı istem (prompt) türüyle çok sayıda yapay kod örneği üretilmiştir. Kod üretimi sürecinde üç temel senaryo dikkate alınmıştır: (i) problem tanımından sıfırdan kod üretimi, (ii) insan yazımı kodlardaki çalışma zamanı (runtime) hatalarının düzeltilmesi, (iii) insan yazımı kodlardaki hatalı çıktıyla sonuçlanan kodların düzeltilerek doğru çıktılar üretmesinin sağlanması. Bu sistemli üretim süreci sonucunda MultiAIGCD toplamda 121,271 adet yapay zeka tarafından oluşturulmuş ve 32,148 adet insan tarafından yazılmış kod parçacığı içeren büyük ölçekli ve dengeli bir veri kümesine dönüşmüştür. Ayrıca çalışmamızda, alandaki güncel yapay zeka kod tespiti sistemlerinden üç tanesi bu veri kümesi üzerinde değerlendirilmiş ve modellerin farklı test senaryolarındaki başarıları analiz edilmiştir. Değerlendirme sürecinde çapraz model (cross-model) ve çapraz dil (cross-language) gibi gerçekçi ve zorlu senaryolar özel olarak ele alınmıştır. Sunmuş olduğumuz bu veri kümesi ve beraberindeki açık kaynak kodlar, yapay zeka tarafından üretilen kodların tespiti alanındaki araştırmaları desteklemek amacıyla kamuoyuyla paylaşılmaktadır. Bu sayede, hem akademik hem de endüstriyel düzeyde daha güvenilir, adil ve şeffaf değerlendirme sistemlerinin geliştirilmesine katkı sağlanması hedeflenmektedir.
Üç boyutlu evrişimsel sinir ağları ile finansal zaman serisi analizi
Yapay sinir ağları, finansal zaman serisi tahmininde son yıllarda oldukça yaygın biçimde kullanılmaktadır. Özellikle karmaşık, doğrusal olmayan ilişkileri modelleyebilme yetenekleri sayesinde geleneksel yöntemlerin önüne geçmektedir. Bu kapsamda zaman bağımlılıklarını etkili bir şekilde öğrenebilen Kısa Uzun Süreli Hafıza (LSTM) tabanlı modeller finansal verinin tahmininde oldukça fazla kullanılmaktadır. Evrişimsel Sinir Ağları (CNN) da literatürde kendisine yer bulmaya başlamış ve çeşitli çalışmalarda başarılı sonuçlar elde edilmiştir. Bu çalışmada ise klasik CNN yaklaşımlarının ötesine geçilerek, konvolüsyon işlemi üç boyutlu veri yapısı üzerinde gerçekleştirilmiştir. Bu yeni yaklaşımda, veri hazırlama süreci detaylı şekilde tasarlanmıştır. İlk olarak, teknik analizde yaygın olarak kullanılan 20 farklı indikatör seçilmiş; her bir indikatör, 5 ile 25 gün arasındaki 20 farklı periyot için hesaplanarak, her gün için 20x20 boyutunda iki boyutlu bir matris oluşturulmuştur. Ardından, bu iki boyutlu veriye ardışık 20 günlük geçmiş veriler eklenmiş ve sonuç olarak her bir gün için 20x20x20 boyutunda üç boyutlu veri elde edilmiştir. Bu veri yapısı, CNN modelinin zaman, indikatör ve periyot bilgilerini aynı anda işlemleyerek daha karmaşık örüntüleri öğrenmesine olanak tanımaktadır. Etiketleme sürecinde ise her gün için fiyat hareketine göre "Al", "Sat" ve "Tut" olmak üzere üç sınıftan biri atanmıştır. Model, bu sınıflandırmayı öğrenerek gelecekteki alım-satım sinyallerini tahmin etmeyi hedeflemiştir. Modelin tahminlerine dayanarak oluşturulan alım-satım stratejileri, 2022–2024 yılları arasında toplam 750 işlem gününü kapsayan bir dönem boyunca Dow Jones 30 endeksine dahil olan hisseler ile çeşitli borsa yatırım fonları (ETF) üzerinde test edilmiştir. Gerçekleştirilen işlemler sonucunda, hisseler için yıllık ortalama %23.87, ETF'ler için ise %19.40 oranında getiri sağlanmış ve bu sonuçlar geleneksel "al ve tut" stratejisine kıyasla daha yüksek performans göstermiştir. Böylece önerilen modelin, zaman serisi verilerinde teknik göstergelerin çok boyutlu temsilinden faydalanarak etkili bir tahmin performansı sergileyebildiği ortaya konmuştur.
Halis: Çizge desen madenciliği için önbellek yakınında işlem yapan donanım-yazılım ortak tasarım hızlandırıcı
Çizge Desen Madenciliği (-ing, Graph Pattern Mining, GPM) algoritmaları, çizge yapıları üzerinden anlamlı bilgiler çıkarmakta ve birçok uygulama alanı için temel yapı taşlarını oluşturmaktadır. Ancak bu algoritmaların performansları, çalışma süresini domine eden indeks eşleme (-ing, index matching) işlemleri sırasında oluşan öngörülemeyen dallanma kontrolü (-ing, hard-to-predict divergence control), önbellek kirliliği (-ing, cache pollution) ve düşük paralellenme (-ing, low parallelism) gibi nedenlerle sınırlanmaktadır. Bahsedilen sorunları çözmek için bu çalışmada, Çizge Desen Madenciliği iş yüklerini çok çekirdekli ticari işlemcilerde hızlandırmak amacıyla önbellek yakınında işlem yapan, donanım-yazılım ortak tasarımı olan Halis isimli hızlandırıcıyı önermekteyiz. Halis indeks eşleme işlemlerini son seviye önbellek (-ing, Last Level Cache) yakınında yürüterek veri hareketini ve üst seviye önbelleklerdeki (-ing, upper level caches) kirliliği azaltırken aynı zamanda dallanma kontrolünü iyileştirmekte ve paralel işlemeyi artırmaktadır. Bu amaçla Halis, ÇDM iş yüklerinde iyi performans göstermeyen donanım öngetiricilerini (-ing, hardware prefetcher) yeniden amaçlandırarak donanım öngetiricilerinde hali hazırda bulunan İçerik Adreslenebilir Bellek'leri (-ing, Content Addressable Memory, CAM) kullanmakta ve bu belleklerin verimli arama kabiliyetlerinden faydalanmaktadır. Ayrıca Halis, sanal bellek desteği de sunarak ticari işletim sistemleriyle uyumluluğu garanti etmektedir. Programlanabilir bir hızlandırıcı olarak tasarlanan Halis, bellek eşlemeli yazmaçlar (-ing, memory-mapped registers) üzerinden kontrol edilmektedir. Yapılan değerlendirmeler, Halis'in yazılım tabanlı çözümlere göre 26.9x, donanım tabanlı çözümlere göre 2.4x daha hızlı çalıştığını ve işlemcide %0.05'lik ihmal edilebilir ek alan maliyeti getirdiğini göstermektedir.
A-star yönlendirme algoritması ve kanal gizliliğinin kaldırılmasının bitcoin lightning network işlem başarısına etkisi
Lightning Network (LN) Bitcoin blok zinciri üzerinde transfer işlemlerinin daha hızlı ve daha ucuz bir şekilde yapılmasını sağlayan ikinci seviye ödeme kanalı ağıdır. LN işlem yolunu bulmak için kaynaktan rotalamayı kullanır. Ancak ağın ödeme yolunu bulması her zaman başarılı ve etkili değildir. Çünkü ödeme kanalı gelen ve giden bakiyeleri gizlidir. Bu çalışmada, işlem başarım oranını arttırmak için bakiyelerin gizli olmamasının etkileri araştırılmıştır. Ayrıca çeşitli yol bulma algoritmaları kullanılarak yaygın işlem başarımın etkileri üzerine deneyler yapılmıştır. Çalışmada etki değerlendirmesi yapabilmek için LN düğüm ve işlem gerçekleştirme simülasyonları kullanılmıştır. Ilk olarak CLoTH adında LND algoritmasını yol bulma metodu olarak kullanan bir simülasyonla çalışılmıştır. Bu simülasyon sistemi ile Martin'in kısa yol (Martin's Shortest Path) algoritması ile çoklu kriterli (multi-criteria) kısa yol bulma karşılaştırmaları yapılmıştır. Çalışmanın ilerleyen dönemlerinde, düzenlenmesi daha kolay olan ve daha yeni akademik çalışmalarda kullanılmış Python tabanlı bir simülasyon kullanılmıştır. Bu simülasyon LND dışındaki diğer yaygın istemcilerin (Eclair, LDK vs.) de analiz edilmesine olanak sağlamıştır. Simülasyon üzerinde gerekli değişiklikler yapılarak, A-Star (A*) yol bulma algoritması simülasyona eklenmiştir. A-Star algoritması için bir sezgi fonksiyonu önerilmiş ve deneyler gerçekleştirilmiştir. Ayrıca bakiyelerin gizliliğinin kaldırılması için simülasyon üzerinde başka bir dal üzerinde, değişiklikler gerçekleştirilmiştir. Son olarak simülasyona sadece belli bir grup düğümün gizliliğinin kaldırıldığı diğer düğümlerin trafiğinin özgün ağdaki gibi bırakıldığı bir algoritma eklenmiş, ve bu şekilde çalışma tamamlanmıştır. Çalışmada veri seti olarak Rene Pickhardt tarafından, 12 Nisan 2022 yılında alınarak literatürde paylaşmış olduğu anlık durum kaydı (snapshot) kullanılmıştır. Deneylerde rastgele kanal bakiyeleri kullanılırken azami bir Bitcoin olmak üzere bimodal ve üniform dağılım kullanılmıştır. Çalışmada Martin'in kısa yol algoritması ile yapılan deneylerde belirgin bir işlem başarım artışı gözlenmemiştir. A-Star algoritması ile yapılan deneylerde ise Dijkstra algoritması kullanan istemcilerin başarımları karşılaştırıldığında işlem tutarı arttığındaysa Dijkstra'nın daha iyi sonuç verdiği görülmüştür. Ancak simülasyon çalışma zamanı (run-time) değerlendirildiğinde A-Star algoritmasının kullanılmasının simülasyonun daha hızlı tamamlanmasına olanak sağladığı, dolayısıyla başarımı artmasa bile performans artışı sağladığı görülmüştür. Bu Dijkstra ile benzer başarımın olduğu düşük tutarlı işlemler için A-Star algoritmasının fayda sağlayacağını göstermiştir. Bakiyelerin gizliliğinin kaldırıldığı deneylerde ise yüksek işlem başarımı sağlandığı, işlem tutarı artsa bile başarımda ciddi bir düşüşün olmadığı gözlemlenmiştir. Tüm düğümlerin gizliliği kaldırılmadan yapılan deneylerde de işlem başarımı artışının mümkün olduğu, LN içerisinde gizliliğe ihtiyaç duymayan düğümlerin farklı bir ağ kullanarak genel ağ performansına katkıda bulunabilecekleri gözlemlenmiştir.
Harp başlığı performans testlerinde derin öğrenme tabanlı otomatik bölütleme ve 3b yeniden inşa
Harp başlığı performans testleri, çukur imlalı harp başlıkları (SCW) ve parçacıklı harp başlıklarının (FW) değerlendirilmesinde temel öneme sahiptir. Bu başlıkların başarımları, Derinlik Testi (DoPT) ve Arena Testi (AT) ile ölçülmektedir. DoPT, metal levhaların delinme derinliğini incelerken; AT, patlama sonrası panellerde oluşan delik ve kusurları analiz eder. Geleneksel yöntemlerle, manuel olarak test verilerinin incelenmesi yoğun insan emeğine dayalı, hataya açık ve tutarsız bir prosedürdür. Derin öğrenme ve bilgisayarla görü alanındaki gelişmeler, bu sürecin otomatikleştirilmesine imkan vererek test verilerinden yüksek doğruluklu sonuçlar çıkmasına olanak sağlayacaktır. Bu tez, savaş başlığı testlerinde toplanan verilerin işlenmesi sürecinin iki yönünü ele almaktadır. İlk olarak, iki testten (DoPT ve AT) elde edilmiş fotoğraflar ile iki adet veri kümesi oluşturulmuştur. İki veri kümesinin temel isteri plakaların ve üzerinde bulunan deliklerin anlamsal bölütlemeyle benek bazında ayırt edilmesidir. Ancak iki veri setinin farklı karakteristikleri sebebiyle farklı stratejiler izlenmiştir. Delikleri benek bazında tespit etmek için literatürde benzer karakteristikteki veri setlerinde başarımı yüksek modeller ve kullanılan kayıp fonksiyonları incelenmiştir. İki küme için de bu modeller ve kayıp fonksiyonları eğitilerek başarımlar karşılaştırılmıştır. Deneylerde SCW veri kümesinde MCCM-Net ve Dice Loss $\approx\ \% 86$ IoU, AT veri kümesinde SegFormer + Cross Entropi $\approx\ \%65$ IoU ile en iyi sonuçları vermiştir. Sonuçlar sonrasında veri etiketleme tutarsılığı iki veri seti içinde çalışılmıştır. Aynı resimlerdeki farklı işaretleme tutarsızlıkları kıyaslanmıştır. Etiketleme uyumu SCW veri seti için $\%80 - 85$ IoU, AT için $\% 49 - 63$ IoU olarak bulunmuştur. Bu bulgular, etiket uyumu ve mimari seçimlerinin performans üzerindeki belirleyici etkisini ortaya koymaktadır. Çalışmanın ikinci kısmı, öncelikle tespit başarımını artıran yenilikçi yaklaşımları ele almaktadır. Bu kapsamda kullanılan derin gözetim (Deep Supervision) küçük nesnelerin tespitinde ara katmanlardaki gradyan akışını güçlendirmiştir. Önerilen öğrenilebilir atlama bağlantıları (Learning Gate) ise kodlayıcı–çözücü özniteliklerini piksel düzeyinde uyarlanabilir biçimde birleştirerek yerel detayların korunmasını ve bağlamsal bilginin daha etkili kullanılmasını sağlamıştır. Bu katkılar, model parametre sayısını azaltırken bölütleme doğruluğunu belirgin şekilde artırmıştır. Ardından, benek bazlı delik tespitlerinin yerleştirildiği otomatik çerçeve ve 3B yeniden inşa metodolojileri sunulmaktadır. Bu amaçla tasarlanan iki aşamalı işlem hattının ilk adımı düşük çözünürlüklü görüntülerden panellerin ayrılması, ikinci adımı ise yüksek çözünürlüklü paneller üzerinde delik ve kusurların hassas biçimde tespit edilmesidir. Delik merkezleri ve konturları belirlendikten sonra bu bilgiler 3B koordinatlara dönüştürülmüş ve hem noktasal hem de silindirik yüzey varsayımlarıyla harp başlığı geometrisi yeniden inşa edilmiştir. Böylece 4K (3840×2160) çözünürlüklü bir panelin saniyeler içinde işlenmesi mümkün hale gelmektedir. Süreç sürdürülebilir ve tekrarlanabilir bir yapıya kavuşmuştur. Sonuç olarak, çalışma piksel düzeyindeki bölütleme sonuçlarından 3B yeniden inşa sürecine uzanan uçtan uca bir yaklaşım sunarak panel başına onlarca saat sürebilen manuel analizleri saniye mertebesine indirmektedir. Derin gözetim ve öğrenilebilir atlama bağlantıları gibi yaklaşımlar savunma sanayinden farklı olarak, tıbbi görüntüleme ve endüstriyel kusur tespiti gibi alanlarda da uygulanabilir niteliktedir. Bu tez, bilgisayarlı görü yöntemlerini savunma sanayinin ihtiyaçlarıyla birleştiren yenilikçi ve bütüncül bir çerçeve ortaya koymaktadır.
Derin öğrenme algoritmaları kullanarak yazar, tür ve cinsiyet tanıma
Günümüzde artan veri miktarı, bu verilerin sınıflandırılma ihtiyacını beraberinde getirmiştir. Sınıflandırma, benzer özellikte olan verilerin kategorize edilmesi işlemidir. Bu çalışmada, veri olarak Türkçe haber metinlerinin seçildiği ve bu verilerin yazar, tür ve cinsiyete göre sınıflandırılabilmelerini sağlayan, makine öğrenmesi ve derin öğrenme algoritmalarının sınıflandırıcı olarak kullanıldığı geniş kapsamlı bir modelleme çalışması yapılması amaçlanmıştır. Bu amaçla ilk olarak, bir gazetenin köşe yazarlarına ait köşe yazılarını içeren, yazar tanıma, tür tanıma ve cinsiyet tanıma işlemlerinde kullanılabilecek, büyük ölçekli ve çoklu sınıflara sahip, toplam 14 adet yeni veri seti oluşturulmuştur. Yazar tanıma için 7, tür tanıma için 6 ve cinsiyet tanıma için de 1 adet olan bu veri setleri, Türkçe diline özel, doğal dil işleme adımlarından geçirilerek, sınıflandırma işlemlerinin yapılacağı sınıflandırıcıların uygulandığı ve en yüksek doğruluk başarılarının araştırıldığı, modelleme aşaması için hazır hale getirilmiştir. Modelleme aşamasında, Türkçe metinlerde yazar tanıma, tür tanıma ve cinsiyet tanıma problemlerinin çözümüne yönelik makine öğrenmesi algoritmalarından Multinominal Naive Bayes (MNB) ve Random Forest (RF) algoritmaları, derin öğrenme algoritmalarından da Convolutional Neural Networks (CNN) ve Long Short Term Memory (LSTM) algoritmaları, sınıflandırıcı olarak veri setlerine uygulanmıştır. Ayrıca, bu sınıflandırıcılardan en yüksek performansın alındığı hiperparametre değerleri, uzun deneysel çalışmalar sonucunda bulunmaya çalışılmıştır. Modelleme sonucunda, her bir veri seti için en iyi modellere ait, doğruluk, kesinlik ve duyarlılık değerleri kullanılarak her modelin performansı bulunmuştur. Modelleme aşamasının sonucunda, yazar tanıma için, genel olarak tüm veri setleri arasında, en yüksek başarının alındığı en iyi model, % 95,81 doğruluk başarı değeriyle, AI-TNKU-7 veri seti için, CNN algoritmasının sınıflandırıcı olarak kullanıldığı model olarak bulunmuştur. Tür tanıma içinse, en yüksek başarının alındığı en iyi model, GI-TNKU-6 veri seti için LSTM algoritmasının sınıflandırıcı olarak kullanıldığı ve %96,73 doğruluk başarı değerinin alındığı model olmuştur. Cinsiyet tanıma için de, en yüksek başarının alındığı en iyi model, %88,68 doğruluk başarı değeriyle LSTM algoritmasının sınıflandırıcı olarak kullanıldığı model olarak bulunmuştur.
Blok zinciri tabanlı kripto paraların çalışma yöntemlerinin araştırılması
Bir e-posta grubuna 2008 senesinde Satoshi Nakamoto tarafından gönderilen bir makale ile tanıtılan ve 2009 senesinde kullanımına başlanılan kripto para teknolojisi geçen zaman zarfında, dünya üzerinde gerek ekonomik gerekse teknolojik bir çok unsuru değiştirmiş ve bir devrim olarak kabul edilmiştir. Devletlerden, kişilerden ve sistemlerden bağımsız çalışan kripto paralar, merkezi olmadan, para transfer işlemlerinde aracı kurumları ortadan kaldırırken, büyük bir yatırım aracı haline dönüşmüş ve giderek kullanımı artmıştır. Özellikle son zamanlarda devletlerin gündemlerine aldıkları kripto paraların nasıl çalıştıkları, hangi algoritmaları kullandıkları, kullanılan bu algoritmaları nasıl bir senkronizasyon ile çalıştırdıkları gibi konularda kaynak bulmak zor olduğu gibi bir anlam karmaşası da yaşanmaktadır. Ayrıca kripto paraların nasıl olup da devletlerin dahi müdahale edemeyecekleri, dünyada elektrik ve internet olduğu sürece bu sistemin nasıl çalışmaya devam edeceği birçok kişi tarafından merak konusu olmuştur. Zaman içerisinde kripto paraların hem çalışma düzenleri hem de güvenlikleri açısından bir takım problemler ortaya çıkmıştır. Bu tez çalışmasında kripto paraların, Bitcoin özelinde, hangi algoritmaları nasıl bir senkronizasyon ile kullandıkları, blok zinciri teknolojisi ile kripto paraların nasıl bir ilişkisi olduğu gibi konular detaylı olarak anlatılmış ve geliştirilmeleri açısından bir takım önerilerde bulunulmuştur. Son olarak, bu tezde yer alan önerilerin uygulandığı bir kripto para simülatörü geliştirilmiş ve önerilerin uygulanabilirliği gösterilmiştir.
Yapay zeka ve derin öğrenme teknikleri kullanılarak yüz fotoğrafları içeren sahte fotoğraf ve video sentezi
Günümüzde sosyal medya ve Web aracılığıyla fotoğraf paylaşımı oldukça arttı. Neredeyse hemen her çekildiğimiz fotoğrafı, özel olsun olmasın, Web' e bir şekilde yüklüyoruz. Ama bu fotoğrafların kötü niyetli insanlar tarafından da görülebileceği ve kullanılabileceği konusunda pek bilinçli değiliz. Bu çalışmanın amacı da bu noktada ortaya çıkıyor. Çalışmada bu amaçla; bir kişinin gerçekte var olan kısa bir videosundan veya birkaç fotoğrafından bile, o kişinin yüz fotoğrafını içeren sahte videolar oluşturulabileceği kanıtlanmaktadır. Bu birkaç fotoğraf veya kısa bir video alınıp derin öğrenme teknikleriyle eğitilerek sahte fotoğraflar ve videolar oluşturulabilir. Sahte videolarda kişinin yüzüyle başka bir kişinin yüz değişimi (Face swapping) uygulanabilir veya kişinin yüzüne yeniden canlandırma (hareketlendirme) (Face reenactment) yapılabilir. Yeniden canlandırmada ise kaynak bir kişinin yüzüne başka bir kişinin videosundaki yüz hareketleri uygulanabilir. Hatta StyleGAN gibi teknikler ile gerçek insan yüz fotoğraflarından oluşan bir fotoğraf kümesi kullanılarak var olmayan insan fotoğrafları bile üretilebilir. Yaygın olarak Derin sahtelik (Deepfake) teknolojisi olarak bilinen bu teknikler, bu çalışmada yüzde kullanılan çeşitleri ve yapıları ile birlikte ele alınmıştır. Bu teknikler, eski dönemlerde yaşamış bilim adamlarının, ünlülerin var olan fotoğraflarına yeniden canlandırma yapılıp konuşturularak çocuklar için eğitim amaçlı kullanılabilir. Kuklacılıkta bu yöntem kullanılabilir. Oyuncuların (Aktörlerin-Aktrislerin) yerine sahnelerde, onların fotoğraflarıyla bilgisayarda yeniden canlandırma yapılabilir. Portreler canlandırılabilir (hareketlendirilebilir). Bilgisayar oyunlarındaki karakterlerde de bu yöntem kullanılabilir. Son zamanlarda özellikle bu teknolojilerle oluşturulan Kemal Sunal başta olmak üzere birçok oyuncu ve sanatçının videoları, reklam filmlerinde ve sosyal medyada artmıştır. Bu çalışmanın benzer araştırmalardan ayrıldığı nokta ise eğitim için kullanılacak olan verinin diğer çalışmalardaki verilerden daha az olması ve sahte video oluşturma çeşitlerinin, yapılarının birlikte ele alınmasıdır. Veri eğitimi için kullanılan materyal GPU ve veri seti olarak ise VoxCeleb veri seti, birkaç kısa video ve birkaç fotoğraftan oluşmaktadır. Kullanılan yöntem ise Çekişmeli üretici ağlar ve Otomatik kodlayıcılar gibi üretken ağlardır. Yapılan çalışma kullanılan video ve fotoğraflarda yüzün karşıya (öne) dönük veya hafif sağa ya da hafif sola dönük iken, yüz hareketinin belirli bir alanda sınırlı olduğunda ve yüzün yavaş hareket ettiğinde yapay zekayı daha iyi eğittiği ve bu eğitim verileri kullanılarak oluşturulan sahte videoların daha başarılı olduğunu göstermiştir.
Türkiye için yapay sinir ağları ve zaman serisi yöntemleriyle yenilenebilir enerji üretimi tahminleri
Zaman içerisinde artmakta olan nüfus ve gelişmekte olan sanayi ve yaşam şartlarındaki değişimler sebebiyle sürekli veya çevre kirliliğini en aza indirgediği için yenilenebilir enerji kaynakları tercih edilir. Yapılan çalışmada Türkiye'deki yenilenebilir enerji kaynaklarından elektrik üretim oranı, gelecek yıllar içerisinde gereksiz enerji kaybını önlemek için uygun bir şekilde belirlenmelidir. Bu kaybı önlemek için 1960-2019 yılları arasında Türkiye'deki yenilenebilir enerji kaynaklarından elektrik üretim oranları veri kümesi zaman serisi analizi ve yapay sinir ağları tahminleme teknikleri kullanılarak işlenmiştir. Ayrıca 2020'den 2025 yılına dahil olmak üzere tahminleme işlemi de yapılmıştır. Kullanılan tahminleme tekniklerin performans değerlendirmesi için veri kümesinin içerisinde 1960-2014 arasındaki veriler eğitim verisi, 2015-2019 arasındaki veriler ise test verisi olarak alınarak ortalama mutlak hata (MAE) ve kök ortalama kare hatası (RMSE) değerleri üzerinde incelenmiştir. En iyi sonucu veren tekniğin sinir ağı otoregresyon (NNAR) olduğu ortaya çıkmasına rağmen yapılan tahminleme işleminde elde edilen değerlerin sabit kalmasından dolayı tercih edilmemiştir. Onun yerine, ARIMA (2,2,1) modeli ve kübik düzeltme spline teknikleri tercih edilebileceği ortaya çıkmıştır. Bu çalışmada yenilenebilir enerji kaynaklarını önceden öngörerek bunun için, daha verimli planlamalar ve organizasyon olması gerektiği belirlenmiştir. Anahtar kelimeler: Yenilenebilir enerji, Yapay Sinir Ağları, Zaman Serisi Analizi, ARIMA, Kübik Düzeltme Spline, Sinir Ağı Otoregresyon
Bilişim alanında öğrenim gören lise öğrencilerine yönelik üniversite tercihlerinin yapay zeka yöntemleri ile analizi
Günümüzde veri üreten ve depolayan kaynakların artması ile birlikte büyük ve karmaşık verilerin popülasyonunda da hızlı bir artış olmuştur. Bu duruma eş zamanlı olarak hesaplama yeteneği gelişen bilgisayarlar ve yazılımlar ortaya çıkmıştır. Ancak hala karmaşık veriler içerisinden anlamlı bilgiler çıkarmak aşılması gereken zorluklar arasındadır. Veri madenciliği bilimi bu zorlukların üstesinden gelmek için çok sayıda disiplin ile işbirliği yaparak yeni yollar ve yöntemler aramaktadır. Özellikle yapay zeka algoritmaları veriler içerisindeki karmaşık ilişkilerin ortaya çıkarılmasında etkin bir rol oynamaktadır. Günümüzde çok sayıda karmaşık problem vardır ve bunlardan biri de lise öğrencilerinin üniversitede en yüksek verimi sağlayabilecekleri bölüme yönlendirmek ya da bu seçimi etkileyen unsurları ortaya çıkarmaktır. Bu tez çalışmasında bilişim teknolojisi bölümünde okuyan lise öğrencilerinin üniversitede bölüm seçimini etkileyen unsurların birliktelik kuralları (association rules) ile ortaya çıkarılması amaçlanmıştır. Çalışmada kullanılan veriler, katılımcıların kendi istekleri ile yanıtladıkları bir anket ile açık veri toplama yöntemiyle elde edilmiştir. Bu veriler birliktelik kuralı çıkarımları için kullanılmıştır. Analiz işleminin temel amacı bölümlerini lise yıllarında belirleyen öğrencilerin üniversitede de aynı bölüm veya alana devam edip etmediğinin ve bu seçiminin sebeplerini ortaya çıkarmaktır. Öğrencilerin çalışmayı sevdikleri dersler ile ilgi alanlarının ve uğraştıkları etkinliklerin birliktelik kurallarının tespit edilmesi sağlanmıştır. Böylece ilgi alanları belirlenen öğrencilerin doğru bölüm ve tercihlere yönlendirilmeleri sağlanabilecektir. Elde edilen bulgular öğrencilerin okudukları-okumak istedikleri bölüm seçimine etki eden bazı özelliklerin bulunduğunu göstermiştir.
Denormalizasyon ile sorgu işleme süresini iyileştirme: Akademik veri yönetim sistemi uygulaması
Günümüz teknoloji çağında yazılım performansı kullanıcılar için büyük önem taşımaktadır. Veri tabanı tasarımı yazılım performansını iyileştirmek için yapılacak en etkili yöntemlerden biridir. Genellikle Veri tabanı tasarımında kullanılan normalizasyon işlemi veri sayısı arttıkça performans kaybına neden olur. Bu sorunu ortadan kaldırmak amacı ile denormalizasyon devreye girer. Bu çalışmada, akademik verilerin tutulduğu bir veri tabanında sorgu süresini iyileştirmek amaçlı çalışmalar yapılmıştır. Çalışmada Normalizasyon, İndeksleme, NoSQL ve Denormalizasyon olmak üzere dört farklı veri tabanı tasarım yöntemi incelenmiştir.
Derin öğrenme yöntemleri ile meyvelerin tazelik durumunun belirlenmesi
Bilindiği üzere günümüzde derin öğrenme teknolojisi yüz tanıma, ses tanıma, güvenlik sektörü, savunma sanayi gibi pek çok alanda kullanılmaktadır. Pek çok katmanlardan oluşan derin öğrenme, makine öğrenmesinin bir dalıdır. Derin öğrenme ile modele bir veri kümesi vererek çıktıların tahmin edilmesi sağlanabilir. Günümüzde meyve tazeliği önemli sağlık, çevre ve ekonomik sorunlardan biridir. Bu çalışmada seçilen üç meyve; elma, portakal ve muz üzerinde çalışmalar yapılmıştır. Çalışmada iki tane VGG16 baz alınarak model geliştirilmiş ve iki tane VGG19 baz alınarak model geliştirilmiştir. Bu geliştirilen modeller, elde bulunan üç meyve türünün veri setleri üzerinde test edilerek en iyi sonucu hangisinden alınabileceği saptanmış ve modeller birbiri ile kıyaslanmıştır.
Histopatolojik meme kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Anahtar Kelimeler: Görüntü İşleme, Yapay Zekâ, Derin Öğrenme, Yapay Sinir Ağları, Histopatolojik Görüntüler, Meme Kanseri.
Futbol maçları için taktik tabanlı tahmin sistemi
Spor müsabakaları organizasyonları insanların zaman geçirdikleri önemli faaliyetler arasında yer almaktadır. Spor müsabakaları arasında futbol, dünyadaki en yüksek popülerlik oranına sahiptir. Birçok futbol müsabakası hem bölgesel bazda hem de uluslararası bazda düzenlenmektedir. Futbol maçlarının sonuçları futbol takımı taraftarları için çok önemlidir ve günlük yaşamlarında destekledikleri takımın sonuçlarına göre mutlu ya da üzgün olabilirler. Yapay zekâ ve makine öğrenmesindeki gelişmeler sonucunda birçok alanda yapılan tahminler futbol sonuçlarının tahminini de içermektedir. Ekonomik getirileri de olan futbol bahis sistemi düşünüldüğünde, futbol maç sonuçlarının tahmin edilmesi önem kazanmıştır. Bu çalışma, İtalya-Serie A, İngiltere-Premier Lig ve Alman-Bundesliga liglerindeki sonuçları tahmin etmek için bilindiği kadarı ile literatürde ilk kez sunulan taktik tabanlı bir tahmin yaklaşımı sunmaktadır. Bu yaklaşımda oyuncuların sahadaki pozisyonları ve piyasa değerleri web sayfalarından otomatik olarak alınmakta ve veri madenciliği yöntemlerine açık hale getirilmektedir. Veri madenciliği aşamasında Torbalama, Yinelemeli Sınıflandırıcı İyileştirici ve Derin Öğrenme gibi farklı yöntemler karşılaştırılmakta ve üç yöntemin farklı liglerde benzer sonuçlar verdiği görülmektedir. Veri madenciliği yöntemlerinde yaklaşık %60 doğruluk elde edilmektedir. Her üç lig için makine öğrenmesi yöntemlerinde kullanılan özellikler incelendiğinde takım sıralamasının maç sonuçlarını etkileyen en önemli özellik olduğu görülmüştür. Serie A'da Stoper ve Merkez Orta Saha özellikleri öne çıkarken, Premier Lig'de Sağ Kanat ve Kaleci gibi farklı özelliklerin önemli olduğu görülmüştür. Bundesliga'da Stoper ve Santrafor özelliklerinin maç sonuçlarına daha çok etki ettiği görülmüştür.
Konvolüsyonel sinir ağlarını kullanarak bitki türlerinin sınıflandırılması ve bitki hastalıklarının tanısı
Görüntü sınıflandırma, başta tarım, sağlık, ulaşım olmak üzere birçok alana hizmet sunmakla birlikte, insan gücü ile tahmin edilmesi güç problemlerde kullanmış olduğu yapay zeka mimarileriyle birlikte çok kısa sürede ve çok daha az maliyet ile gerçekleştirmektedir. Tarım alanında ise, bitki türlerinin belirlenmesi, bitki hastalıklarının tahminleri gibi süreçler insan gücü ile laboratuvar ortamlarında çok uzun süreçlerde gerçekleştirmekte olup, alınacak tedavide geç kalınabilmektedir. Derin öğrenme algoritmalarından olan konvolüsyonel sinir ağı, bitkilerin sınıflandırmaları ve sahip oldukları hastalıkların teşhislerinde çok kısa sürelerde çok başarılı sonuçlar sunmaktadır. Bu çalışmada, popüler bir veri seti olan Plantvillage veri seti ele alınmıştır ve bu veri setinden, büyük ölçekli ve küçük ölçekli durumlarının yanı sıra, çok sınıflı ve az sınıflı olmak üzere toplamda 8 adet yeni veri seti oluşturulmuştur. Oluşturulan bu veri setleri kullanılarak, bitki türlerinin sınıflandırılması, bitki hastalık tahmini ve bitki hastalıklarının sınıflandırılması için modelleme çalışmaları gerçekleştirilmiştir ve her bir sınıflandırma problemi için, geniş kapsamlı deneysel çalışmalar sonucunda en iyi modeller bulunmaya çalışılmıştır. İlk modelleme çalışmalarında, bitki türlerinin sınıflandırılması problemine yönelik hazırlanmış olan 6 farklı dengeli veri seti kullanılarak, Alexnet mimarisi uygulanmıştır ve en iyi model, % 99,88 test doğruluk başarısı elde edilmiştir. İkinci modelleme çalışmalarında, bitki hastalık tahmini problemine yönelik hazırlanmış olan, 2 sınıftan oluşan dengeli veri seti kullanılarak, literatür sonuçlarında gözlemlenen CNN'in en popüler 9 farklı derin öğrenme modelleri uygulanmıştır. Bitki hastalık tahmini için en iyi model, GoogleNet/Inception mimarisinin kullanıldığı model olmuştur ve 3 kez çapraz doğrulama ile %99,91 doğruluk başarısı elde edilmiştir. Son olarak, bitki hastalıklarının sınıflandırılması problemine yönelik, kullanılan veri seti ile DenseNet modeli en iyi model olarak bulunmuştur ve 10 kez çapraz doğrulama ile %99,14 doğruluk başarısı elde edilmiştir.
Derin öğrenme yöntemleri ile görüntü sahteciliği tespiti
Günümüzde her geçen gün kullanımı artan sosyal medya ve internet sayesinde neredeyse çekilen her fotoğraf internet ortamına yüklenmektedir. Bu sebeple görüntü elde etmek çok daha kolay hale gelmiştir. Görüntülerin kolaylıkla elde edilmesi, gelişen teknolojiler sayesinde görüntü üzerinde değişiklik yapılmasını teşvik edici hale gelmiştir. Görüntüler üzerinde kişinin kendi isteği ile yapmış olduğu değişikliklerin yanı sıra kötü niyetli kişiler tarafından yapılan değişiklikler ise bir takım sorunlara yol açmakta olup istenmeyen durumlar yaratabilmektedir. Yapılan değişiklikler ile kişisel verilerin ihlalinden herhangi bir resmi belge üzerinde sahteciliğe kadar geniş bir alanı etkilemektedir. Sahtecilik yöntemleri farklı şekilde yapılmaktadır. Kopyala-taşı yöntemi, mevcut görüntüdeki bir alanın aynı görüntü üzerinde farklı bir alana kopyalanması ile yapılmaktadır. Görüntü birleştirme, farklı iki görüntünün istenilen alanları birleştirilmesi ile oluşturulmaktadır. Görüntü rötuşlama, görüntü üzerinde istenmeyen bölgelerin etkisi azaltarak ya da istenilen alan üzerinde iyileştirme yapılarak görüntü daha ilgi çekici hale getirilmektedir. Çalışmada bu düşünceden yola çıkılarak görüntüler üzerinde değişiklik olup olmadığının tespit edilmesi eğer değişiklik var ise o alanın işaretlenmesi için derin öğrenme yöntemi kullanılmıştır. Derin öğrenme yöntemleri sayesinde yüksek boyutlu verilerde daha hızlı ve daha yüksek başarı elde edilmiştir. Çalışmada CASIA ve CoMoFoD veri setleri üzerinde uygulama gerçekleştirilmiştir. Veri setleri üzerinde yapılan testler sonucunda ortalama %76,86 oranından doğruluk elde edilmiştir.
Hareketli görüntülerdeki insanların yüz tanıma metoduyla sınıflandırılması
Günümüzde insan odaklı işler yavaş yavaş teknolojinin gelişmesiyle birlikte yerini otomatik sistemlere bırakmaya başlamıştır. Bundan dolayı bilgisayarlara ve makinelere verilen görevlerin yerine getirilebilmesi için insanların yapılacak işten ziyade bilgisayarlara yaptıracağı iş gün geçtikçe önem kazanmaktadır. Bir sistemin otomatik çalışması için bir öğrenme mekanizmasının ve karar verme mekanizmasının ardı ardına yerine getirilmesi gerekmektedir. Özellikle siber güvenlik tarafında gelişen sistemler ile birlikte yüz tanımanın önemi de her geçen gün artmaktadır. Özellikle güvenlik güçleri tarafından kullanılan yüz tanıma sisteminin faaliyetleri dünya üzerinde her geçen gün artmaktadır. Bu noktada yüz tanıma sistemlerinin bazı gereksinimler ortaya çıkmaktadır. Bu gereksinimleri karşılamak yüz tanıma tekniklerinin gerçekleştirilebildiği yazılımlar kullanılır. Bu yazılımların temel amacı, yardımcı araçlar ile dijitale dönüştürülen görüntülere anlam kazandırmaktır. Bu çalışma hareketli görüntülerdeki yüzlerin tespiti yapıldıktan sonra, tespit edilen yüzü sınıflandırabilmek için yüz adlandırılarak yüze verilen isim ile yüzün görüntüsü bir klasöre kaydedilerek, insan yüzlerinin isim ile saklandığı bir klasör oluşturur. Bu işlem sonucunda insan yüzlerinden oluşan veri tabanlarına daha kolay veri toplanabilir veya yüz tanıma teknolojisi kullanan uygulamalar için kolay öğrenme yöntemi olabilir.
Bulanık mantık ve yapay sinir ağı yöntemleri ile kurutma sürecinin modellenmesi
Fındık üretiminde ön sıralarda yer alan Türkiye'de, genelde Karadeniz Bölgesinde yetiştirilen bu ürünün, diğer gıda ürünleri gibi kurutularak saklanması ürünün kullanım ömrünü uzatmaktadır. Genelde açık havada kurutulan bu tip ürünler için zemin ve iklim şartlarının elverişli olmaması nedeniyle birçok kurutma yöntemi geliştirilmiştir. Bu yöntemler kurulması ve işletmesi maliyetli olan yöntemlerdir. Ürünün kurutulması ve nem miktarının hesaplanması ile bu maliyetin azaltılması planlanmaktadır. Bunun için kullanılacak yöntemlerden biri de yapay zeka teknikleridir. Bu tez çalışmasında yapay zeka tekniklerinden olan yapay sinir ağları ve bulanık mantık tabanlı çıkarım sistemi bu kurutma parametrelerinin tahmini için kullanılmıştır. Bu yüksek lisans tez çalışmasında birçok farklı model oluşturulan yapay sinir ağının, en iyi sonuç veren modeli ile bulanık mantık çıkarım modeli karşılaştırılmış, deneysel verilere olan yakınlıkları incelenerek bir tahmin sistemi kurulması hedeflenmiştir
Görüntü işleme teknikleri kullanılarak göz kırpma hareketleriyle tekerlekli sandalye simülatörü kontrolü
Görüntü işleme, bilgisayarla bütünleşik olarak birçok endüstriyel ve teknolojik uygulamalarda kullanılabilen bilgisayar çalışmasıdır. Dijital ortama aktarılan görüntülerin sayısal verileri kullanılarak iyileştirilmiş veya değiştirilmiş birbirinden farklı görüntüler elde edilebilmektedir. Aynı zamanda görüntü işleme tekniklerinden faydalanılarak nesne tanıma işlemleri de gerçekleştirilebilmektedir. Görüntü işleme sistemi yüz tanıma sistemlerinde sahteciliğe karşı koruma için de kullanılabilir. Göz kırpılmalarının algılanması, operatör olarak çalışan kişilerin dikkatini izleyen sistemlerde önemlidir. Bu çalışmada, görüntü işleme teknikleri kullanılarak tespit edilen yüz bölgesinden OpenCv ve Dlib kütüphaneleri kullanılarak göz ve kaş unsurları ayrıştırılıp elde edilen veriler işlenmeye çalışılmıştır. Python programlama dili ile yazılım algoritmaları oluşturulmuştur. Yapılan filtrelemeden elde edilen göz kırpma algılama işlemleri göz bölgesinde herhangi bir rahatsızlık olmayan kişiler üzerinde test edilmiştir. Farklı ışık Lüx değerlerine sahip ışık ortamlarının göz kırpılmalarına olan etkileri Arduino ile geliştirilen LDR sensörü ile hesaplanmıştır. Aynı zamanda ışık kaynağının bulunduğu açının yüz hatlarının ve göz kırpılmalarına etkileri gözlemlenmiştir. Kamera açısının ve mesafesinin göz kırpılmalarının hesaplanmasına olan etkileri hesaplanmıştır. Uzun deneysel çalışmalar sonucunda elde edilen verilerin Raspberry Pi modülüne gönderilip hazırlanan algoritmalar ile tekerlekli sandalye yerine geçecek mini robotun kontrolü sağlanmıştır.
Lenf kanseri görüntülerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Lenf kanseri veya diğer bir adıyla lenfoma, vücudun savunma hücrelerinin kanserleşerek kontrolsüz çoğalmasıdır. Lenfoma, kan kanserleri grubunda yer almaktadır ve bu grupta yer alan diğer kanserlere göre görülme sıklığı daha fazladır. Bu hastalıkta erken ve doğru teşhis çok önemlidir. Tehlikeli ve ciddi bir kanser türü olan lenfoma, duruma göre ölümle sonuçlanabilir. Uzmanların erken ve doğru teşhis yapabilmesine yardımcı olmak için uzman destek sistemleri geliştirilmektedir. Sağlık alanındaki uzman destek sistemler, belli bir hastalığa ait verileri makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak sınıflandırılmasını sağlar. Literatürdeki çalışmalar incelendiğinde uzman destek sistemlerinin başarıları görülmektedir. Çalışmada lenf kanserine ait histopatolojik görüntüleri içeren bir veri setiyle çalışıldı. Veri setinde CLL, FL ve MCL türünde lenfomalara ait görüntüler bulunmaktadır. Veri setinde artırım yapmak için 90, 180, 270 ve 360 derecelik açılarda dönme işlemi yapılmıştır. Bu görüntülerdeki özellikleri çıkarmak için ilk yaklaşımda GLCM ve diğer yaklaşımlarda transfer öğrenme metoduyla derin öğrenme mimarileri kullanılmıştır. Özellik seçimi ve boyut azaltımı için PCA kullanılmıştır. Sınıflandırma aşamasında; makine öğrenmesi algoritmalarından RF, KNN, NB, DT ve derin öğrenme mimarilerinden VGG16, ResNet50 ve DenseNet201 kullanılmıştır. Model eğitimleri ikili ve üçlü sınıflar için ayrı ayrı yapılıp sonuçlar incelenmiştir. MCL ve CLL türündeki lenfomaları kendi içerisinde ayırt edilmeleri zordur. Bu yüzden bu lenfomanın sınıflandırma sonuçları diğer sınıflandırma sonuçlarına göre daha düşüktür. FL, diğer iki lenfomayla özellikleri ayırt edilebileceği için FL ile sınıflandırma sonuçları yüksektir. Çalışmada en yüksek başarıyı FL ve CLL'yi %94 doğrulukla sınıflandırarak DenseNet201 göstermiştir.
Covıd-19'un yayılma sürecinde yaşam alışkanlıklarının etkisinin yapay zeka ile analizi
Pandemiler toplumların sosyal ve ekonomik durumlarını büyük ölçüde etkileyen olaylardır ve yayılımını etkileyen unsurları belirlemek, onlarla başa çıkabilmek için etkili ipuçları ve önemli bilgiler içerebilir. Bu tez çalışmasında Türkiye'de COVID-19 pandemisi boyunca enfekte olmuş ve enfekte olmamış kişilerin davranışsal özellikleri ve alışkanlıkları yapay zekâ tekniklerinden sınıflandırma ve birliktelik kuralları metodolojisi kullanılarak analiz edilmiştir. Sınıflandırma bulguları virüse enfekte olma ("Evet" sınıfı) ve olmama durumunun ("Hayır" sınıfı) Random Committe algoritması ile sınıflandırılabileceğini göstermektedir. Bunun yanında 42 öznitelik kullanılarak elde edilen sınıflandırma başarımının dahada artırılarak 14 özniteliğe indirilebileceği görülmüştür. Azaltılmış öznitelik ile başarım oranının arttığı ve %81 doğruluk, 0,3663 kappa değerleri ile RRF (Regularized Random Forest) algoritması tarafından enfekte olma durumunun tahmin edilebileceği ortaya çıkarılmıştır. Çalışmanın devamında öznitelikler arasındaki ilişkileri keşfetmek için birliktelik kuralı analizleri gerçekleştirilmiş ve "Evet" sınıfı için 21 adet kural bulunmuştur. "Hayır" sınıfı için ise kural sayısı azaltılarak, toplamda 2805 adet kural elde edilmiştir. Bulgular, hanede 1 kişi yaşayan, günde 1- 3 kez yakın temasta bulunan, ev dışında 4-6 saat yakın temasta bulunanların "Evet" sınıfı için kuvvetli birliktelikler içerdiğini göstermektedir. "Hayır" sınıfı için ise, gerekli olmadıkça seyahatten çoğu zaman kaçınma, salgının başlangıcından bu yana vücut ağırlığı değişmeme, işe gitmek yerine çoğu zaman evde çalışma, açık alanda küçük sosyal topluluklardan bazen kaçınma davranışı gösteren bireylerin "Hayır" sınıfı ile kuvvetli birliktelikler gösterdiği tespit edilmiştir. Sonuç olarak bu tez çalışmasında salgınların bulaşma ve yayılma sürecine yaşam alışkanlıklarının etkisinin olduğu ve yapay zeka teknikleriyle bunların ortaya çıkarılarak modellenebileceği bilimsel bulgularla gösterilmiştir.
Rüzgar gücünün bulanık mantık ve yapay sinir ağları ile tahmin edilmesi
Günümüzde teknoloji geliştikçe dünyadaki çoğu ülke enerji ihtiyacını fosil yakıtlardan ve nükleer enerji santrallerinden karşılamaktadır. Ancak bu yakıtların giderek azalması ve çevre üzerinde önemli olumsuz etkilere neden olması nedeniyle, bu konudaki akademik çalışmalarla birlikte alternatif enerji uygulamalarına yönelme ihtiyacı ön plana çıkmıştır. Yenilenebilir enerji kaynaklarının geliştirilmesi, enerjide çeşitliliğin sağlanması ve enerji eksikliğinin giderilmesi açısından önem arz etmektedir. Rüzgar enerjisi, yenilenebilir enerjinin en önemli biçimlerinden biri haline gelmiştir. Rüzgar enerjisinin potansiyelini verimli bir şekilde kullanmak için, rüzgar gücünün tahmini çok önemlidir. Rüzgar gücünün tahmini için yapay sinir ağı (YSA) ve uyarlanabilir nöro-bulanık çıkarım sistemi (ANFIS) önerilmiştir. Çalışmada, seçilen rüzgar türbininin rüzgar hızları, ürettiği güç değerleri ve Velimeşe bölgesinin rüzgar hızı değerleri alınarak veri setleri oluşturulmuştur. Tek katmanlı ve çok katmanlı YSA modelleri oluşturularak farklı aktivasyon fonksiyonları ve farklı nöron sayıları ile ağ birden çok kez eğitilmiş ve rüzgar gücü tahmini yapılmıştır. ANFIS modelinde üyelik fonksiyon sayısı sabit tutularak farklı üyelik fonksiyonları kullanılarak rüzgar gücü tahmini yapılmıştır. Oluşturulan modellerde bildirilen hatalar kabul edilebilir sınırlar içerisinde olup ANFIS modelinin, YSA modelinden daha iyi sonuçlar ürettiği görülmüştür. Bu da ANFIS'in rüzgar enerjisi tahmini için kullanılabileceğini göstermektedir.
Geliştilmiş tuna algoritmasının optimizasyon ve mühendislik problemlerindeki etkisi
Tuna Sürü Optimizasyonu (TSO), tuna balıklarının avlanma stratejilerinden esinlenerek geliştirilen güçlü bir meta sezgisel algoritmadır. Ancak, erken yakınsama ve yerel minimum tuzağı gibi temel dezavantajları bulunmaktadır. Bu çalışmada, TSO'nun bu eksikliklerini gidermek ve performansını artırmak amacıyla üç yeni algoritma geliştirilmiştir: TSO-CM (Chebyshev Haritası ile geliştirlmiş TSO), CSTSO (Guguk Kuşu Araması ile Geliştirilmiş TSO) ve CSTSO-CM (Chebyshev Haritası ve Guguk Kuşu Araması ile Geliştirilmiş TSO). TSO-CM, Chebyshev Haritası'nın sağladığı kaotik yapı ile başlangıç çözümlerini çeşitlendirerek yerel optimum tuzağından kaçmayı ve arama sürecinde popülasyon çeşitliliğini artırmayı hedeflemektedir. CSTSO, Guguk Kuşu Arama algoritmasının uyarlanabilir arama mekanizması sayesinde erken yakınsama sorununu önleyerek daha geniş bir arama alanını keşfetmeyi sağlamaktadır. CSTSO-CM ise her iki yöntemin güçlü yönlerini birleştirerek küresel optimuma daha hızlı ve yüksek doğrulukla ulaşmayı amaçlamaktadır. Geliştirimiş algoritmaların performansı, çeşitli benchmark fonksiyonları üzerinde test edilmiş ve CSTSO-CM'in üstünlüğü Friedman ve Wilcoxon testi ile istatistiksel olarak kanıtlanmıştır. Ek olarak, mühendislik optimizasyon problemleri üzerinde de değerlendirmeler yapılmıştır: CSTSO, Welded Beam tasarımı problemine uygulanarak etkili sonuçlar elde etmiş, CSTSO-CM ise Gear Train tasarımı probleminde başarılı performans sergilemiştir. Sonuçlar, önerilen algoritmaların arama doğruluğu, çeşitlilik ve küresel optimuma yakınsama açısından mevcut meta sezgisel algoritmalara kıyasla üstün performans sergilediğini ortaya koymaktadır. Bu bağlamda, geliştirilen yöntemlerin optimizasyon problemlerine yenilikçi ve etkili çözümler sunduğu gösterilmiştir. Anahtar Kelimeler: Chebyshev Haritası, Guguk Kuşu Araması, Hibrit, Tuna Sürü Optimizasyonu
Siber güvenlikte öne çıkan ülkelerin politikalarının incelenmesi ve türkiye'nin siber güvenlik stratejileri
SİBER GÜVENLİKTE ÖNE ÇIKAN ÜLKELERİN POLİTİKALARININ İNCELENMESİ VE TÜRKİYE'NİN SİBER GÜVENLİK STRATEJİLERİ başlıklı bu çalışma, dünya genelindeki önde gelen ülkelerin siber güvenlik politikalarını inceleyerek Türkiye'nin mevcut stratejileri ile karşılaştırmayı amaçlamaktadır. Günümüzde siber tehditlerin artması ve dijitalleşmenin hız kazanmasıyla birlikte, ülkeler siber güvenliği ulusal güvenliklerinin ayrılmaz bir parçası olarak kabul etmektedir. Bu bağlamda, ABD, Çin, Rusya, İsrail ve bazı Avrupa Birliği ülkeleri gibi küresel güçlerin geliştirdiği siber güvenlik politikaları önemli bir rol oynamaktadır. Çalışmanın amacı, bu ülkelerin siber güvenlik stratejilerinin başarılı yönlerini belirleyip Türkiye'nin stratejileriyle kıyaslamak ve siber güvenlik alanındaki iyileştirme önerilerini ortaya koymaktır. Çalışma, bu politikaların etkilerini, Türkiye'nin siber güvenlik politikalarına nasıl entegre edilebileceğini ve Türkiye'nin ulusal stratejilerinin güçlendirilmesi için gerekli adımları tartışmaktadır. Türkiye'nin yıllar içerisinde uygulamaya koyduğu Ulusal Siber Güvenlik Stratejileri ve Eylem Planları bu bağlamda önemli bir inceleme konusudur. Sonuç olarak, Türkiye'nin küresel siber güvenlik ekosistemine uyum sağlaması ve ulusal güvenliğini korumak adına atması gereken stratejik adımlar vurgulanmaktadır.
EEG sinyalleri kullanarak epileptik nöbetlerin önceden tahmin edilmesi
Epilepsi, beyindeki anormal elektriksel aktiviteler sebebiyle oluşan ani nöbetlerin sonucu olarak, bilinç kaybı, kontrol edilemeyen kas hareketleri ve iletişim zorlukları gibi ciddi problemlere sebep olan kronik bir nörolojik hastalıktır. Bu nöbetlerin ani ve tahmin edilemez doğası, hastaların yaşam kalitesi ve güvenliğini tehdit etmekte, kazalara, yaralanmalara ve hatta ölümlere sebep olabilmektedir. Dolayısıyla epileptik nöbetlerin önceden doğru biçimde tahmin edilmesi, yaşanabilecek olumsuz olaylara karşı önlem almak için kritik bir öneme sahiptir. Özellikle derin öğrenme tabanlı yöntemler, epileptik nöbetlerin tespiti, sınıflandırılması ve tahmin edilmesi gibi karmaşık biyomedikal sinyal analizlerinde geleneksel yöntemlere kıyasla yüksek başarılar elde etmektedir. Bu yöntemler, EEG sinyallerindeki gizli desenleri ve derin özellikleri yakalama konusunda üstün yetenekleriyle öne çıkmaktadır. Bu çalışmasında, epileptik nöbetlerin belirli bir süre önceden tespiti için, EEG sinyallerinin zaman temsilini temel alan yenilikçi hibrit ve füzyon tabanlı yaklaşımlar önerilmiştir. Çalışmada önerilen yöntemler, epileptik nöbet tahmini için EEG sinyallerinde bulunan karmaşık ve gizli desenlerin daha etkin biçimde yakalanmasına odaklanmaktadır. İlk ikisi temel model olmak üzere, önerilen modeller şunlardır: (a) Zamansal Evrişimli Ağ, zaman dizileri kullanarak EEG sinyallerinin zamansal dinamiklerini yakalamaktadır, (b) Tiny Transformer, EEG spektrogramlarını düşük karmaşıklığa sahip Transformer yapısı ile analiz etmekte ve kompakt yapısıyla dikkat çekmektedir, (c) Hiyerarşik Zamansal Tiny Transformer, EEG verilerindeki çok ölçekli zamansal bağımlılıkları, sıralı temporal evrişimler ve Transformer modüllerini kullanarak hiyerarşik olarak öğrenmektedir ve (d) Paralel Zamansal Tiny ViT Transformer, EEG sinyallerinin frekans ve zamansal bilgilerini, sıralı zamansal evrişim ve Transformer tabanlı iki ayrı paralel kolda işleyerek, elde edilen temsilleri füzyon mekanizmasıyla birleştirmektedir. Hiyerarşik mimari, zamansal özellikleri sıralı modüller aracılığıyla işler. Zamansal Evrişimli Ağ kısa vadeli dinamikleri çıkarırken, Geçitli Tekrarlayan Birim (Gated Recurrent Unit, GRU) sıralı bilgiyi düzenler, ardından zamansal dikkat mekanizması bilgi açısından zengin zaman adımlarını vurgular ve son olarak Tiny Transformer, uzun menzilli bağımlılıkları kendiliğinden dikkat yoluyla yakalar. Paralel yapıdaki modelde, ham EEG ve spektrogram temsilleri eş zamanlı olarak Zamansal Evrişimli Ağ ve Görsel Transformer (ViT) kollarında işlenmekte ve tamamlayıcı zamansal ile spektral özellikler çapraz dikkat (cross-attention) tabanlı bir füzyon stratejisiyle birleştirilmektedir. Yapılan deneysel değerlendirmelerde tüm modeller üstün performans göstermiş olsada, Hiyerarşik Zamansal Tiny Transformer mimarisi, %93,32 duyarlılık, %94,29 kesinlik, %96,19 doğruluk ve 0,99 AUC değerleri ile diğer yöntemlere göre daha iyi performans sergilemiştir. Bu sonuçlar, EEG sinyallerinin farklı temsillerinin entegre edilmesinin epileptik nöbet tahmini için güçlü bir strateji olduğunu göstermektedir. Sonuçlar, çalışmanın epileptik nöbetlerin daha erken ve doğru bir şekilde tahmin edilmesinde etkili olduğunu göstermekle birlikte ileri düzey yaklaşımların geliştirilmesine yönelik değerli katkılar sunmaktadır.
Araçların interneti uygulamaları için V2X tabanlı sistemlerde gerçek zamanlı optimizasyon çözümleri
Bu tez çalışmasında, araçların interneti (IoV) uygulamaları için V2X tabanlı sistemlerde gerçek zamanlı optimizasyon çözümleri geliştirilmiştir ve otonom araçlarda (AV'ler) hız ve ivme tahmini ile karar alma süreçlerini optimize etmek için yenilikçi makine öğrenmesi yöntemleri birleştirilmiştir. Önerilen yöntemler arasında denetimli öğrenme temelli Chaotic AdaBoost (CAB) ve pekiştirmeli öğrenme temelli Lévy Flight-enhanced Proximal Policy Optimization (LFPPO) yer almıştır. Algoritmaların karşılaştırılmalarında k-Nearest Neighbors (kNN), Artificial Neural Networks (ANN), AdaBoost (AB), Gradient Boosting (GB), Random Forest (RF) ve Proximal Policy Optimization (PPO) algoritmaları kullanılmıştır. CARLA simülatörünün Town 10 ve Town 5 ortamlarında gerçekleştirilen deneylerde, CAB, ivme tahmini için 0.018 MSE, 0.020 MAE ve 0.993 R² ile %99.3 başarı elde etmiş; bu, kNN (23.215 MSE, 0.87 R²), ANN (3.297 MSE, 0.982 R²), RF (4.419 MSE, 0.975 R²), GB (1.701 MSE, 0.991 R²) ve AB'ye (0.15 MSE, 0.985 R²) kıyasla üstünlük göstermiştir. LFPPO, %99 başarı oranı, 42,135 ödül seviyesi ve %1 çarpışma oranı ile PPO'ya (%81 başarı, 33,895 ödül, %19 çarpışma) göre daha güvenli bir sürüş profili sunmuştur. Apache Kafka ve MongoDB altyapısı, veri işleme süreçlerini desteklemiş; Kafka, carla-data başlığı altında gerçek zamanlı veri akışını senkron ve asenkron modlarda sağlayarak düşük gecikmeli tahmin süreçlerini mümkün kılmış, MongoDB ise verilerin güvenilir depolanmasını ve hızlı erişimini sağlamıştır. Python script dosyaları aracılığıyla senkron ve asenkron tahmin süreçleri uygulanmıştır. CAB ve ANN, asenkron modda sensör belirsizliklerine karşı yüksek başarı (CAB: MSE=0.018, R²=0.993) sağlayarak karmaşık veri setlerinde üstün performans göstermiştir, kNN ve RF ise senkron modda hızlı tahminler sunmuştur. Bu çalışma, kaos teorisinin makine öğrenimine entegrasyonuna teorik bir katkı sunarken, kentsel ulaşım ve lojistik uygulamalarında AV'lerin güvenilirliğini artırmıştır.
Evrimsel algoritmaların güçlendirilmesinde kullanılan karşıtlık temelli öğrenme stratejileri için bir yazılım araç kitinin geliştirilmesi
Bu tez çalışması ile ilk aşamada, evrimsel optimizasyon algoritmalarındaki yerel optimuma takılma sorunuyla ilgili stratejilere dair kapsamlı bir literatür araştırması sunulmaktadır. Bu araştırma evrimsel optimizasyonun temel kavramlarını, yerel optimuma takılma sorununu ve bu sorunun üstesinden gelmek için geliştirilen stratejileri kapsamaktadır. Sonraki aşamada, optimizasyon problemlerinde daha iyi sonuçlar elde edilebilmek için aday çözümlerin çeşitliliğini arttırarak algoritmaların arama uzayındaki keşif kabiliyetini iyileştiren literatürdeki önemli yaklaşımlardan birisi olan Karşıtlık Temelli Öğrenme Yöntemleri üzerinde odaklanılmaktadır. Bu strateji, bir problemi optimize etmek için zıt çözümler kullanma fikrine dayanır. Zıt çözüm, genellikle başlangıç çözümünün eksik veya tamamlayıcı bir versiyonudur. Böylece, problem alanındaki çeşitlilik artırılarak daha iyi sonuçların elde edilmesi amaçlanır. Karşıtlık Temelli Öğrenme yöntemlerinin evrimsel algoritmaların performansı üzerindeki etkisini incelemek amacıyla çok sayıda mukayeseli deneysel çalışma gerçekleştirilerek kapsamlı bir tartışma sunulmuştur. Son olarak, literatürde iyi bilinen evrimsel algoritmalar, mukayese test fonksiyonları ve Karşıtlık Temelli Öğrenme yöntemlerinin sekiz farklı varyantını (Classic OBL, Quasi-reflection OBL, Center-Based Sampling OBL, Quasi OBL, Current Optimum OBL, Random OBL, Super OBL, Generalized OBL) içeren açık kaynak kodlu bir yazılım araç kiti geliştirilmiştir. Bu araç kiti, araştırmacılara optimizasyon problemlerini çözmek için algoritmaları ve Karşıtlık Temelli Öğrenme yöntemlerini karşılaştırmalı bir bakış açısıyla kullanma ve detaylı inceleme olanağı vermektedir. Deneysel çalışmalar kapsamında, benchmark setlerinden seçilmiş toplam 23 adet test fonksiyonu (F1-F23) kullanılmıştır.Bu fonksiyonlar, farklı zorluk seviyelerine ve arama uzayı özelliklerine sahip problemleri temsil ederek algoritmaların genel performansını değerlendirmek amacıyla seçilmiştir.Ayrıca elde edilen sonuçların istatistiksel olarak analiz edilip grafiklerle görselleştirilmesi sağlanmıştır. Sonuç olarak, OBL stratejilerinin evrimsel algoritmaların keşif–sömürü dengesini anlamlı biçimde iyileştirdiği ve algoritma–problem uyumuna duyarlı şekilde uygulandığında çözüm kalitesini artırdığı deneysel ve istatistiksel bulgularla ortaya konmuştur.
Türkçe doğal dil işleme ile ofansif sosyal medya video içeriklerinin sınıflandırılması
Türkçe sosyal medya ekosisteminde giderek görünür hale gelen hakaret, küfür, cinsiyetçilik ve ırkçılık içeren söylemler, özellikle video tabanlı platformlarda anlık ölçekte denetlenmesi güç bir güvenlik sorunu yaratmaktadır. Bu tez, söz konusu boşluğu kapatmak amacıyla YouTube kaynaklı içeriklerden derlenen 5725 örnekten oluşan, beş sınıflı (PROFANITY, INSULT, SEXIST, RACIST, OTHER) orta ölçekli bir metin veri seti inşa ederek işe başlamıştır. Veri setinin sınıf dağılımı; 4810 örnek (%84,0) toksik olmayan içerik (OTHER), 631 örnek (%11,0) hakaret/kışkırtıcı söylem (INSULT), 104 örnek (%1,8) küfür (PROFANITY), 100 örnek (%1,7) ırkçı ifade (RACIST) ve 80 örnek (%1,4) cinsiyetçi ifade (SEXIST) biçimindedir. Bu dağılım, toksik içeriklerin sosyal medya ortamında azınlık sınıflar halinde yoğunlaştığını, dolayısıyla sınıf dengesizliği probleminin kritik önem taşıdığını ortaya koymaktadır. Modelleme safhasında, ≈110M parametreli BERTurk (uncased-base, 128k) ile 17 milyar parametreli LLaMA-4 Maverick modellerinin doğruluk, makro-F1 ve alt sınıf duyarlılık metrikleri ayrıntılı biçimde karşılaştırılmıştır. Sonuçlar, LLaMA-4'ün genel doğruluğu %88,7'ye, ağırlıklı F1 değerini ise 0,896'ya yükselterek BERTurk'e kıyasla ≈11 puanlık kayda değer bir üstünlük sağladığını göstermiştir. Ayrıca makro F1 skorundaki +0,267 puanlık artış, özellikle azınlık sınıflar olan PROFANITY, RACIST ve SEXIST kategorilerinde dengeleyici etkisini ortaya koymuştur. Bununla birlikte gecikme ve maliyet ölçümleri, BERTurk'ün p50 ≈ 100 ms yanıt süresi ve düşük çağrı maliyetiyle yüksek hacimli ön tarama senaryolarında verimli olduğunu; LLaMA-4'ün ise p50 ≈ 350 ms gecikmeye karşın riskli içeriklerde ikincil doğrulama katmanı olarak devreye sokulduğunda bütçe ve performansı dengeli biçimde optimize edebileceğini göstermektedir. Çalışma, pratikte uygulanabilir çift katmanlı bir moderasyon mimarisi önermekte ve akademik bulguları doğrudan sektörel çözüme dönüştürmektedir. 2018-2025 döneminde çevrimiçi nefret söylemi literatürüne ait kapsamlı bibliyometrik analizlerle temellendirilen bu teknik çalışma; bir yandan Türkçe ofansif dil tespitine yönelik güvenilir bir veri seti ve operasyonel modelleme çerçevesi sunarken, öte yandan araştırmacılar ve politika yapıcılar için literatürün yapısal dinamiklerini özetleyen yol gösterici bir atlas oluşturmuştur.
Yapay zekâ yöntemleri kullanarak görüntülerden şiddet ve tehdit tespiti
Bu tez çalışmasında, görüntüler üzerinden tehdit ve şiddet unsurlarının otomatik olarak tespit edilmesi problemi ele alınmıştır. Bu amaçla bıçak, silah, şiddet ve şiddet yok olmak üzere dört sınıftan oluşan, manuel olarak etiketlenmiş bir veri kümesi oluşturulmuş ve anotasyonlar sınırlayıcı kutu temelli olarak hazırlanarak COCO formatına dönüştürülmüştür. Çalışmada YOLOv8, Faster R-CNN, RetinaNet ve Mask R-CNN modelleri değerlendirilmiştir. Tüm modeller, sonuçların genellenebilirliğini sağlamak amacıyla 10 katlı çapraz doğrulama yaklaşımı kullanılarak test edilmiştir. Eğitim süreci erken öğrenme, dengeleme ve değerlendirme olmak üzere üç aşamalı olarak kurgulanmış; özetlenen sonuçlar yalnızca değerlendirme aşamasında elde edilen ortalama performans değerlerine dayandırılmıştır. Deneysel sonuçlara göre YOLOv8 modeli, %98.3 kesinlik ile en yüksek kesinlik değerini sağlamış, ancak %74.7 duyarlılık ile bazı tehdit örneklerini kaçırmıştır. Faster R-CNN modeli, %98.0 duyarlılık ve %97.6 doğruluk değerleriyle en dengeli performansı sunmuştur. Mask R-CNN, %97.6 duyarlılık ve %96.8 doğruluk değerleriyle Faster R-CNN'e yakın sonuçlar üretmiştir. RetinaNet modeli ise %46.1 duyarlılık değeriyle diğer modellere kıyasla daha düşük performans göstermiştir. Elde edilen bulgular, bu veri kümesi üzerinde iki aşamalı bölge tabanlı modellerin, tek aşamalı modellere kıyasla daha kararlı ve güvenilir sonuçlar sunduğunu sayısal olarak ortaya koymuştur.
Oltalama farkındalık eğitiminin demografik etkileri ve yapay zeka tabanlı risk analizi: Kurum çalışanları üzerine deneysel bir çalışma
Siber güvenlik tehditlerinin giderek karmaşıklaştığı günümüzde, insan faktörünü hedef alan oltalama saldırıları kurumlar için en kritik risk unsurlarından biri haline gelmiştir. Bu çalışmada, kurum çalışanlarına yönelik oltalama farkındalık eğitiminin etkinliği; cinsiyet, yaş, eğitim düzeyi ve pozisyon gibi demografik değişkenler açısından incelenmiş ve yapay zeka tabanlı modellerle bireysel risk tahmini gerçekleştirilmiştir. Deneysel yöntemle yürütülen araştırma, bir kamu kurumunda görevli 3721 çalışan üzerinde gerçekleştirilmiştir. Çalışanlara eğitim öncesi ve sonrası olmak üzere iki aşamalı, gerçek hayat senaryolarına dayalı oltalama simülasyonları uygulanmıştır. Elde edilen veriler; ID3, K-En Yakın Komşu (KNN), Naive Bayes ve Random Forest algoritmaları kullanılarak analiz edilmiş, sınıf dengesizliği problemi Rastgele Çoğaltma (Random Oversampling) yöntemiyle giderilmiştir. Araştırma bulguları, siber güvenlik eğitimlerinin genel beklentilerin aksine, eğitim seviyesi yükseldikçe oltalama saldırılarına karşı direncin artmadığı, bilakis aşırı güven (overconfidence) faktörü nedeniyle bu grubun yüksek risk kategorisinde kaldığı tespit edilmiştir. Ayrıca, dijital yerli olarak tanımlanan 18-35 yaş grubunun hız odaklı davranışları nedeniyle riskli grupta yer aldığı, 55 yaş ve üzeri çalışanların ise eğitim sonrasında tıklama oranlarındaki artışın en sınırlı kaldığı demografik kesim olduğu ve diğer yaş gruplarına kıyasla aşırı güven etkisine karşı en yüksek direnci gösterdiği belirlenmiştir. Yapay zeka modelleri arasında Random Forest ve ID3 algoritmaları, riskli profilleri tespit etmede en yüksek başarıyı göstermiştir. Sonuçlar, kurumların tek tip eğitim yaklaşımı yerine; demografik özelliklere ve davranışsal risk profillerine göre özelleştirilmiş, dinamik ve yapay zeka destekli eğitim stratejileri geliştirmesi gerektiğini göstermektedir.
Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Bu çalışmada, küresel bir sağlık sorunu olan maymun çiçeği (monkeypox) hastalığının cilt lezyonları üzerinden erken ve doğru tanısını desteklemek amacıyla derin öğrenme tabanlı hibrit bir model geliştirilmiştir. Geliştirilen bu model, önceden eğitilmiş dört farklı derin öğrenme mimarisinden (InceptionV3, SqueezeNet, VGG16, VGG19) otomatik olarak çıkarılan öznitelikler; yedi farklı filtre tabanlı öznitelik seçimi yöntemiyle (Information Gain, Gain Ratio, Gini Index, ReliefF, FCBF, ANOVA, Chi2) optimize edilmiştir. Elde edilen öznitelik setleri, k-En Yakın Komşuluk, Lojistik Regresyon ve Yapay Sinir Ağları gibi geleneksel makine öğrenmesi algoritmalarıyla sınıflandırılmıştır. Deneysel sonuçlar, derin özniteliklerin özellik seçimi yöntemleriyle optimize edilerek makine öğrenmesi algoritmalarıyla sınıflandırıldığı hibrit modelin, yalnızca standart transfer öğrenme temelli sınıflandırmaya kıyasla daha yüksek sınıflandırma performansı sunduğunu göstermektedir. Özellikle Information Gain ve Gain Ratio öznitelik seçimi yöntemlerinin %95 öznitelik tutma oranıyla kullanılması ve Yapay Sinir Ağları algoritması ile sınıflandırılması durumunda, 0.9510 doğruluk oranına ulaşılmıştır. Ayrıca öznitelik seçimi yapılmasının, filtre uygulanmayan durumlara kıyasla performansta sınırlı ancak tutarlı iyileşmeler sağladığı, bilgi yoğunluğunu koruyarak gereksiz gürültünün azaltılmasında etkili olduğu belirlenmiştir. Elde edilen sonuçlar, literatürde raporlanan benzer maymun çiçeği cilt lezyonu sınıflandırma çalışmalarına kıyasla rekabetçi ve daha yüksek performans değerleri sunmaktadır. Sonuç olarak bu çalışma, karmaşık mimarilere ihtiyaç duymadan, transfer öğrenme, öznitelik seçimi ve geleneksel makine öğrenmesi algoritmalarının bütünleşik kullanımının, tıbbi görüntü analizi alanında uygulanabilir, tekrarlanabilir ve yüksek performanslı bir çözüm sunduğunu ortaya koymaktadır.
Yapay sinekkuşu optimizasyon algoritmasının geliştirilmesi ve ileri beslemeli yapay sinir ağlarına uygulanması
Bilgisayarların karmaşık veri örüntülerini öğrenme, olaylar arasında ilişki kurabilme ve karar verme yeteneklerinin gelişmesiyle birlikte, matematiksel olarak formüle edilmesi güç veya imkânsız olan birçok problem çözülebilir hâle gelmiştir. Bu gelişimin temelinde yapay zekâ, yapay sinir ağları ve doğadan esinlenen akıllı optimizasyon algoritmaları bulunmaktadır. Metasezgisel yöntemler, canlıların sezgisel davranışlarını taklit ederek karmaşık arama uzaylarında optimale yakın çözümler üretmeyi amaçlamakta ve mühendislikten veri madenciliğine kadar pek çok alanda etkin şekilde kullanılmaktadır. Bu tezde, ileri beslemeli yapay sinir ağlarının eğitimi için Yapay Sinekkuşu Optimizasyon Algoritmasının çeşitli iyileştirmelerle geliştirilerek yeni bir hibrit modeli olan CLAHA (Chaotic-Initialized Light Hybrid AHA) önerilmiştir. Geliştirmeler kapsamında başlangıç popülasyonunun kaotik haritalarla dengeli biçimde dağıtılması, mutasyon tabanlı ince ayar operatörleri ile popülasyon çeşitliliğinin korunması ve muhalefet tabanlı öğrenme yöntemi ile çözüm uzayının zıt bölgelerinde alternatif bireyler üretilmesi sağlanmıştır. Test edilen sekiz kaos haritası arasından en iyi yakınsama performansını sunan Chebyshev haritası başlangıç aşamasında kullanılmak üzere seçilmiştir. Önerilen yöntem, ileri beslemeli yapay sinir ağlarının eğitiminde ağırlık ve bias parametrelerinin optimizasyonu için uygulanmış ve 17 sınıflandırma veri kümesi üzerinde değerlendirilmiştir. Deneyler 500 iterasyon, 30 bireyli popülasyon ve 10 tekrar altında yürütülmüş; doğruluk, F1-Skoru, AUC, MSE ve işlem süresi ölçütleri kullanılmıştır. Alınan sonuçlarda CLAHA, 17 veri setinin 13'ünde en yüksek doğruluk ve F1-Skoru, 10'unda ise en düşük hata değerini elde etmiş; klasik sınıflayıcılarla yapılan karşılaştırmalarda 17 veri setinin 12'sinde en iyi veya en iyiye eşdeğer performans göstermiştir. Algoritmanın genel optimizasyon kabiliyeti ayrıca 23 klasik benchmark fonksiyonu, CEC-2014 ve CEC-2022 uluslararası test fonksiyonları ve altı mühendislik problemi ile değerlendirilmiş; CLAHA sırasıyla 23 fonksiyonun 15'inde, CEC-2014'te 30 fonksiyonun 15'inde ve CEC-2022'de 12 fonksiyonun 7'sinde en iyi sonuçları üretmiştir. Elde edilen bulgular, kaotik başlatma ve popülasyon çeşitliliğini koruyan mekanizmalar sayesinde CLAHA'nın yerel minimumlara sıkışma problemini önemli ölçüde azalttığını ve hem sınıflandırma hem de karmaşık optimizasyon problemlerinde etkin ve kararlı bir küresel optimizasyon yöntemi olduğunu göstermektedir.
Development of a machine learning based application for diagnosing autoinflammatory diseases
Diseases caused by immune system dysfunction have numerous complications, significantly affecting patients' life quality. One specific group of such diseases is autoinflammatory diseases, which occur when the immune system perceives certain tissues and organs as threats and attacks them. They are characterized by episodes of fever and high inflammation in joints and various tissues. Early diagnosis plays a crucial role in facilitating treatment and managing these disorders. Several factors have to be considered to ensure an accurate diagnosis. Along with signs and symptoms, comprehensive medical information, and usually confirmation via genetic tests, are required to diagnose autoinflammatory diseases. These procedures require a huge amount of resource utilization and result in prolonged diagnosis processes. In this thesis, we have developed a machine learning-based web application capable of accurately diagnosing Familial Mediterranean Fever (FMF), an autoinflammatory disease, without the need for genetic tests and with a minimal number of features. The process began with data acquisition, followed by analysis and a thorough understanding of the data's specifications and features. To enhance comprehension, data visualization techniques were employed. Subsequently, the data was cleaned, eliminating any noise, and manipulated to facilitate machine learning's grasp of the available data. Also, we conducted an extensive algorithm selection process to identify the most suitable algorithm for addressing the problem at hand. Then, a feature selection procedure was performed to minimize the number of features used for diagnosis. By analyzing the performance of multiple models, we identified the best-performing one, which was employed to build the diagnostic web application. We envision that the application will be helpful to physicians who seek expert consultation for diagnosis, minimizing the reliance on a huge number of patients' symptoms and the need for genetic tests.
Packaging planning prediction using multi-class and multi-output algorithms
In the rapidly evolving industrial landscape, Artificial Intelligence (AI) has emerged as a transformative force in various sectors, including manufacturing and supply chain management. Meanwhile, packaging planning is another area that is still open to development for AI. Effective packaging planning is a complicated task to be handled carefully throughout the entire planning process. To solve this problem, we propose a relation-based heterogeneous chain-based multi-output classification model for effective packaging planning in predicting the dimensions and types of packages for each shipment. While conventional regressor chain models typically employ only a single classifier within each chain, our model allows for the utilization of distinct classifiers within each chain. Our model is analyzed on a real-world dataset by employing different multi-output classification algorithms including Random Forest (RF), Decision Trees (DT), and K-Nearest Neighbors (KNN). Experimental results demonstrate that our homogeneous chain-based multi-output classification model, based solely on a DT, and our relation-based heterogeneous chain-based multi-output classification model outperform others, achieving the highest accuracy with an overall accuracy value of 0.98, as compared to traditional multi-output classification and chain regression models. Additionally, our heterogeneous chain-based multi-output classification model, utilizing different classifiers, has the second-highest overall accuracy result among all models and surpasses the overall accuracy achieved by traditional chain-based models.
A comprehensive analysis of adversarial attacks on spam filters
Email spam filters help detect malware before it reaches the mailbox and are a vital part of cyber security. Machine learning-based spam detectors have also proven to be useful and highly successful. With the advancement of artificial intelligence (AI), machine learning algorithms have become increasingly important and remain largely untested. However, adversarial learning is an important concept where the vulnerabilities of various security systems using machine learning algorithms are investigated and attempts are made to defeat machine learning models with malicious input. In the context of machine learning, including Natural Language Processing (NLP), an adversarial attack involves the deliberate manipulation of input data to cause errors or produce incorrect outputs from a machine learning model. This study investigates the feasibility of adversarial attacks against deep learning-based spam detectors. First, six prominent deep learning models are implemented, and three level attacks, namely character-, word-, and sentence-level, are analyzed in black-box scenario settings. These attacks are evaluated on three real-world spam datasets. Moreover, novel scoring functions, including spam weights and attention weights, are introduced to improve attack effectiveness. Lastly, the impact of AI-generated spam emails is investigated on the deep learning spam detection models. This comprehensive analysis sheds light on the vulnerabilities of spam filters and contributes to efforts to improve their security against evolving adversarial threats.
Dijital dokuman güvenliğinin farklı biyometri teknolojileri ile sağlanması
Günümüzde fiziksel dokümanların saklanması, erişimi ve kullanım konularında çeşitli zorluklar vardır. Bilişim ve iletişim teknolojilerindeki gelişmeler fiziksel dokümanların dijital olarak saklanmasını gündeme gelmiştir. Sonuçta birçok kurum ve kuruluş dokümanlarını dijital ortama taşımıştır. Ancak dokümanların dijital ortama taşınması bu alandaki sorunları toptan çözmemiş, aksine yeni sorunların ortaya çıkmasına neden olmuştur. Dijital ortama taşınan dokümanların çalınması, yetkisiz kullanıcılar tarafından açılması ve içindeki bilgilere erişilmesi telafisi çok güç sonuçlar doğurabilmektedir. Bu durum dokuman gizliliğinin ihlali ve bilginin çalınması gibi durumlar doğurabilir. Bu çalışmada, dijital doküman oluşturulma aşamasında veya oluşturulduktan sonra biyometrik yöntemlerle nasıl güvenliğinin sağlanabileceği üzerinde durulmuştur. Çalışmada, avuç damar izi okuyucular kullanılarak oluşturulan biyometrik veriyi, dijital filigran yöntemi ile saklamak ve dokümanı bu şekilde şifreleme konusu ele alınmıştır. Çalışmada dijital bir doküman avuç damar izi teknolojisi kullanarak Steganografi yöntemi ile şifrelenmektedir. Doküman güvenliğinin sağlanması, erişimi ve ilk oluşturanın tespit edilmesi konusunda da, Parmak izi ve avuç damar izi teknolojileri karşılaştırılarak başarı oranları karşılaştırılmaktadır.
Kural tabanlı Erasmus öneri sistemi
Avrupa Eğitim ve Gençlik programlarının Türkiye'de uygulanmaya başlandığı günden bu yana programa katılacak öğrencilerin, personellerin ve diğer katılımcıların problemi, gidebilecekleri en uygun ülkenin seçilmesi olmuştur. Bu tez çalışmasında, probleme az da olsa çözüm üretilmeye çalışılmıştır. Kullanıcıya en uygun ülkenin önerilmesi için kural tabanlı sistem tasarlanmıştır. Sistem Yapay Zekâ tekniklerinden olan Uzman Sistem olarak modellenmiştir. Uzman sistemimiz Semantik Web teknolojileri kullanılarak geliştirilmiştir. Bilgi tabanı olarak Ontoloji kullanılmıştır. Erasmus+ programının katılımcılara sunduğu koşul ve şatlara göre ilk başta Karar Tablosu (Decision Table) hazırlanmıştır. Daha sonra bu koşullara göre kurallar belirlenmiş ve kural dili ile ontolojiye eklenmiştir. En sonda çıkarsama ve sorgu mekanizmaları ile kurallar işlenmiş ve sistem kullanıcıya ülke önermesi yapmıştır. Proje ilk başta sadece üye ülkelerde eğitim almak isteyen Yüksek Öğretim alanındaki öğrencilere hitap edecek şekilde tasarlanmıştır. Proje istenildiği zaman genişletilerek bütün ana ve özel eylem katılımcılarına uygun şekilde geliştirilebilecek açıklıktadır.
Kablosuz yerel alan ağlarında güvenlik ve saldırı yöntemleri yüksek güvenlikli kablosuz yerel alan ağının tasarımı
Kablosuz Ağların sağladığı kolay kurulum, esneklik, haraketlilik gibi avantajlarıyla günümüzde makul seviyelere çıkması kablosuz ağ kullanımını yaygınlaştırmıştır. Gelişen teknoloji, artan aktarım hızları ve üretici firmalar arasında giden standardizasyon çalışmaları sonucunda her geçen gün kullanıcı sayısı ve kullanım alanları artmaktadır. Kablosuz ağların geniş bir şekilde yaygınlaşması bazı güvenlik endişelerini de beraberinde getirmiştir. Günümüzde, kablosuz ağ güvenliği için çok sayıda yöntemler vardır ve her geçen gün yeni yöntemler geliştirilmektedir. Bu tez çalışmasında kullanıcılara hayatımızın vazgeçilmezi olan Kablosuz Ağları özelliklede Kablosuz Yerel Alan Ağları (WLAN) tanıtılmış, kablosuz yerel ağ standartları, avantaj ve dezavantajları anlatılmıştır. Kablosuz yerel ağlarının güvenlik risklerinden ve bu risklere karşı alına bilecek kişisel ve kurumsal yöntemlerden bahsedilmiştir. Ağ güvenliğinde kullanılan bazı yöntemlerin ne gibi zayıflıkları olduğu açıklanmıştır. Ayrıca uygulama kısmında anlatılan güvenlik yöntemleri temel alınarak, Huawei firmasının eNSP programında 5 katlı hayali bir ofis için yüksek güvenlikli kablosuz yerel alan ağı tasarlanmıştır.
Giyinebilir kablosuz sensör ağları ve ECG tasarımı
Giyinebilir kablosuz sensörlerle sağlık kontrol amacı için, tasarımı ve geliştirmesi son yillarda yaşam kalitesinin yükseltilmesi için geliştirilmiştir. Bu teknoloji yaşlilar ve kronik hastalarina, bağımsız bir hayat yaşatir. Kronik hastaliklarin en yaygın ve önemlilerinden biri kalp hastaliği, bu tezin çalişma konusudur. Bu tez çalışmasında kablosuz ECG sinyalleri yaygın olarak sağlık sistemlerinde kronik kalp hastalıklarının tanısında kullanılmaktadır. Hastanın vücudundan sensör yardımıyla algılanan ECG sinyalleri kablosuz olarak bir bilgisayara aktarılır. Bu sinyaller bir LDR sensör yardımıyla 5 V'luk voltaj aralığıyla ve Arduino Nano CH340G mikrodenetleyicisi kullanılarak sayısallaştırılmıştır. Arduino mikrodenetleyicisi kendi programla dilinde (C diline yakin bir dil) ve Arduino'nun kendi uygulamasında programlanmıştır. Kablosuz haberleşme olarak HC-06 Arduino Bluetooth modül kullanılmıştır. Bilgisayar ortamına aktarılan ECG sinyalleri göruntulemek için Visual Studio programinda ve C# dilini kullanarak bir uygulama oluşturulmuştur.
Ses algılama yöntemi ile tek kullanımlık anahtar (one time pad) üretimi
Tek kullanımlık şifreler rastgele anahtarla üretildiği zaman mükemmel güvenlik sağlarlar. Anahtarın ele geçirilmesi için gereken işlem gücü, bütün anahtarları denemekten daha az değildir. Bunun yanında şifrelenecek metinle aynı uzunluktaki bir anahtarı güvenli şekilde saklamanın, düz metni sağlamayla aynı iş gücüne karşılık geldiği için bahsedilen şekliyle kullanılmamaktadır. Yani, anahtarı güvenli şekilde saklamakla düz metni güvenli şekilde saklamak arasında fark olmadığı için tam güvenlik sağlamasına rağmen kullanılmamaktadır. Bu sebeple, modern kriptoloji teknikleri temel olarak kısa anahtarlarla, uzun, rastgele gözüken (sözde rastgele - pseudo random) bit dizileri üreterek güvenli şifreleme algoritmaları oluşturarak saklanması gereken anahtar boyutunu mümkün olduğunca küçültebilme problemiyle ilgilenirler. Bu çalışmada amaç küçük anahtarla üretilmeye çalışılan sözde rastgele bit dizisini, ses tanıma sistemi kullanılarak uzun cümlelerle oluşturmaktır. Tanımlanan algoritmanın detaylı tanımı ve performans analiz değerlendirilmesi de yapılmıştır. Visual Studio 2015 programı ortamında C# dili kullanarak algoritma için tanıtım programı hazırlanmıştır. Anahtar Kelimler: Tek Kullanımlık Anahtar Üretimi, Ses Tanıma Yöntemi, Kriptoloji