2.922
Arşivlenen Tez
0
DOI Atanmış
0%
DOI Oranı
Anabilim Dalı
Araçlarin internetinde federe hibrit gizlilik korumali film öneri sistemi
In this research, we introduced a pioneering strategy to address the pressing privacy concerns associated with vehicular movie recommendation systems. As the demand for personalized entertainment options in vehicles increases, so does the need to protect user data. To tackle this challenge, we utilized the PyTorch framework to create a robust foundation from scratch. A key component of our approach was the addition of Laplace noise during the training process, which ensured differential privacy. This technique effectively safeguarded user data while simultaneously optimizing model performance, allowing us to maintain high levels of recommendation accuracy. Furthermore, we employed the Optuna hyperparameter optimization framework, which played a crucial role in enhancing the model's performance. By fine-tuning various parameters, we were able to elevate the overall efficiency of the system beyond the capabilities of the base model. Our extensive experimentation utilized the Movielens-1M benchmark movie dataset, which provided a solid basis for evaluating our approach. The results demonstrated a significant improvement over baseline models, validating the effectiveness of our privacy-preserving vehicular movie recommendation system. In addition to our centralised model, we conducted a comprehensive comparison with practical federated frameworks, including FedAvg, FedProx, and FedMedian. Our findings revealed that all federated models outperformed the centralised models by at least 2%, while also exhibiting shorter runtimes.
Image super resolution using deep learning techniques
Image SR using Deep Learning Techniques has become a critical area of research, with significant progress in improving image quality and detail. This thesis examines and contrasts eight advanced deep learning-based SR methods: CARN, EDSR, ESPCN, RCAN, RDN, SRCNN, SRGAN, and VDSR, using the DIV2K dataset. The evaluation covers multiple aspects to offer a thorough understanding of each method's effectiveness, efficiency, and structure. Performance measurements such as PSNR and SSIM are utilized for evaluating the fidelity of super-resolved images. Computational efficiency is evaluated based on inference time and memory requirements. Training time is analyzed, taking into account the speed of convergence for training on the DIV2K dataset. Model complexity is examined, exploring architectural details such as network depth, and the integration of specialized elements like residual blocks and attention mechanisms. Additionally, the thesis explains in a clear and detailed manner the trade-offs between performance and complexity, discussing whether more complex architectures deliver significantly better results compared to simpler models and whether the computational cost justifies the improvements. Finally, a qualitative comparison is conducted to emphasize the strengths and weaknesses of each technique. Through this comprehensive analysis, this thesis offers insights into the field of deep learning-based image SR, assisting researchers and practitioners in choosing the most appropriate method for various applications.
Türkçe sözdiziminin biçim-sözdizimsel seviyede analiz edilmesi yöntemi
Syntactic analysis allows us to analyse the sentence structure in various ways. Constituency parsing is one of the various ways of conducting syntactic analysis. This parsing method defines sentence structure as hierarchical relationships between words or phrases and represents them in tree form. Constituency parsing employs constituency grammar which defines how constituents combine and form other constituents. In this grammar, any syntactic structure from the sentence to the words is represented by the constituents. Although this approach is designed to focus on universal aspects of the languages, English has always been in its focus. This situation makes the constituency approach miss the details that the morphology puts in the syntax of morphologically rich languages. In this study, we implement an extension for the constituency parsing which overcomes the challenges in parsing of MRL (Morphologically Rich Language). We propose ideas tailored to Turkish, yet they can be used for any language like Turkish. Our extension enables the constituency parsing to start at the morpheme level. Thus, we involve morphemic structures in the parsing process and express their syntactic effects on the structure. We have our implementations by extending the CYK (Cocke Younger Kasami) algorithm. During parsing, we utilize extra rules to transfer the ambiguity in morphology to the parsing. In addition, we designed a morpheme-focused constituency set for Turkish. This set involves affixes, stems and phrases headed by a stem. We demonstrate our work with a mini treebank and the grammar generated from it.
NLP kullanarak öğrenci anketlerinden anlamli bilgiler çikarmak
This thesis applied NLP techniques to analyze and summarize bilingual student feedback collected via end-of-semester surveys. The dataset, which contained open-ended responses in both English and Turkish, required a model adept at preserving linguistic nuances across languages. The Llama 2-7b-hf model, which had been trained explicitly for text generation, was selected for its capability to produce coherent and contextually relevant summaries. Data preprocessing involved organizing metadata such as department, semester, course name, and section number, segregating comments by word count, and removing personal identifiers to ensure privacy. Shorter comments (fewer than ten words) were grouped and summarized using a pipeline from the Transformers library, while longer comments were fine-tuned with metadata-specific prompts for detailed summarization. To further enhance analysis, sentiment classification was performed using the "cardiffnlp/twitter-roberta-base-sentiment" model, categorizing feedback into negative, neutral, and positive sentiments. Evaluation metrics included expert reviews, contextual relevance, and logical consistency with the dataset's sentiment distribution. Compared to previous models, the Llama 2 model demonstrated superior performance in generating complete, coherent summaries while preserving the overall intent and tone of the comments. Ultimately, this research highlighted the effectiveness of LLMs in processing multilingual educational data and their potential to provide actionable insights for improving course content and student experiences.
Semantic relation extraction by enriching word embeddings exploiting turkish morphology
Distributed representations (DR) are used to capture semantic and syntactic patterns in language by analyzing the distributional relationships of words within textual data. The modeling methods that produce DR are based on the assumption (distributional hypothesis) that "words that occur in the same context tend to have similar meanings," which is inherent to the nature of language. These modeling methods, due to their unsupervised nature, can be trained without human judgment input, allowing researchers to train large datasets at relatively low costs. Although word-based models perform effectively for languages with limited vocabularies, such as English, they exhibit considerable inefficiency when applied to morphologically rich languages with unlimited vocabularies, such as Turkish. We observed that n-gram and statistical segmentation methods, which are commonly used in subword modeling to address the issues of out-of-vocabulary and rare-words, are highly sensitive to orthographic similarity. Consequently, these methods struggle to distinguish between unrelated concepts (e.g., shrink - shrine). Moreover, we noted that the impact of morphological segmentation methods on these types of problems has shown inconsistent results in the literature. This thesis aims to make conceptual assumptions and improvements concerning different types of semantic relationships (e.g., relatedness and similarity), to model the role of language morphology as an input in subword DR models, and to develop the dataset generation methodologies and evaluation methods to measure this effect. Within the scope of the study, different models and segmentation methods were empirically tested, the AnlamVer and OSimUnr datasets were produced, and the task of relatedness classification and associated evaluation methods were proposed to measure the noise introduced by segmentation to the model. Our experiments demonstrate that morphological segmentation produces significantly less noise compared to n-gram-based methods and can lead to substantial performance improvements depending on the nature of the task.
Kültürel bağlamda otorite temelli sosyal mühendislik saldırılarının etkinliği: Türkiye ve katar örneği
Bu çalışmada otorite figürlerinin sosyal mühendislik saldırılarındaki etkinliği kültürel bir bağlamda incelenmektedir. Türkiye ve Katar'daki elektrik dağıtım şirketlerinde çalışan 900 katılımcının yer aldığı deneysel bir tasarım kullanılmıştır. Analizde, bireysel ve kurumsal otorite figürlerine göre farklılaştırılmış genel oltalama ve hedefli oltalama saldırılarının başarı oranları karşılaştırılmıştır. Sonuçlar, hedefli oltalama saldırılarının genel oltalama saldırılarına kıyasla önemli ölçüde daha yüksek başarı oranlarına ulaştığını göstermiştir. Otorite türünün etkisi kültürel bağlamlar arasında farklılık göstermiştir. Türkiye'de bireysel otorite figürlerine dayalı saldırılar daha başarılı olurken; Katar'da kurumsal otorite figürlerini kullanan saldırılar daha etkili olmuştur. Ayrıca, ülke ile otorite türü arasındaki anlamlı etkileşim, otorite temelli saldırıların etkinliğinin büyük ölçüde uygulandıkları ülkeye ve otoritenin biçimine bağlı olduğunu ortaya koymaktadır. Çalışma ayrıca, oltalamanın gerçekleşeceği web bağlantısına tıklama etkileşimi ile müteakip veri gönderimi arasında güçlü bir ardışık ilişki olduğunu ortaya koyarak, ilk güvenlik açığı ortaya çıktıktan sonra artan davranışsal kırılganlığı göstermektedir. Bulgular, sosyal mühendislik saldırılarına karşı savunma stratejileri tasarlanırken kültürel faktörlerin dikkatle değerlendirilmesi gerektiğini ve bilgi güvenliği politikaları geliştirilirken sosyokültürel kodların dikkate alınması gerektiğini ortaya koymaktadır. Özellikle, yüksek güç mesafeli kültürler otorite taleplerini sorgulamaya odaklanan eğitimler gerektirebilirken, düşük güç mesafeli kültürler otonom karar verme sürecini güçlendirmeyi amaçlayan müdahalelerden faydalanabilir. Kuruluşlara, güvenlik farkındalığı programlarını hedef kitlelerinin otorite dinamiklerine ve kültürel özelliklerine göre uyarlanmalıdır.
Parola karma algoritmalarının derinlemesine karşılaştırması: kriptografik güvenlik, performans etkinliği, regülasyon uyumluluğu ve anahtar türetim stratejilerinde gelecek eğilimler
Parola karma ve anahtar türetme fonksiyonlarının uygulanması, kullanıcı kimlik bilgilerinin kaba kuvvet saldırılarına ve yetkisiz erişime karşı korunmasını amaçlayan kimlik doğrulama ve kriptografik güvenlik şemalarının temelini oluşturmaktadır. PBKDF2, bcrypt ve scrypt gibi parola karma algoritmaları günümüzde oldukça popüler olmasına rağmen modern donanımdaki gelişmeler, paralel işlem yetenekleri ve gelişmiş kriptoanalitik saldırılar karşısında yetersiz kalmaktadır. Bu eksiklikleri gidermek amacıyla, 2013 yılında parola karma yarışması başlatılmış ve parola karma için 22 aday fonksiyonel değerlendirmeye alınmıştır. Yapılan kapsamlı incelemeler sonucunda, güvenlik, hız, bellek dostu olma, esneklik ve verimlilik kriterlerine dayanarak 9 finalist belirlenmiştir. Bu çalışma, parola karma yarışması finalistleri olan Argon, battcrypt, Catena, Lyra2, MAKWA, Parallel, POMELO, Pufferfish ve yescrypt üzerine yapılan derleme ve performans değerlendirme çalışmalarını ele almaktadır. Finalistler mimari açıdan değerlendirilmiş, güvenlik özellikleri, bellek kullanım dayanıklılığı, performans açısından avantaj ve dezavantajları ayrıca pratik kullanımları incelenmiştir. Bu yeni fonksiyonların geleneksel parola karma algoritmaları ile kıyaslanarak eksiklikleri ve avantajları ortaya konmuştur. Parola karma algoritmalarının kuantum sonrası dayanıklılığı ele alınarak, bu fonksiyonların kuantum saldırılarına karşı dayanıklılığı ve ek bir güvenlik önlemi olarak kullanılan "peppering" tekniğinin rolü araştırılmıştır. Ayrıca parola karma yarışması finalistlerinin NIST SP 800-63B, OWASP ASVS, PCI DSS, GDPR, KVKK ve ISO/IEC 27001 gibi küresel standartlar ve regülasyonlarla olan uyumluluklarını kapsamlı bir şekilde haritalandırılarak, regülasyonlara uyumlu olması gereken organizasyonlarda güvenli dağıtım için pratik uygunlukları değerlendirilmiştir. Son olarak, web kimlik doğrulaması, anahtar türetme fonksiyonları ve gömülü platformlar için bu fonksiyonların kullanımına yönelik öneriler sunulmuştur. Bu çalışmanın amacı, en güncel parola karma ve anahtar türetme fonksiyonları hakkında bilgi sahibi olması gereken araştırmacılar, geliştiriciler ve güvenlik mühendisleri için bir referans kaynağı olmaktır.
Kuantum sonrasi kimlik doğrulama ile sifir bilgi ispatlari: zk-snark'lar ve zk-stark'larin karşilaştirmali güvenlik ve performans analizi
Parola tabanlı kimlik doğrulama yöntemleri en yaygın kullanılan güvenlik mekanizmalarından biri olsa da ciddi zaafiyetler barındırmaktadır. Ayrıca, parola altyapılarının kurulması, yönetilmesi ve güvenli bir şekilde saklanması yüksek hesaplama ve operasyonel maliyetler doğurmaktadır. Forrester Research'e göre, 1.000 kişilik bir kurumda yıllık parola sıfırlama maliyetleri yaklaşık 420.000–490.000 dolar arasında değişmektedir. Buna karşılık, sıfır bilgi ispatları (Zero-Knowledge Proofs, ZKP), hassas kimlik verilerini ifşa etmeden doğrulama yapılmasına olanak sağlayan güçlü bir kriptografik yöntemdir. 1980'lerin ortalarında temelleri atılan ZKP protokolleri, özellikle blokzinciri teknolojisi, Nesnelerin İnterneti (IoT), finans sektörü ve kimlik yönetimi gibi alanlarda kritik öneme sahiptir. Etkileşimli (Interactive Zero-Knowledge Proofs, IZKP) ve etkileşimsiz (Non-Interactive Zero-Knowledge Proofs, NIZKP) olarak ikiye ayrılan bu protokoller arasında, NIZKP çözümleri örneğin zk-SNARK ve zk-STARK, tek yönlü mesajlaşmayla doğrulama sağlayarak Ortadaki Adam (Man-in-the-Middle, MitM) saldırılarına karşı daha dayanıklı bir yapı sunar. zk-SNARK'lar, küçük ispat boyutları ve hızlı doğrulama süreleri sayesinde yaygınca kullanılır. zk-STARK'lar ise güvenilir kurulum gereksinimini ortadan kaldırarak daha şeffaf bir yapı ve kuantum sonrası saldırılara karşı dayanıklı bir yaklaşım sunar. ZKP, operasyonel maliyetleri azaltır, parola sıfırlama yükünü ortadan kaldırır ve veri ihlali riskini önemli ölçüde düşürür. Ayrıca, GDPR, PCI-DSS ve ISO gibi düzenleyici çerçevelere uyumu kolaylaştırarak kurumlar için daha sürdürülebilir bir çözüm sunar. Sonuç olarak, bu çalışma parola tabanlı sistemlerin yerini alabilecek daha güvenli, gizliliği koruyan ve ölçeklenebilir ZKP tabanlı kimlik doğrulama tekniklerinin benimsenmesine yönelik bir perspektif sunmayı amaçlamaktadır.
Organizasyon seviyesinde yapay zeka, siber güvenlik ve dijitalleşme olgunluğu: anket bazlı değerlendirme
Dijital teknolojilerin sektörler genelinde ivmelenen gelişimi, örgütlerin rekabet gücünü sürdürebilmeleri ve çevik biçimde dönüşüme ayak uydurabilmeleri için Yapay Zekâ (YZ), Siber Güvenlik (SG) ve Dijital Dönüşüm (DD) alanlarında daha derinlemesine yetkinliklere sahip olmalarını zorunlu kılmıştır. Bu üç alan, dijital çağda sadece teknik kapasite olarak değil; aynı zamanda yönetsel strateji, risk yönetimi, veri bütünlüğü ve sürdürülebilir inovasyon açısından da hayati rol oynamaktadır. Literatürde her bir alan için ayrı ayrı önemli çalışmalar bulunmakla birlikte, bu alanların birbirleriyle olan etkileşimleri ve bütünleşik bir çerçevede organizasyonel olgunluk üzerindeki bileşik etkileri yeterince derinlemesine analiz edilmemiştir. Bu bağlamda sunulan çalışma, YZ, SG ve DD olgunluk düzeylerini çok boyutlu bir yapıda ele alarak aralarındaki nedensel ilişkileri Yapısal Eşitlik Modellemesi (SEM) ile ortaya koymayı amaçlamaktadır. Ayrıca, karma yöntemli bir metodoloji benimsenmiş; nicel anket bulguları sentetik modelleme teknikleriyle desteklenerek kapsamlı bir değerlendirme gerçekleştirilmiştir. Araştırma bulguları, YZ, SG ve DD arasında istatistiksel olarak anlamlı ve çift yönlü korelasyonlar bulunduğunu göstermekte; özellikle teknoloji ve finans sektörlerinde bu olgunluk düzeylerinin kamu ve eğitim sektörlerine kıyasla daha ileri düzeyde olduğunu ortaya koymaktadır. Çalışma, bu alanlar arasında stratejik entegrasyonun sağlanmasının dijital dayanıklılık açısından kritik olduğunu savunmakta ve entegre bir YZ-SG stratejisinin uygulanmasına yönelik yol gösterici ampirik veriler sunmaktadır. Böylece, sunulan model hem kuramsal katkı sağlamakta hem de ileride yapılacak ampirik saha araştırmaları için stratejik ve metodolojik bir temel oluşturmaktadır.
Güvenlik operasyonu merkezlerinde olayların önceliklendirilmesi ve analist atamasına yönelik çok kriterli bir karar destek çerçevesi
Bu çalışmada, Güvenlik Operasyon Merkezleri (SOC) için olay atama ve önceliklendirme süreçlerine yönelik kapsamlı ve ölçeklenebilir bir çerçeve önerilmektedir. Önerilen model; analist iş yoğunluğu, alarm yoğunluğu ve tutarsız olay yönetimi gibi temel operasyonel zorlukları ele alarak SOC iş akışlarını optimize etmeyi amaçlamaktadır. Geliştirilen çerçeve, her bir olayı; şiddet seviyesi, SLA aciliyeti, olay türü, varlık kritiklik düzeyi, tehdit istihbaratı göstergeleri, tekrar sıklığı ve geçmiş olay verilerine dayalı korelasyon puanı gibi çok sayıda faktörü içeren çok kriterli bir puanlama modeli ile değerlendirmektedir. Bu değerlendirme süreci, dinamik olay puanlarını hesaplayan ve olayın karmaşıklık düzeyini belirleyen matematiksel fonksiyonlar aracılığıyla biçimsel hale getirilmiştir. Eşzamanlı olarak, analist profilleri; iş yükü dağılımını ve uzmanlık uyumunu dikkate alan iki yenilikçi metrik olan Analist Yük Faktörü (ALF) ve Deneyim Uyumluluk Faktörü (EMF) kullanılarak nicelleştirilmiştir. Olay–analist eşleştirme süreci, olay önceliği ile analist uygunluğunu dengeleyen kısıtlı bir optimizasyon problemi olarak tanımlanmıştır. Bu formülasyon; olayların en uygun analistlere, gerçek zamanlı ve otomatik olarak atanmasını sağlarken; operasyonel değerin korunmasını ve triyaj hassasiyetinin sürdürülmesini mümkün kılar. Model, algoritmik yalancı kodlar, puanlama tabloları ve büyük ölçekli SOC ortamlarında modelin karar mantığını ve pratik uygulanabilirliğini gösteren örnek bir vaka çalışması ile doğrulanmıştır. Gerçek dünya koşullarında çerçevenin geçerliliğini değerlendirmek amacıyla, CICIDS2017 benchmark veri setinden seçilen 10 saldırı senaryosu kullanılarak ampirik bir vaka çalışması gerçekleştirilmiştir. Genel olarak, bu çalışmanın katkısı; ikili faktöre dayalı bir analist puanlama şemasının biçimselleştirilmesi ve bağlamsal olay özelliklerinin uyarlanabilir ve kural tabanlı bir yapı çerçevesiyle bütünleştirilmesidir. Operasyonel değeri daha da artırmak amacıyla, gelecekte yapılacak çalışmalarda dinamik ağırlıklandırma mekanizmaları ile gerçek zamanlı SIEM veri akışlarıyla entegrasyon sağlanması planlanmaktadır. Ayrıca, analist geri bildirim döngülerinin ve denetimli öğrenme modellerinin sisteme entegre edilmesiyle olay-atama ve önceliklendirme süreçlerinin sürekli olarak iyileştirilmesi hedeflenmektedir.
Tuş vuruşlarına dayalı kimlik doğrulama yöntemleri: Evrimi, zorlukları ve gelecek yönelimlerinin kapsamlı bir incelemesi
Tuş vuruşu (keystroke) ile kimlik doğrulama, bireylerin klavye kullanımındaki yazım ritimlerini ve zamanlama desenlerini analiz ederek kimlik doğruluğunu sağlayan sofistike bir davranışsal biyometrik yöntemdir. Bu yöntemin dikkat çekici avantajları arasında, kullanıcıdan ek bir işlem gerektirmemesi, herhangi bir ek donanım ihtiyacı doğurmaması ve maliyet etkinliği bulunmaktadır. Gelişmiş bilişim altyapılarında ve güvenlik hassasiyeti yüksek uygulamalarda, kullanıcıyı tanımak için sürekli izleme ve ikinci faktör doğrulama gerekliliği artarken, tuş vuruşu temelli yöntemler bu gereksinimlere düşük maliyetli ve sezgisel bir çözüm sunmaktadır. Bu çalışma, tuş vuruşu dinamik kimlik doğrulama yöntemleri ile ilgili literatürü sistematik olarak incelemektedir. İlk olarak, farklı setler ve özellikleri gözden geçirilmekte, ardından makine öğrenimi (ML), derin öğrenme (DL) ve hibrit modeller performans, güvenlik ve kullanılabilirlik açısından karşılaştırılmak- tadır. Ayrıca, mevcut metodolojiler OWASP Kimlik Doğrulama Hile Sayfası aracılığıyla sunulan kılavuz bağlamında ele alınarak, güvenlik açıkları ve olası saldırılar analiz edilmektedir. Hibrit modellerin, daha yüksek doğruluk ve üstün dayanıklılık açısından otonom ML veya DL yöntemlerinden daha iyi performans gösterdiği ortaya çıkmaktadır. Gelecekteki yönelimler açısından, federatif öğrenme (FL), açıklanabilir yapay zekâ (XAI) ve multimodal biyometrik füzyon, gizlilik, açıklana bilirlik ve platformlar arasında genelleştirile bilirlik açısından daha sağlam çözümler üretme konusunda umut vaat etmektedir. Değerlendirme kapsamında, söz konusu modellerin masaüstü sistemlerde, web tabanlı platformlarda ve mobil cihazlarda sergilediği performanslar karşılaştırmalı olarak analiz edilmiştir. Elde edilen veriler, bazı modellerin yüksek doğruluk oranlarına ulaştığını ancak kullanıcı deneyiminde sürtünme (friction) oluşturduğunu; diğer modellerin ise kullanıcı dostu yapısına karşın daha düşük güvenlik sunduğunu ortaya koymaktadır. Bu bağlamda, sistem seçiminde güvenlik, doğruluk ve kullanıcı konforu arasında bir denge kurulması gerektiği sonucuna varılmıştır. Bu bağlamda önerdiğimiz hibrit doğrulama çerçevesi, derin sinir ağlarının sınıflandırma yeteneklerini anomali tespit teknikleriyle birleştirmekte ve bağlamsal farkındalığa sahip özellik çıkarımı ile uyarlanabilir eşikleme mekanizmaları kullanmaktadır. Böylelikle, modelimiz hem yeni kullanıcı davranışlarına uyum sağlayabilmekte hem de sahtecilik girişimlerine karşı yüksek hassasiyetle yanıt verebilmektedir. Ayrıca, önerilen çerçevenin farklı kullanım bağlamlarında örneğin sürekli oturum denetimi veya ikinci faktör doğrulama senaryolarında uygulanabilirliği değerlendirildiğinde, sistemin ölçeklenebilirliği ve uygulama kolaylığı da ön plana çıkmaktadır. Sonuç olarak, elde edilen bulgular, tuş vuruşu doğrulama sistemlerinin, özellikle diğer biyometrik yöntemlerle bütünleştiğinde veya bağlamsal verilerle desteklendiğinde, yüksek güvenlik gerektiren uygulamalarda etkin, uyarlanabilir ve kullanıcı dostu bir çözüm sunduğunu göstermektedir. Çalışma sadece literatürde bulunan yöntemlerin kapsamlı bir karşılaştırmasını yapmakla kalmayıp, aynı zamanda gelecekteki çalışmalarda metodolojik seçimler için bir kılavuz da çizmektedir. Anahtar Kelimeler: Tuş Vuruşu Doğrulama, Davranışsal Biyometri, Makine Öğrenimi, Derin Öğrenme Kullanıcı Doğrulama Sistemleri
Akıllı kampüsler için topluluk hareketliliğinin derin öğrenme temelli yöntemlerle gerçek zamanlı izlenmesi
Günümüzde şehir ortamlarının ve dolayısıyla kampüs ortamlarının giderek daha yoğun insan kalabalıklarını misafir ediyor olması sebebiyle çeşitli problemler ön plana çıkmaktadır. Bu problemlerin çözümü için yapılması gereken ilk şey ise; bu kalabalıkların tespit edilmesi ve analizlerinin yapılması gerekliliğidir. Bu doğrultuda, bu tez çalışmasında üniversite kampüs içerisinde öğrenci kalabalıklarının tespit edilmesi ve incelenmesi hedeflenmiştir. Bunun için görüntülerdeki insanların tespit edilebilmesi amacıyla derin öğrenme yöntemleri kullanılarak nesne tespiti yapılmıştır. Literatürdeki yaygın olarak kullanılan veri setleri incelenmiş ve CrowdHuman veri setinin en uygun veri seti olduğu görülmüştür. İlgili veri seti içerisinde 15 000 adet görüntü bulunmakta ve yaklaşık 470 000 adet etiketlenmiş insan verisi bulunmaktadır. Yapılan eğitimlerde Faster RCNN, YOLO, RetinaNet gibi state-of-the-art modeller kullanılmıştır. Yapılan deneylerde YOLOv4 ile %78 mAP skoru elde edilmiştir. Burada eğitilen modeller sunucu üzerinde çalıştırılarak, kampüs içerisinde bulunan IP kameralardan elde edilen görüntüler üzerinde gerçek zamanlı olarak nesne tespiti yapılmıştır. Görüntüde insan yoğunluğunun tespit edilmesi ile birlikte mobil uygulama üzerinde ilgili bölgenin yoğunluk durumu gösterilmektedir.
Askeri lojistik dağıtımında araç rotalama problemi için hipersezgisel algoritma geliştirilmesi
Günümüzün savaş taktik ve stratejileri insan gücünden ziyade akıllı silahların (yapay zekâ destekli) kullanılmasına yönelik planlanmaktadır. "Bilgi Çağı" ya da "Dijital Çağ" ile birlikte askeri yazılımlar şu alanlarda gelişme göstermiştir; yeni silahlar, kara harp sistemleri, iletişim sistemleri, gelişmiş optik ve lazerler, görüntü işleme sistemleri, yapay zekâ destekli otonom veya otonom olmayan robot teknolojileri vb. Bu alanlardaki gelişmeler ülkelerin güvenlik sistemlerini önemli ölçüde geliştirmekte ve farklı ülkelerin geleneksel savaş stratejileri yerine gelişmiş seviye stratejiler geliştirmesine neden olmaktadır.Bu çalışmada, askerlerin operasyon sırasında karşılaştıkları malzeme (silah, patlayıcı, yiyecek-içecek, sağlık vb.) sıkıntısından dolayı malzeme teminini kolaylaştıracak bir araç rotalama ve depo yönetim sistemi geliştirilmiştir. Askerin konumunun belirlenmesi ve haritalanabilmesi için Google Haritalar API, mevcut konumunun fiziksel koşullarının öğrenilebilmesi ve işlenebilmesi için RoboFlow API, web uygulamasının geliştirilmesinde ise Microsoft SQL Server ile birlikte C# kullanıldı. Uygulamanın ilk aşamasında askerin coğrafi konumunu ve bulunduğu yerin fiziki koşullarını (dağlık, ormanlık, yol, su vb.) belirlemek amacıyla hava aracı kullanılmıştır. Elde edilen bu görüntüler, RoboFlow API aracılığıyla YOLOv8 mimarisini kullanan denetimli öğrenmeyle eğitilmiş yapay zekâ tarafından işlenir. Uygulamanın ikinci aşamasında askerden ihtiyaç duyulan malzemelerin bilgisi alınır ve depolardaki stok miktarlarına göre genetik algoritma ve tabu arama algoritması tabanlı bir hiper-sezgisel kullanılarak en iyi rotalar oluşturulur. Geliştirilen bu uygulama sayesinde hiper-sezgisel algoritmalar kullanılarak elde edilen sonuçlar, hiper-sezgisel algoritma kullanılmadan elde edilen sonuçlarla karşılaştırıldığında programın çalışma süresinin ve iterasyon sayısının azaldığı görülmüştür. Gelecek çalışmalarda makine öğrenmesi ve açıklanabilir yapay zekâ üzerinde durulması düşünülmektedir.
Derin öğrenme kullanılarak geleneksel Türk halk dansları figür tespiti: Harmandalı örneği
Halk dansları, bir kültürün ruhunu ve kimliğini yansıtan önemli bir unsurdur. Kökleri derin tarihsel ve kültürel bağlara dayanan halk dansları, bir toplumun birlik ve dayanışma duygularını, geçmişten günümüze taşıdığı gelenekleri ve değerleri ifade eder. Bu tez çalışmasında, Türk Halk Dansı Harmandalının öğretilmesi ve performansının değerlendirilmesi, bu zengin kültürel mirası koruma ve gelecek nesillere aktarma amacıyla bilgisayarlı görü ve derin öğrenme teknikleri kullanarak geliştirilen sistem, dans eğitiminde teknolojinin gücünü kullanarak bu geleneksel sanat formunu modern yöntemlerle güçlendirmeyi hedefler. Geliştirilen sistem Mediapipe ve YOLO insan poz tahmin algoritmaları ile elde edilen iskelet verilerini Affine dönüşümü gibi çeşitli adımlardan geçirerek öğrenci ve öğretmen dans videolarını analiz eder. Bu veriler, zaman gecikmeli çapraz korelasyon, uzun kısa süreli bellek ağları, öklid mesafesi, kosinüs benzerliği ve dinamik zaman bükülmesi gibi farklı yöntemlerle karşılaştırılarak öğrenci performansının objektif bir şekilde değerlendirilmesini sağlar. Geliştirilen kullanıcı dostu arayüz, öğrencilere görsel geri bildirim ve kişiselleştirilmiş öğrenme deneyimi sunarken, öğretmenlere de detaylı performans analizi imkanı verir. Yapılan çalışmalar, LSTM yönteminin 68.43 puan ortalaması ve 56.11 MSE değeri ile diğer yöntemlere göre uzman puanı ortalamasına (66.67) daha yakın sonuçlar verdiğini göstermiştir. DTW ise 60.64 puan ortalaması ve 139.32 MSE değeri ile ikinci en başarılı model olmuştur. Tüm puanların ortalaması ise 72.14'tür ve MSE değeri 92.55'tir. Bu tezde, geleneksel dans eğitimine teknoloji entegrasyonunun önemi vurgularken, aynı zamanda Türk Halk Danslarının analizi ve değerlendirme alanına yeni bir bakış açısı getirmektedir ve kültürel mirasın yaşatılmasına da katkıda bulunmayı amaçlamaktadır.
Ceviz çeşitlerinin sürgün ve yaprak görüntüleri kullanarak derin öğrenme yöntemiyle erken dönemlerde tespit edilmesi
Ülkemiz ceviz yetiştiriciliğinde dünyanın önemli ülkeleri arasındadır. Ülkemizde yetiştirilen ceviz miktarı, ülke ihtiyacını karşılayacak düzeyde değildir. Yeterli olmamasının temel sebebi de bilinçli bir ceviz yetiştiriciliğinin ülkemizde yapılamamasıdır. Besin değeri yüksek olan ceviz yetiştiriciliğinde iklim ve toprak koşullarına uygun ceviz türünü seçmek önemlidir. Ceviz yetiştiriciliğinde, bahçe kurulumunun maliyetli olması ve ceviz meyve verme süresinin yıllar almasından dolayı, doğru ceviz türünü seçmek, yapılması gereken ilk iş olmalıdır. Ceviz ağaçlarının türlerini ayırt etmek ise oldukça zordur. Ceviz türleri birbirlerine, renk, doku ve yaprak yapıları olarak çok benzemektedirler. Genelde cevizin türünü belirlemek için ağacın meyve vermesi beklenmektedir. Literatürde ceviz çeşitlerini belirlemek için yapılan çalışmaların geneli ceviz meyvesi üzerine yapılan sınıflandırma çalışmalarıdır. Bu çalışmada sadece ceviz yaprak görüntüleri kullanılmamış aynı zamanda bir ilk olarak ceviz sürgün görüntüleri de kullanılmıştır. Literatüre katkı olarak 10 farklı ceviz türüne ait 3 552 sürgün ve 10 000 yaprak görüntüsü içeren veri setleri oluşturulmuştur. Sürgün ve yaprak veri setindeki görüntülerin sınıflandırılması derin öğrenme modelleri ile ayrı ayrı yapılarak karşılaştırılmıştır. Aynı zamanda başarım oranını değerlendirebilmek için hibrit modeller geliştirilerek sınıflandırma çalışmaları da yapılmıştır. Sürgün veri setinin sınıflandırılması için önerilen en başarılı derin öğrenme modeli, %98.52 başarı oranı ile DenseNet201 modeli olmuştur. Yine sürgün veri setinin hibrit modellerle yapılan eğitiminde geliştirilen Dense-Walnut modeli ile %98.30 başarı oranına ulaşılmıştır. Yaprak veri setinin sınıflandırılması için de en başarılı derin öğrenme modeli olan DenseNet201 modeli ile %95.52 başarı oranı elde edilmiştir. Hibrit modellerin sınıflandırma çalışmasında yaprak veri seti üzerinde DenseNet201+EfficientNetB3 modeli %97.84 başarı oranı elde etmiştir.
Nesnelerin internetinde otonom araçlar için ıota tangle tabanlı şarj ve ödeme süreci yönetimi
Bu çalışma, otonom araçlar için IOTA Tangle tabanlı güvenli ödeme sistemini araştırmaktadır. IOTA'nın düşük işlem ücretleri, yüksek işlem hızları ve merkeziyetsiz yapısı, araçlar ve şarj istasyonları arasındaki ödemelerin verimli ve güvenli bir şekilde gerçekleştirilmesini sağlar. Çalışmada, araçlar ile şarj istasyonları arasındaki veri transferi ve mikro ödemeler Raspberry Pi 4 kullanılarak gerçekleştirilmiş, kablosuz şarj teknolojisi ile enerji transferi süreçleri test edilmiştir. Masked Authenticated Messaging (MAM) teknolojisi, verilerin güvenli bir şekilde iletilmesini sağlayarak, IOTA Tangle test ağı üzerinde yapılan işlem verilerini doğrulamaktadır. Önerilen sistem, araçların şarj istasyonları ile etkileşimini sağlayan fonksiyonlar içermekte ve IOTA Tangle Testnet üzerinden bu etkileşimlerin güvenli ve verimli bir şekilde gerçekleşmesini sağlamaktadır. IOTA'nın sağladığı merkeziyetsiz ve şeffaf yapılar, otonom araçlar için güvenli ödeme sistemlerini geliştiren önemli avantajlar sunmaktadır. Bu çalışma, IOTA Tangle'ın kullanımının otonom araçların ödeme sistemlerinde devrim niteliğinde olabileceğini ve sistemlerin daha güvenli hale gelmesini sağlayabileceğini ortaya koymaktadır.
Stratejik öneme sahip kurumlar için potansiyel tehditlerin erken tespitinde yapay zeka destekli sınıflandırma
Bu tez çalışmasında güvenlik açıkları ve toplumsal saldırılar bağlamında güvenlik kameralarının etkinliğini incelemekte ve derin öğrenme teknikleri kullanarak bu sistemleri iyileştirmeyi amaçlamaktadır. Çalışmada SHODAN zafiyet tarama sistemi üzerinde yer alan güvenlik kameralarından kazıma ile elde edilen 1254 görüntüden oluşan bir veri seti oluşturulmuş ve veri artırma yöntemleriyle bu sayı 3762'e yükseltilmiştir. Veri seti, askeri alan, hastane, okul, meydan ve alışveriş merkezi olmak üzere beş farklı sınıfta etiketlenmiştir. PyTorch ve OpenCV kullanılarak YOLOv9, YOLO-NAS, RetinaNet, Faster-RCNN ve EfficientDet-D7 gibi modern nesne tespiti modelleri ile eğitim gerçekleştirilmiştir. Eğitim sonuçlarına göre, en yüksek mAP50 değeri %98.9 ile YOLOv9 modeli tarafından elde edilmiştir. Analizler, güvenlik kameralarının bütün sınıflar için güvenlik seviyesini artırmada etkili olduğunu göstermektedir. Çalışma, kameraların yerleştirilme açısı, ışık koşulları ve konumlandırılmalarının güvenlik sistemlerinin performansını önemli ölçüde etkilediğini ortaya koymuştur. Ayrıca, düşük ışık ve değişken hava koşullarında nesne tespitinin güvenlik sistemleri için kritik bir öneme sahip olduğu vurgulanmıştır. Beş farklı sınıfta gerçekleştirilen analizler, güvenlik kameralarının özellikle toplumsal alanlarda güvenlik tehditlerini tespit etme potansiyelini artırdığını göstermiştir. Elde edilen bulgular, güvenlik kameralarının kritik altyapıları koruma ve toplumsal saldırılara karşı önleyici tedbirler alma konusundaki önemini bir kez daha ortaya koymaktadır.
Kripto para piyasasındaki al sat sinyallerinde açıklanabilir yapay zeka kullanılması
Bu yüksek lisans tezi, kripto para piyasasındaki al-sat sinyallerinin tahmin edilmesi ve açıklanabilir yapay zekâ (AYZ) kullanımını araştırmaktadır. Çalışma kapsamında, kripto para birimlerinin fiyat hareketlerini tahmin etmek ve al-sat sinyalleri oluşturmak için makine ve derin öğrenme modelleri incelenmiştir. Bu amaç doğrultusunda Long Short Term Memory (LSTM) modeli kullanılmıştır. Deneyler sonucunda, LSTM modelinin yüksek doğrulukla gelecekteki fiyat hareketlerini tahmin edebildiği belirlenmiştir. LSTM modelinin performansını daha da artırmak amacıyla hiperparametre optimizasyonu gerçekleştirilmiş ve sonuçlar iyileştirilmiştir. Optimizasyon sürecinin ardından, LSTM modeli en iyi sonuçları vermiştir. LSTM modelinin tahminlerinin daha anlaşılır hale getirilmesi ve modelin kararlarını açıklayabilmek için Yerel Yorumlanabilir Model-Agnostik Açıklamalar (LIME) yöntemi kullanılmıştır. LIME, modelin belirli tahminlerini açıklamak ve kullanıcıların modelin nasıl çalıştığını anlamalarını sağlamak için kullanılmıştır. Bu sayede, kripto para piyasasında al-sat sinyallerini daha etkili bir şekilde tahmin edebilmek ve karar süreçlerini şeffaflaştırmak için hem güçlü bir model hem de bu modelin kararlarını açıklayabilen bir yöntem geliştirilmiştir. Sonuç olarak, bu tez çalışması, kripto para piyasasında al-sat sinyallerinin tahmin edilmesinde açıklanabilir yapay zekânın etkili bir şekilde kullanılabileceğini göstermiştir. LSTM modeli ve LIME yöntemi kombinasyonu hem yüksek doğruluk oranı hem de model açıklanabilirliği açısından başarılı sonuçlar sunmuştur. Bu bulgular, yatırımcılara ve finansal analistlere, kripto para piyasasında daha bilinçli ve güvenilir al-sat kararları almaları için önemli bir katkı sağlamayı amaçlamaktadır.
Açıklanabilir yapay zeka ile boyun düzlüğü hastalığının tahmin edilmesi
Boyun düzlüğü hastalığı, servikal omurgada bulunan doğal kıvrımların kaybolması sonucunda ortaya çıkan bir rahatsızlıktır ve kişilerde ağrı, hareketlerin kısıtlanması gibi belirtilerle yaşam kalitesini olumsuz yönde etkilemektedir. Bu çalışmada, açıklanabilir yapay zekâ (AYZ) yöntemlerinden faydalanılarak boyun düzlüğü hastalığının derecelendirilmesi amaçlanmıştır. Araştırmanın amacı, hastalık teşhisi ve derecelendirme sürecini şeffaf ve anlaşılır bir şekilde sunmaktır. Bu çalışmada, Random Forest ve Decision Tree gibi makine öğrenmesi algoritmalarından yararlanılmış ve hiperparametre optimizasyonu ile bu modeller iyileştirilmiştir. Veri setinde bulunan öznitelikler, hastalığın derecelerini belirlemede modelin performansını artırmak amacıyla özenle seçilmiştir. Doğruluğu, hassasiyeti, duyarlılığı ve F1 skoru gibi metrikler kullanılıp modellerin performansı kıyaslanmıştır. Random Forest modeli, doğruluk oranı %88 olarak hesaplanmış ve dengeli sınıflandırma becerisiyle en yüksek performansı göstermiştir. Decision Tree algoritması, kolay yorumlanabilir olması nedeniyle klinik karar süreçlerinde tercih edilmiştir. Sonuç olarak, AYZ yöntemlerinin, boyun düzlüğü hastalığının tespit ve derecelendirilmesinde önemli bir etkisi olduğu gözlemlenmiştir. Bu incelemeler, tıbbi karar süreçlerini güçlendirirken, uzmanlara güvenilir ve anlaşılabilir bilgiler sunmakta ve sağlık alanında yeni çözümler ortaya çıkarmaktadır.
Bilgisayar mühendisliği bölümü için makine öğrenme algoritmaları ile kariyer tahmini ve açıklanabilir yapay zeka ile değerlendirilmesi
Bu tez çalışmasında bilgisayar mühendisliği alanındaki bireylerin sahip oldukları teknik yeterliliklere ve akademik performanslarına göre hangi mesleki alanda çalışabileceklerinin makine öğrenmesi ile tahmin edilmesi amaçlanmıştır. Çalışmaya özgü oluşturulan veri kümesi genel not ortalaması, staj alanı, proje bilgisi, veri tabanı bilgisi ve Python, Java, C#, C++ gibi programlama dillerine ilişkin seviyeleri içeren 174 kayıttan oluşmaktadır. Veri ön işleme sürecinde kategorik veriler sayısallaştırılmış ve veri kümesi modellemeye hazır hâle getirilmiştir. Model seçiminde LazyClassifier kullanılarak birçok sınıflandırma algoritma karşılaştırılmış ve en yüksek doğruluğu gösteren sekiz model sınıflandırma için seçilmiştir. Sekiz model ortak veri kümesi kullanılarak GridSearchCV ile hiperparametre optimizasyonu yapılarak eğitilmiştir. Optimum hiperparametreler ile elde edilen sonuçlar doğruluk, kesinlik, duyarlılık ve F1 skor metrikleri ile performansı değerlendirilmiştir. Sonuç olarak sınıflandırma modellerinden en yüksek doğruluk %97 ile Gradient Boosting'dan elde edilmiştir. Modelin kararlarını yorumlayabilmek amacıyla SHAP ve LIME algoritmaları kullanılmıştır. SHAP analizleri sınıf bazında hangi proje ve ilgili alanın karar üzerindeki etkisini gösterirken, LIME analizleri ise veri tabanı ve programlama dili için karar gerekçelerini açıklamıştır. Sonuçlar tahminlerin yalnızca isabetli değil aynı zamanda açıklanabilir olduğunu ortaya koymuştur. Geliştirilen model kariyer yönlendirme, personel yerleştirme ve eğitim planlaması gibi alanlarda etkili biçimde kullanılabilecek potansiyele sahiptir.
Düşük aydınlıklı görüntü iyileştirmede dikkat mekanizmalarının etkileri
Bilgisayarlı görü çalışmalarının başarısını önemli ölçüde artıracak olan girdi görüntülerinin netliği, kameraların doğal sahnelerin doyum noktalarına erişemediklerinden ötürü yakalanamamaktadır. Fotoğraf makinelerinin pozlama süreleri kısa tutulduğunda yakaladıkları sahnelerin karanlık olması gibi, uzun tutulduğunda ise elde edilen sahnelerin fazla aydınlıktan dolayı görüntü netliği istenilen yüksek dinamik aralığa ulaşamamaktadır. Pozlama süresinin kısa tutulmasıyla elde edilen karanlık sahne hem net değildir hem de istenmeyen gürültülere sahiptir. Pozlama süresi uzun tutularak elde edilen fazla aydınlık sahne bulanıklaşırken aynı zaman da fotoğraf çekilirken sürenin uzun tutulmasıyla eldeki titremeden kaynaklı problemleri de beraberin de getirir. Fotoğraf makinelerinin sınırlı dinamik aralık problemini çözmek için düşük ışıklı görüntü iyileştirme algoritmaları kullanılır. Bu tez çalışmasının temel amacı, düşük aydınlıklı görüntüleri iyileştirmek için dikkat mekanizmalarının etkilerini ölçmektir. Bu amaçla literatürde başarılı sonuç sergileyen SSIENET yöntemi baz alınarak farklı dikkat mekanizmalarının kullanıldığı düşük aydınlıklı görüntü iyileştirme yöntemi önerilmiştir. Literatürde var olan düşük aydınlıklı görüntü iyileştirme yöntemlerine farklı dikkat mekanizmaları dahil edildiğinde daha başarılı sonuçlar elde edildiği gözlemlenmiştir.
Evrişimli sinir ağlarında transfer öğrenmesi ile GANtarafından üretilen sahte görüntü tespiti
Derin öğrenme yöntemlerinin son dönemlerdeki popüler ağlarından olan çekişmeli üretken ağ (Generative Adverserial Network, GAN), üretken bir derin öğrenme modeli olarak bilinir. Üretici (generator) ve ayırt edici (discriminator) olmak üzere iki kısımdan oluşmaktadır. Sentetik ya da yapay veri olarak bilinen GAN üretimi verilerin, literatürde oldukça başarılı örnekleri yer almaktadır. Birbirinden oldukça farklı sahalarda kullanıldığı bilinen sentetik yüz verilerinin, insan algısı ile tespit edilebilmesi pek mümkün olmamaktadır. Bu tez çalışması kapsamında literatürde yaygın olarak kullanılan Evrişimli Sinir Ağı (CNN) modellerinin öznitelik çıkarıcı olarak kullanıldığı, sentetik ve gerçek yüz görüntülerini ayırt eden bir ağ için Laplace filtresi ve benzemezlik tabanlı yeni bir evrişim katmanı içeren bir model önerilmiştir. Bu yöntemde, Densenet121 modeli öznitelik çıkarıcı olarak kullanılıp, öznitelikler sınıflandırmak amacıyla makine öğrenmesi modellerine verilmiştir. Tez çalışması kapsamında oluşturulan yeni veri kümesi farklı makine öğrenmesi modelleri üzerinde denenmiş olup, en yüksek başarı LR ve KNN modellerinden %99 olarak elde edilmiştir. Elde edilen sonuçlar, önerilen yöntemin sahte yüzlerin tespitinde kullanılabileceğini göstermektedir.
Veri ambarındaki perakende verilerinde anomali tespiti ve aktarımı için yapay zeka tabanlı yaklaşımlar
Bu çalışma, veri ambarına alınan kaynak veriler üzerinden anomali tespiti için bazı öneriler sunmaktadır. Kirli ve gürültü verilerin veri ambarına girişinin engellenmesi için bazı yapay zekâ algoritmalarının testleriyle bilgi verilmeye çalışılmıştır. Veri ambarında temiz ve sağlıklı verilerin bulunması, veri bilimi çalışmaları gibi alanlar için oldukça faydalıdır. Günümüzde yaşanan çip krizi, fiziksel makinelerde tasarrufun önemini artırmıştır. Bu bağlamda, sunulan yaklaşımın fiziksel makinelerde tasarruf sağlama potansiyeli bulunmaktadır. LSTM, Isolation Forest, Local Outlier Factor ve SVM algoritmaları test edilmiştir. LSTM algoritmasının büyük verilerde zamansal olarak dezavantajlı olabileceği düşüncesiyle Local Outlier Factor ve SVM algoritmaları da değerlendirmeye dahil edilmiştir. Isolation Forest, LSTM, Local Outlier Factor ve SVM algoritmaları arasında çalışma yapılmıştır. Ancak, algoritmaların her birinin farklı anomalileri tespit ettiği gözlemlenmiştir, bu da anomali tespiti problemlerinde "tek en iyi algoritma" yaklaşımının yetersiz olduğunu ortaya koymaktadır. Sonuç olarak, algoritmaların hibrit bir ensemble modeli olarak entegrasyonu, çeşitli algoritmaların güçlü yönlerinden faydalanarak ve zayıf yönlerini dengelerken, performansın artırılması yönünde önemli bir potansiyel taşımaktadır. Bu yaklaşımın uygulanabilirliği ve etkinliği, daha geniş veri kümeleri üzerindeki kapsamlı deneylerle doğrulanmalı ve belirli uygulama senaryolarına göre maliyet-fayda analizi ile değerlendirilmelidir.
Kenar destekli düşük aydınlıklı görüntü iyileştirme ağı
Nesnelere düşen ışık miktarı; nesnenin bulunduğu mekâna (iç/dış), gün içerisindeki zamana (gündüz/gece) ve ışık kaynağına (güneş/yapay) bağlı olarak değişebilmektedir. Düşük ışığa bağlı olarak fotoğraf makinesi ile çekilen görüntülerde kontrast düşüklüğü, renk kaybı, gürültü oluşumu ve detay bilgisi eksikliği gibi sorunlar yaşanmaktadır. Bu durum insan görsel zevkini ve bilgisayarlı görü uygulamalarının performansını etkilemektedir. Düşük aydınlıklı görüntülerin iyileştirilmesi konusu sıkça çalışılmış olup bu alanda başarılı sonuç sergileyen çalışmalardan biri olan GLADNet mimarisi bu tezde temel alınmıştır. GLADNet mimarisi iki temel birimden oluşmakta ve bunlar sırasıyla önce görüntü parlaklık değeri tahmin etme birimi sonrasında ise görüntü detay bilgisi iyileştirme birimidir. Bu çalışmada görüntü detay bilgisi iyileştirme biriminin geliştirilmesi üzerine yoğunlaşılmıştır. Bu bağlamda U-Net tabanlı bir kenar çıkarma birimi geliştirilmiş ve bu birimin sonucu görüntü parlaklık değeri tahmin etme biriminin sonucuna eklenerek görüntü detay bilgisi iyileştirme birimine girdi olarak verilmiştir. Önerilen yaklaşım ile yapılan deneyler sonucunda kenar ve doku bilgilerinde iyileşme, gürültü oluşumunda da azalma olduğu görülmüştür. U-Net tabanlı kenar çıkarma bloğuna kanal dikkat mekanizması eklendiğinde ise renk korunumunun sağlandığı görülmüştür. Elde edilen çıktı görüntünün kalitesini belirlemek amacıyla PSNR, SSIM ve FSIM metrik değerleri hesaplanmış ve sırasıyla 0.022, 0.019 ve 0.0101 miktarında performans artışı olmuştur. Referans görüntü olmadan yapılan deneylerde NIQE ve BRISQUE metriklerinde de performans iyileşmesi gözlemlenmiştir. Girdi görüntüde karmaşıklığın (kenar piksel yoğunluğu) artmasına bağlı olarak iyileştirme oranında artış elde edilmiştir.
Yüksek dinamik aralıklı görüntü oluşturmada derin öğrenme kullanarak hayalet etkisinin giderilmesi
Mevcut dijital görüntüleme cihazları, sınırlı algılama kabiliyetlerinden ötürü gerçek ortamdaki renklerin sadece küçük bir kısmını yakalayabilmektedir. Oluşturulan bu görüntülerin renk seviyeleri arasındaki fark az olduğundan bu görüntüler Düşük Dinamik Aralıklı (DDA) olarak adlandırılır. DDA görüntülerde karanlık veya aşırı parlak bölgeler oluşabildiğinden o bölgelerle ilgili bilgi kaybı gerçekleşebilmektedir. DDA görüntülerdeki bilgi kaybını telafi etmek amacıyla, farklı pozlanmış DDA görüntüler birleştirilerek Yüksek Dinamik Aralıklı (YDA) görüntüler elde edilmesi yöntemi yaygın olarak kullanılmaktadır. Bu yöntem, kamera ve ortamın durağan olduğu sahnelerde iyi sonuçlar verse de, hareket eden kamera ve/veya hareket eden nesnelerin olduğu sahnelerde hayalet etkisi adı verilen nesnelere dair izler içeren görsel bir kusur oluşturmaktadır. Bu durum, birleştirilen pozlardaki ilgili piksellerin yer değiştirmesi nedeniyle ortaya çıkmaktadır. Bu çalışmada, YDA görüntü oluştururken hayalet etkisini gidermek için iki aşamalı bir yöntem önerilmiştir. Önerilen yöntemin ilk aşamasında farklı pozlanmış DDA görüntüler, seçilen bir referans görüntüye önce RANSAC algoritması temelli homografi daha sonra da optik akış temelli hareket tahminleri yapan bir ağ kullanılarak hizalanmıştır. Önerilen yöntemin ikinci aşamasında, farklı pozlanmış üç girdi görüntü ve hizalanmış görüntüler kullanılarak YDA görüntü üreten bir birleştirme ağı tasarlanmıştır. Birleştirme ağı SIGG17 ve ICCP19 veri kümeleri kullanılarak eğitilmiş ve test edilmiştir. Önerilen yöntemin ürettiği YDA görüntüler alanda iyi bilinen bir yöntemin ürettiği YDA görüntüler ile nicelik ve nitelik bakımından mukayese edilmiştir. Nicel değerlendirmeler için PSNR, SSIM metrikleri kullanılmış ve iyi bilinen yönteme göre daha başarılı sonuçlar elde edilmiştir. Nitel kıyaslama için önerilen yöntemin görsel sonuçları, hayalet etkisini daha iyi gidererek hedef görüntüye yakın sonuçlar ürettiği gözlemlenmiştir.
Dikkat tabanlı evrişimli sinir ağları ile görüntülerde gürültü giderme
Bilgisayarlı görü uygulamalarının başarımında ve insan görsel memnuniyetinde görüntülerin net ve gerçeğe yakın olmasının önem arz etmesi görüntü kalitesi iyileştirme çalışmalarına olan ihtiyacı artırmıştır. Görüntü kalitesi iyileştirme çalışmalarının çoğunluğu gürültü giderme problemi üzerine yoğunlaşmıştır. Bu problem; görüntü yakalama, sıkıştırma ve aktarma gibi farklı kaynaklardan dolayı oluşabilmekte ve bu durumun üstesinden gelmek için farklı çözüm yaklaşımları denenerek uzunca bir süre çalışmalar yapılmıştır. Bu çalışmada, gürültü gidermede başarılı performans sergileyen derin öğrenme tabanlı bir yaklaşım olan Evrişimli Sinir Ağ tabanlı Hızlı ve Esnek Gürültü Giderme modeli (FFDNet) temel alınmış ve FFDNet'in gürültü giderme yeteneğini iyileştirmek amacıyla mimariye Evrişimsel Blok Dikkat Modülü (CBAM) dahil edilmiştir. CBAM modülü iki ayrı dikkat mekanizması içermekte olup FFDNet mimarisine dahil edilmesiyle Evrişimsel Sinir Ağlarının (CNN) temsil gücünü artmıştır. FFDNet mimarisi üzerinde ablasyon çalışmaları yapılmış ve CBAM modülünün yalnızca son katmana eklendiğinde başarılı sonuç verdiği görülmüştür. Önerilen yöntem ile farklı seviyelerde gürültü değerleriyle deneyler yapılmış ve nicel ölçümlerde PSNR, SSIM ve LRI metriklerinde iyileşmeler elde edilmiştir. Elde edilen görüntülerin görsel kalitesi incelendiğinde önerilen yöntemin hedef görüntülere daha yakın sonuçlar oluşturduğu gözlemlenmiştir.
Tarihi ve kültürel gezi rota planlamasının metasezgisel algoritmalarla oluşturulması: Şanlıurfa ili örneği
Günümüzde hızla gelişen teknoloji ile her yaştan kullanıcının teknoloji ile etkileşimi de hızla artmaktadır. Teknolojinin hızla gelişmesiyle birlikte kullanıcılar farklı sektörlere yönelmektedir. Yeni nesil mobil cihazlarda ve tabletlerde günlük hayatta kullandığımız işlerimizi kolaylaştıran uygulamalar bulunmaktadır. Navigasyon kullanarak bilinmeyen bir adrese ulaşabilir, bulunduğumuz yere en yakın otobüs ya da taksi durağını bulabilir, ses, video, fotoğraf vb. belgeleri eposta yolu ile gönderebilir, sosyal medya ortamında birçok kişi ile görüntülü görüşebilir ya da yazışabilir, alışveriş vb. birçok işlemimizi uygulamalar üzerinden gerçekleştirebiliriz. Ancak, birçok şehirde olduğu gibi Şanlıurfa ilinde bulunan tarihsel mekanlar hakkında kapsamlı bir rehberlik sağlayan bir Dijital uygulama eksikliği bulunmaktadır. Şanlıurfa'ya gelen yerli ve yabancı turistler, tarihsel mekanları ziyaret etmek isteseler dahi, bu mekanlar hakkında yeterli bilgiye sahip olma ve gezebilecekleri yerleri planlama konusunda zorluklar yaşamaktadırlar. Gezi süresi sınırlamaları, kültürel yerlerin hangi sıra ile gezileceği konusundaki belirsizlikler ve ulaşım güçlükleri, turistlerin deneyimlerini olumsuz etkilemektedir. Bu noktada, Şanlıurfa'daki tarihsel mekanları ziyaret etmeyi planlayan kullanıcılara rehberlik edecek, görsel, metinsel ve sesli bilgiler sunacak, diğer ziyaretçilerin deneyimlerini paylaşmalarına olanak tanıyacak, minimum maliyetle optimal bir rota oluşturacak bir mobil uygulama geliştirmek önemli bir ihtiyaçtır. Bu uygulama, Gezgin Satıcı Problemi'ni çözerek kullanıcılara en kısa ve en etkili rotayı sunmayı amaçlamaktadır. Önerilen uygulama turistlerin tarihsel mekanları daha kolay ve bilinçli bir şekilde gezmelerini sağlayarak, yaşadıkları zorlukları en aza indirmeyi hedeflemektedir. Şanlıurfa'nın tarihi zenginliklerini keşfetmelerine yardımcı olmak için geliştirilen bu Dijital uygulama, turizm deneyimini önemli ölçüde iyileştirebilir. Bu tez çalışması iki aşamadan oluşmaktadır. Birinci aşama Microsoft Visual Studio araç programı üzerinde C# programlama dili kullanılarak tasarlanmıştır. Bu aşamada Karınca kolonisi algoritması ve Genetik algoritma süre, mesafe ve en iyi yolun bulunduğu iterasyon yönünden karşılaştırılarak deneysel sonuçları incelenmiştir. Sonuçta karınca kolonisi algoritmasının süre ve rota mesafesi yönünden genetik algoritmadan daha iyi sonuçlar verdiği gözlemlenmiştir. İkinci aşamasında ise Yapay zekâ algoritmalarından olan Karınca kolonisi algoritması günümüz mobil uygulama yazılım dillerinden biri olan dart-flutter ile tekrardan kodlanıp, görsel ekranlar ayarlanarak Google maps üzerinde tarihi mekanların minimum rota planlamasının kullanıcılara yapay zekâ destekli akıllı bir turizm rehberi olarak IOS ve Android işletim sistemine sahip tüm mobil cihazlarda kullanıcıların kullanımına sunulması amaçlanmıştır. Bu çalışma Yapay Zekâyı Turizm sektöründe uygulamak isteyenlere ve Şanlıurfa iline gelen turistlere rehber olarak ışık tutacak niteliğe sahip olacaktır.
Trendyol verileri üzerinde makine öğrenmesi modellerini kullanarak ürün popülaritesini tahmin etme
Akıllı cihaz teknolojisinin hızlı gelişimiyle birlikte internetin günlük hayattaki kullanımı her geçen gün hızla yaygınlaşmaktadır. Teknolojideki bu büyüme çoğu yatırımcının yatırım alanını tamamen değiştirerek yatırımcıları e-ticaret sektörüne yöneltmiştir. Yapılan yatırımlarla e-ticaret sektöründe büyük gelişim yaşanmıştır. Bu gelişim ile e-ticarette tüm mal ve hizmet sektörünü kapsayan, sürekli yeni ürünler eklenmesi ve ürün/miktar ve çeşitliliğini arttırılarak kullanıcılara hizmet verilmektedir. Devasa verilerden oluşan bu sektörde; ürünlerin, kullanıcı ihtiyaçlarına göre sıralanması ve kullanıcının kendisi için en uygun ürünü seçmesi zorlaşmaktadır. Bu zorluğun üstesinden gelmek için birçok e-ticaret sitesinde, ürüne dayalı tahminler kullanılmaktadır. Bu tahminlerden biri olan ürünün popülerliği, o ürünü daha önce kullanan kullanıcıların geri bildirimi ile belirlenir. Geri bildirimler ürünün popülerliğini etkileyerek ürünün, kullanıcıya gösterilme sıralamasındaki yerini de belirlemektedir. Bu çalışmada, Trendyol e-ticaret sitesine ait 17 öznitelikten oluşan 7200 ürün verisi kullanılmış olup ürün özelliklerinin, ürünün favori sayısı üzerindeki etkisi araştırılmaktadır. Ürünlerin favorilenme sayısını tahmin etmek için Bagging, Gradient Boosting Machines (GBM), Light Gradient Boosted Machine (LightGBM) ve Extreme Gradient Boosting (XGBoost) gibi regresyon modelleri kullanılmıştır. Regresyon modelleri Mean Absolute Error (MAE), Mean Square Error (MSE), Root Mean Square Error (RMSE) ve Mean Absolute Scaled Error (MASE) kullanılarak değerlendirilmiştir. Analiz sonuçları, modellerin düşük hata oranı ile başarılı bir şekilde ürünlerin favori sayısının tahmin edilebildiğini göstermiştir. Ayrıca veri setindeki favori sayılarının sınıflandırarak favori sayı sınıflarından oluşan yeni bir veri seti oluşturuldu. Bu veri setini kullanarak favori sayı sınıfının popülarite üzerindeki etkisi araştırılmıştır. Bunun için sınıflama modellerinden Decision Tree, GBM, LightGBM, Naive Bayes, Random Forest, SVM ve XGBoost sınıflama modelleri kullanılmıştır. Sınıflama değerlendirme metriklerinden olan Accuracy, F1_score ve cross validation score değerleri ile modeller değerlendirildi. Analiz sonuçları, modellerin yüksek doğruluktaki başarı ile ürünlerin favori sayı sınıfını tahmin edebildiğini göstermiştir.
Dinamik ağlarda hastalık yayılma analizi
Covid-19 hastalığının hızlı şekilde pandemi seviyesine yükselmesi nedeniyle tüm dikkatler epidemiyoloji alanına çevrilmiştir. Epidemiyoloji alanında sıklıkla kullanılan SIR temelli kompartıman tipi tahmin modellerinin bazı sınırlılıkları bulunmaktadır. Bunlardan birisi topluluğun homojen ve tüm bireylerin aynı özelliğe sahip olduklarının varsayılmasıdır. Yapılan çalışmada, topluluklarda hastalık yayılımı ile ilgili öngörü sahibi olmak amacıyla geleneksel yöntemlere alternatif olarak kullanılabilecek güncel yöntemler ele alınmaktadır. Gerçek hayatta topluluk heterojen yapıda ve bireyler farklı niteliklere sahip olduğu için ilk olarak bireylere ait temel merkezilik değerleri elde edilmiştir. Farklı bir yaklaşım olarak Louvain yöntemi ile topluluk içerisindeki alt topluluklar ortaya çıkarılarak bireylerin temel merkezilik değerleri hesaplanmıştır. Son olarak Node2Vec yöntemi ile bireylere ait öznitelik çıkarımı yapılmıştır. Elde edilen veriler çok kriterli karar destek yöntemlerinden TOPSIS yöntemine girdi olarak verilmiştir. Bireylere ait yeni özniteliklerin eklenebilmesi, değiştirilebilmesi gibi değişikliklere uyum sağlaması amacıyla TOPSIS yöntemi kullanılmıştır. Enfekte bireylerin seçimi rastgele şeklinde, bağışık bireylerin seçimi ise TOPSIS sonucu elde edilen sıralamalara göre yapılmıştır. Enfekte ve bağışık bireylerin seçimi sonrasında ağdaki hastalık yayılımı izlenerek simülasyon sonucu ortaya çıkan toplam enfekte birey sayıları hesaplanmıştır. Tüm örneklere ait simülasyonlar sonucu elde edilen enfekte birey değerleri karşılaştırılarak analiz edilmiştir. Sonuç olarak, insan- insan etkileşimine göre oluşturulan iki veri seti için en iyi sonuç Louvain ile TOPSIS yönteminin birleşiminden elde edilmiştir. Sosyal medyadaki arkadaşlık ilişkilerine göre oluşturulan diğer veri setinde ise derece merkeziliği yöntemi başarılı olmuştur. Çalışmanın genel olarak ilgili alanda Türkçe literatüre katkı sağlayacağı ve kullanılan yöntem ve teknikler sayesinde hastalık yayılımının yavaşlatılması veya durdurulması amacıyla yapılacak önleme faaliyetlerinde (örneğin izolasyon, aşı vb.) kullanılacak olan kısıtlı imkanların en etkili şekilde uygulanması için karar vericilere, uygulayıcılara birey seçiminde yardımcı olacağı düşünülmektedir.
Derin öğrenme tabanlı kenar rehberli görüntü iç boyama
Görüntü iç boyama, hasarlı veya eksik bölgelerin, mevcut görüntü bilgilerinden yararlanarak yeniden inşa edilmesi işlemidir. Derin öğrenme tekniklerinin gelişmesiyle birlikte bu alanda önemli ilerlemeler kaydedilmiş olsa da ciddi düzeyde hasarlı görüntülerin yapısal ve dokusal özelliklerini doğru bir şekilde yeniden oluşturmak hâlâ büyük bir zorluk teşkil etmektedir. Bu çalışmada Koşullu Doku ve Yapı Çift Üretimi (CTSDG) mimarisine dayalı görüntü iç boyama performansını iyileştiren geliştirmeler sunulmaktadır. Baz alınan mimari yapısal ve dokusal olmak üzere iki ayrı akışa sahiptir. Yapısal akış, görüntünün genel düzenini ve yapısını yakalamaya odaklanırken, dokusal akış detaylı doku sentezini gerçekleştirmektedir. İki akış arasındaki ilişkiyi güçlendirmek için çeşitli yeni modüller kullanılmıştır. Bunlardan çift yönlü sıkma ve uyarım ağı içeren geçitli özellik füzyonu her iki yöndeki sıkma ve uyarım işlemleriyle özellik birleştirme sürecini iyileştirmektedir. İyileştirilmiş bağlamsal özellik toplama modülü ise çok ölçekli özellikleri toplayarak çıktıları geliştirmektedir. Buna ek olarak Seçici Çekirdek Özellik Birleştirme ile entegre edilmiş Çift Dikkat Mekanizması birbirini tamamlayıcı özellikleri bir araya getirmektedir. Bu sayede hasarlı girdilerden daha tutarlı yapı ve doku elde edilebilmektedir. Yapılan nicel deneyler PSNR değerinde %0-20 maskeler için %2,69, SSIM değerinde %40-60 maskeler için %1.43 oranında iyileşme göstermiştir. Nitel sonuçlar ise, ciddi düzeyde hasarlı görüntülerin eksik bölgelerinin çok daha yüksek görsel kalitede yeniden yapılandırılabildiğini ortaya koymuştur
Uzaktan algılama görüntülerinde Swin tabanlı dönüştürücülerin ön işlem olarak kullanılmasının sınıflandırmada karşılaştırılması
Görüntü sınıflandırma uygulamalarında, sınıflandırma doğruluğunu arttırmak amacıyla giriş görüntülerinin kalitesi kritik bir faktördür. Uzaktan algılanan görüntülerin genellikle düşük çözünürlük ve keskinlikle ilgili kalite sorunlarına sahip olabilir, bu da analiz süreçlerinde zorluklar doğurabilir. Bu bağlamda, uzaktan algılanan görüntülerin sınıflandırılmasında kalitenin iyileştirilmesi ve düzeltilmesi büyük önem taşır. Bu çalışmada, RSI-Cb uzaktan algılanan veri setinin Swin tabanlı süper çözünürlük yöntemleri olan HST, Swin2SR, SwinIR ve SwinFIR'ın DenseNet121, Xception ve EfficientNetV2B3 modelleri ile sınıflandırma performansının kıyaslaması yapılmıştır. Sınıflandırma çalışmaları yapılırken Adam, SGD, RMSprop ve Adagrad optimizasyon algoritmalarında inceleme yapılmıştır. Deneyler sonucunda, süper çözünürlük yöntemlerinin uygulanmasının sınıflandırma doğruluğunu arttırdığı gözlemlenmiştir. En iyi sonuç, SwinIR süper çözünürlük yönteminin Densenet121 modeliyle Adam optimizasyon algoritması kullanılarak elde edilmiştir, F1-puanı %99,45'den %99,53'e çıkmıştır. RSI-Cb uzaktan algılanan veri seti, insan yapımı ve doğal yapılar olarak düzenlenmiş ve doğal olan yapılar için daha iyi sonuçlar elde edilmiştir. Ayrıca yeni elde edilen 350 tane görüntünün test edilmesiyle, Swin tabanlı süper çözünürlük yöntemlerinin sınıflandırmada iyileştirme sağladığı gözlemlenmiştir. Bunun yanı sıra, tarihi alanların insan yapımı yapılar olduğunu tespit etmek için tarihi alan veri seti üzerinde deneyler yapılmıştır. Deneyler sonucunda SwinFIR Xception modeli Adam optimizasyon algoritmasının, tarihi alanların insan yapımı olduğunu %100 doğrulukla belirlemiştir. Bu sonuçlar, uzaktan algılanan veri setlerinde Swin tabanlı yöntemlerin kullanımının sınıflandırma performansında belirgin bir iyileşme sağlayabileceğini göstermektedir.
Derin öğrenme ve chroma spektrogramlarına dayalı EKGsinyallerinin sınıflandırılması
EKG, kalbin ritmini ve elektriksel aktivitesini grafik olarak kaydeden, invazif olmayan bir tanı aracıdır ve kalbin zaman içindeki elektriksel aktivite değişikliklerini değerlendirir. Kalp fonksiyonunu analiz etmek için temel fizyolojik bilgileri içerir; bu nedenle kardiyologlar tarafından sağlık bozukluklarını tespit etmek amacıyla yaygın olarak kullanılmaktadır. Ancak, EKG sinyali lineer değildir ve düşük genliği nedeniyle çıplak gözle ihmal edilebilecek küçük değişiklikler içerebilir. Aritmi, her zaman insan sağlığını doğrudan tehdit etmese de, kalp hastalığı semptomlarına ve hızlı atriyal fibrilasyon, paroksismal supraventriküler taşikardi, persistan ventriküler taşikardi gibi daha şiddetli aritmilere yol açabilir. Aritmiler ayrıca çarpıntı, göğüste sıkışma, baş dönmesi, kan basıncında değişiklikler, terleme, senkop ve ani ölüm gibi belirtilere yol açabilir. Bu kalp hastalıkları tehlikelidir ve semptomatik ise acil tedavi gerektirir. Yapay zekanın gelişmesiyle birlikte bu tür hastalıklar kolaylıkla tespit edilebilir hale gelmiştir. Bu çalışmada, derin öğrenme yöntemleriyle EKG sinyalleri chroma spektrogramlarına dönüştürülerek sinyallerin harmonik yapısı görsel olarak temsil edilmiş, böylece modelin tanı doğruluğu artırılmıştır. Ardından, InceptionNet V3, GoogleNet , MobileNet V2, EfficientNet, AlexNet ve ResNet-50 gibi önceden eğitilmiş ağlar kullanılarak bu sinyallerden özellikler çıkarılmıştır. Tüm kullanılan ağlar 10 çapraz doğrulama, %70-%30 eğitim-test ve %80-%20 eğitim-test olarak veriler bölünüp doğrulama işlemi gerçekleştirildi. Sınıflandırma işlemi için ise LDVM, Q-DVM, C-DVM, K-NN, TA, LR sınıflandırıcılar ile aritmi sınıflandırması gerçekleştirildi. InceptionNet V3 modelinde %84,7, GoogleNet modelinde %85,9, MobileNet V2 modelinde %87,6, EfficientNet modelinde %87,5, AlexNet modelinde %87,3 ve ResNet-50 modelinde %87,2 doğruluk elde edilmiştir.
Çevrimiçi sosyal ağlarda spam hesap tespiti
Çevrimiçi sosyal ağlar, bilgi yaymak için en çok kullanılan sosyal araçlar arasında birinci sırada yer almaktadır. Sosyal ağlarda takipçi sayısı genellikle bir başarı göstergesi olarak görülmekte ve bu sayı, paylaşılan haberlerin doğruluğu ile ilişkilendirilmektedir. Ancak, sahte hesaplar tarafından sahte takipçiler alınarak takipçi oranının arttırılması ile hesabın gerçek bir hesap gibi görünmesi sağlanabilir ve bu şekilde yanlış bilgileri rahatça paylaşabilirler. Bu nedenle bu hesapların kontrolünü sağlamak için çalışmamızda, bu sahte hesaplar tespit edilerek sosyal ağların daha güvenilir hale gelmesi konusunda katkı sağlanmaya çalışılmıştır. Araştırmamızda Instagram sosyal ağı ele alınmıştır. Doğruluk sonuçlarını elde etmek için Rastgele Orman (Random Forest), Ekstra Ağaçlar (Extra Trees), Gradyan Arttırma (Gradient Boosting), Karar Ağacı (Decision Tree), AdaBoost (Adaptive Boosting) gibi ağaç yapısına dayalı öğrenme algoritmaları kullanılmıştır. Gerekli veri analizleri sonucunda algoritmalarda sırasıyla %94, %93, %90, %88 ve %94 doğruluk oranları elde edildiği gözlemlenmiştir. Diğer çalışmalardan farklı olarak algoritmaların sonuçlarını daha da iyileştirmek için, Topluluk Öğrenme (Ensemble Learning) yöntemlerinden olan VotingClassifier (hard voting) ve StackingClassifier(meta öğrenici) algoritmaları kullanılmıştır. Bu yöntemleri kullanmamızın temel nedeni birden fazla modelin avantajlarını bir araya getirerek, tek bir modelden daha iyi performans sağlamasıdır. Çalışmamızda VotingClassifier ve StackingClassifier modellerinde Rastgele Orman, Ekstra Ağaçlar ve AdaBoost algoritmalarını birleştirilerek sırasıyla %96 ve %95'lik en yüksek doğruluk oranına ulaşılmıştır. Ayrıca çalışmamızı diğer çalışmalardan ayıran diğer bir özellik ise YoloV8 nesne tanıma modeli kullanılarak görüntü işleme teknikleri ile profil fotoğraflarını kategorilere ayırıp analizini gerçekleştirerek profil fotoğraflarının sahte hesaplar üzerinde etkileri ele alınmıştır. YoloV8 modelinin kullanma nedenimiz ise daha hızlı ve doğru iyileştirilmeler gerçekleştirerek sonuç vermesidir. Son olarak elde ettiğimiz analiz sonuçlarını Visual Studio platformunda geliştirdiğimiz windows ara yüzü aracılığıyla, Instagram API'den çekilen güncel verileri kullanarak hesapların sahte hesaba aitlik durumu test edilmiştir. Sonuç olarak görüntü işleme tekniği ve makine öğrenme tekniği bir arada kullanılarak sonuçların doğruluk değerlerinin artırılmasında literatüre katkı sağlanmıştır.
Face recognition with local Walsh transform
Face recognition is automatically identifying or verifying a person from a still image or a video frame. The challenges in this area largely occur due to illumination, viewpoint, expression, and resolution variances. There is a wide range of information security, surveillance, law enforcement, and entertainment applications which use face recognition despite there being more accurate biometric indicators such as fingerprint or iris. However, these indicators require the cooperation of those being observed whereas face images can be taken without any cooperation. Face recognition systems generally have four main stages; face detection, alignment, feature extraction, and classification. In this dissertation, we focus on the feature extraction stage, which is probably the most challenging part of face recognition systems. Local approaches have been used frequently due to their success in handling variations such as illumination and expression. Local representations are categorized into two types as sparse and dense. In sparse local representations such as Scale Invariant Feature Transform, points of interest are detected to be used for object detection. In dense local representations, such as Local Binary Patterns and Gabor, features are extracted by applying the method to each pixel of an image. In this dissertation, firstly, we propose a dense local representation which localizes the global Walsh Transform. Secondly, we propose methods to use this representation effectively. The first contribution of this dissertation is a novel dense local representation called Local Walsh Transform (LWT). Walsh Transform (WT) kernel is defined as a set of orthogonal functions with values plus and minus ones. The dot product of any two distinct rows and columns of a WT kernel is zero. Transpose, conjugate, and inverse of a WT kernel are equal to itself. For the WT kernel of order N, if we denote rows by i from 0 to N - 1, the ith row has exactly i zero crossings. In the LWT method, we use this special WT matrix to create filters and apply these filters to each pixels of an image separately. Thus, for a N*N WT we create N*N filters and so N*N images, namely LWT components (y). Based on the fact that using phase information makes the recognition method somewhat more invariant to uniform illumination changes and blurring, we propose an approach to create complex images from LWT components. To this end, we utilize the symmetry between the LWT components with respect to the diagonal. By using this symmetrical relationship, we pair the symmetrical LWT components to create LWT complex images. LWT components which are on the upper side of the diagonal are considered as real part of the complex components, while the components which are on the lower side of the diagonal are considered as imaginary parts of complex images which are paired symmetrically with respect to the diagonal. In addition to the LWT, we propose some additional methods to improve the performance of a face recognition system. The LWT is enhanced with some approaches such as Cascaded LWT (CLWT), dividing image into subregions, weighting, and reducing dimension of features by block-based dimension reduction method. In addition, LWT complex images are converted to grayscale images by XOR approach. For face verification problem, SVM is used for classification, while L2ML is used for dimension reduction. Among the proposed LWT-based methods, Patch-based LWT (PLWT) method enlightens the abilities of the LWT most. In PLWT, we take the advantage of both sparse and dense local representations by applying the LWT method to salient points of face images. In feature extraction stage of the PLWT, first, landmarks of images are detected and some of them are selected. Then, the images and their landmarks may be scaled for once or twice. For each selected landmark at different scales of an image, a patch is created around the landmarks. Following this, the LWT method is applied to all patches of the image and LWT complex images are created. Each complex image is divided into non-overlapping subregions and Phase Magnitude Histogram (PMH) of each subregion is calculated. The PMHs of the subregions are concatenated to create the features of complex images and these features are concatenated to create the features of the patches. Dimensions of the features of the patches are reduced by Whitened Principal Component Analysis method. We choose an unsupervised dimension reduction method to make our methods completely unsupervised and be operable on the databases which do not contain class labels of images. For a test image, the same algorithm is applied to the image and dimensions of the patches are reduced by projection matrices learned in the training stage. Identity of the image is determined according to the similarity between the features of the test image and that of the training set images. The proposed PLWT method is further improved by the CLWT approach. In the CLWT, we apply LWT again to both real and imaginary parts of the LWT complex images. In other words, we once more apply the LWT to sharpened images in which shape information is extracted by the first application of the LWT. This approach gives a depth to the method and increases success rate especially on low resolution images in which shapes and edges are blurred. To use this approach in the PLWT method, all needed is to apply the CLWT instead of the LWT. When the proposed method is carried out with the CLWT approach, we call this method Patch-based CLWT (PCLWT). We show the performance of the proposed methods, by applying them to challenging, widely known, and popular benchmark databases. Specifically, for the face identification problem the Face Recognition Technology (FERET) and the Surveillance Cameras Face (SCface) databases are used, for the face verification problem the challenging Labeled Faces in the Wild (LFW) database is used. The FERET is one of the most widely used benchmarks in the evaluation of face recognition methods. This database gives an opportunity to evaluate methods with various facial expressions, lighting conditions, cameras, scale, and aging property. The images of SCface are taken in an uncontrolled indoor environment that mimics the real world conditions of the indoor face recognition problem. It contains very low resolution images which are taken in the dark. The LFW is a database designed to facilitate the benchmarking of unconstrained pair matching and is also intended to illustrate the problem of learning from one example. This database consists of images collected from the web which contain large pose, occlusion, and expression variations. For most of our experiments, we use the "unsupervised" protocol of the LFW since during both training and testing phases we do not use label information of the subjects, and not access to whether any pair of images is of the same subject. For methods which include SVM or L2ML methods, we use "image restricted with no outside data" protocol of the LFW. In the preprocessing step, images of databases are normalized and aligned by the frontalization method, a similarity transform or the High-Fidelity Pose and Expression Normalization (HPEN) with a similarity transform. The landmarks of the face images are detected by using the Supervised Descent Method (SDM) or Dlib. To the best of our knowledge, the PLWT and PCLWT method achieve the best performance on both the FERET and the SCface databases, and the second best unsupervised category result on the LFW database. Although the other proposed methods are also successful, they are below the state-of-the-art results. In conclusion, the LWT is a strong image descriptor which reveals the shape characteristics of images. The CLWT is especially effective on low resolution images where shape characteristics are blurred. Experimental results show that both the PLWT and PCLWT are robust in terms of illumination, expression, occlusion, and low resolution. The high performances of the proposed methods show that these methods are effective on both wild and low resolution images, and are good alternatives to unsupervised hand-crafted methods.
Konu tabanlı sosyal topluluklar için etkili kullanıcı ağırlıklandırılmış duygu analizi yöntemi
Günümüzde sosyal mikroblog servisleri insanların düşüncelerini diğer insanlara aktarmak için kullandığı popüler bir anlatım biçimi haline gelmektedir. İnsanlar bu platformları farklı konu başlıklarında içerik üretmek ve paylaşmak için gerçek zamanlı olarak kullanmaktadırlar. Sosyal mikroblog alanlarının yaygınlaşmasıyla birlikte, sayısız yazılı metin dijital formda araştırmacıların erişimine sunulmaktadır. Bu dönüşüm ile, farklı sosyolojik alanlarda daha derin ve detaylı duygu analizi araştırmaları gerçekleştirilmektedir. Böylece politika, ekonomi, siyaset ve finans gibi birçok farklı sosyolojik alan bu araştırma sonuçlarından beslenmektedir. Mikroblog servisleri üzerine gerçekleştirilen önceki duygu analizi araştırmaları, genellikle servisler üzerinden bireyler tarafından gerçekleştirilen paylaşımlarına ait olan metinleri bilgi kaynağı olarak kullanmaktadırlar. Bu araştırmalar sosyal mikroblog servislerindeki topluluk bireylerini tanımlamak için kullanılan bilgileri çok dikkate almamaktadır. Bunun yanı sıra günümüze kadar gerçekleştirilen sosyal ağ analizi araştırmalarında ve duygu analizi çalışmalarında, bir topluluktaki insanlara duyulan güvenin o topluluğun bir konu hakkındaki duygu seviyesinin belirlenmesinde önemli bir yer tuttuğu belirtilmektedir. Literatürdeki sosyoloji alanında yapılan çalışmalar incelendiğinde, bir topluluktaki güven duyulan kullanıcının aslında etkili kullanıcı olduğu görülmektedir. Dolayısıyla, bu tez kapsamında önceki gerçekleştirilen duygu analizi çalışmalarının başarımını arttırmak için etkili kişilere ait olan tanımlayıcı bilgileri de dikkate alan yeni bir duygu analizi yaklaşımı önerilmektedir. Ayrıca bu çalışmada topluluk içerisindeki etkili kişilerin konu tabanlı bir mikroblog topluluğunun duygu polaritesi üzerindeki etkisine konsantre olunmaktadır. Tez kapsamında gerçekleştirilen çalışmada ilk olarak literatürdeki sosyoloji alanında gerçekleştirilen etkili kullanıcı çalışmaları detaylı bir biçimde ele alındı. Sonra bu literatür taramasından ortaya çıkan bilgi birikimi yardımıyla mikroblog servislerindeki etkili kullanıcıların sahip olması gereken özellikler ve hangi tür paylaşımların mikroblog servislerinde daha etkili olduğu tanımlandı. Bir sonraki adımda bu özellikler göz önünden bulundurularak literatürde tanımlanan etkili kullanıcı yöntemleri değerlendirilip eksiklikleri belirlendi. Etkili kullanıcı yöntemlerinin değerlendirilmesinden sonra önerilecek yeni yöntemde kullanılmak üzere literatürde başarımı yüksek çalışmalarda çokça kullanılan PageRank yaklaşımı seçildi. Daha sonra bu yöntem belirlenen etkili kullanıcı özellikleri göz önünde bulundurularak genişletildi ve eksiklikleri giderildi. Tez çalışmasının ikinci aşamasında mikroblog servisleri üzerinde gerçekleştirilen duygu analizi çalışmaları incelendi. Bu inceleme sonucunda konu tabanlı sosyal ağlarda topluluk üyelerinin paylaşımlarının kalitesini ölçmek için bireylere ait özelliklerin tam anlamıyla göz önünde bulundurulmadığı görüldü. Bu problemi çözmek için bu tez kapsamında önerilen PageRank tabanlı yöntem ile bireylerin etkileme seviyesi belirlendi ve paylaşımları bu değere göre ağırlıklandırıldı. Böylece önceki gerçekleştirilen yalnızca metin içeriğini dikkate alan duygu analizi çalışmaları genişletildi. Sonuç olarak bu tez çalışması kapsamında konu tabanlı topluluklardaki etkili kullanıcıları duygu analizi yöntemlerine tam anlamıyla dâhil eden yeni bir duygu analizi çalışması tanımlandı. Çalışmanın deneysel kısmı finans alanı üzerinde gerçekleştirildi. Gerekli verinin toplanması için Twitter mikroblog servisi seçildi. Seçilen mikroblog servisinden alan doğrultusunda iki sosyal topluluk ve bu topluluklara ait veri kümeleri oluşturuldu. Kümelere ait veriler normal dağılım gösterdiği için deney kısmında Pearson korelasyon katsayısı metodu kullanarak finansal sosyal topluluğun duygu polaritesi ile BIST100 olarak adlandırılan, Türkiye merkezli en iyi 100 kamuya açık şirketi içeren ve bu şirketlerin borsadaki bileşik değerini bildiren Türkiye'nin borsa endeksi ile arasındaki ilişkiyi analiz eden kapsamlı bir deneysel çalışma yapıldı. Deneysel kısmın çıktıları incelendiğinde bu tez çalışması kapsamında önerilen duygu analizi yönteminin konu tabanlı mikroblog topluluğunun duygu polaritesini bulmada literatürdeki diğer yaklaşımlara göre daha etkili olduğu kanıtlandı.
Nesneye yönelik sistemlerde kusurlu sınıfların öngörülmesi için makine öğrenmesi temelli bir yöntem oluşturulması
Bugünün gelişmiş yazılım sistemlerinin boyutundaki ve karmaşıklığındaki artış nedeniyle, gerekli tedbirler alınmadığı zamanlarda projelerde yapısal kusuru bulunan sınıfların sayısı da artmaktadır. Yapısal kusuru olan sınıflar, iç uyumları düşük, karmaşıklıkları yüksek, diğer sınıflara bağımlılıkları fazla olan sınıflardır. Kötü tasarlanmış sınıfları değiştirmek, test etmek ve düzeltmek zaman aldığından, bakım maliyetleri de yüksek olur. Bu çalışmada, testlerdeki hataların çoğunu üreten, yapısal kusurları bulunan sınıfları saptamak için bir makine öğrenmesi tabanlı yöntem oluşturma yaklaşımı amaçlandı. Bu amaç ile yazılım geliştiricilere ve test uzmanlarına hata eğilimli sınıfları öngörme, hataların kaynaklarını hakkında bilgi vererek tasarım kusurlarını ortadan kaldırma ve bakım maliyetlerini azaltma konularında yardımcı olmak hedeflendi. Öğrenme tabanlı yöntemlerde, modeli eğitmek için kullanılan veri kümesi, tahmin modelinin doğruluğunu kuvvetle etkiler. Bu nedenle, mevcut yazılım projelerinden toplanan verileri ve farklı metrikleri kullanarak doğru veri setini oluşturmak hedeflendi. Veri kümelerini oluşturmak için yazılımlar belli sayıda sürümler (version) boyunca gözlemlenerek üç farklı gruptan metrik değeri toplanır. Birinci grupta evrimsel (tarihsel) metrikler yer alır. Örneğin refaktör sayısı, revizyon sayısı ve hata düzeltme sayısı gibi metrikler tarihsel metriklerdir. İkinci grupta yazılımın yapısı hakkında bilgi veren kod metrikleri bulunur. Örneğin kod satır sayısı, bağlama (coupling) ve birleşme (cohesion) gibi metrikler kod metrikleridir. Üçüncü grup metrikler ise yazılım geliştiricilerinin etkileşimleri hakkında bilgi içeren mikro etkileşim metrikleridir. Örneğin, bir sınıf üzerinde değişiklik yapan geliştirici sayısı, bir geliştiricinin aynı anda sahip olduğu görev (task) sayısı gibi metriklerdir. İkinci adım, etiketleme adımı modelin performansını etkileyen çok önemli bir adımdır. Bu çalışmada, sınıf üzerinde gerçekleştirilen hata düzeltme sayısının sınıfın geçirdiği reviyon sayısına oranına bakılarak etiketleme yapıldı. Bu oran önceden belirlenmiş olan eşik değerinden yüksek olursa sınıf "Buggy" olarak, küçük olursa "Clean" olarak işaretlenir. Bu yöntemin dayandığı düşünce; yapısal kusurları olan sınıfların herhangi bir değişime (revizyon) uğradıktan sonra hata çıkarma olasılıklıklarının sağlıklı sınıflara göre daha yüksek olduğudur. Bu nedenle etiketleme yapılırken mutlak hata sayısı değil, hata sayısını revizyon sayısına oranı dikkate alınmaktadır. Sık hata çıkaran sınıflar "kusurlu" olarak işlaretlenirken, az hata üreten veya hiç hata üretmeyen sınıflar ise "sağlıklı" olarak işaretlenmektedir. Üçüncüsü, ilgisiz metrikleri kaldırarak en uygun metrik alt kümesini elde etmek için CFS (Korelasyon Temelli Özellik Seçimi) ve PCA (Temel Bileşen Analizi) yöntemleri kullanıldı. Bu özellik seçimi işlemi, modelin anlaşılabilirliğini ve hata algılama performansını artırır. CFS, öznitelikler ile sınıfın etiketinin öngörülebilirliği arasındaki korelasyonu dikkate alarak metrik seçimi yapar. CFS ile seçilen metrikler sınıfların etiketiyle yüksek korelasyona sahipken, metrikler arası korelasyon düşük olur. CFS adımında belirlenen bazı metrikler, PCA yöntemiyle kolayca toplanıp yorumlanabilecek daha anlamlı metriklerle değiştirildi. Metrik sadeleştirmesi yapılırken elde edilmesi kolay ve çıkarım yapılabilecek anlamlı metriklerin seçilmesine dikkat edilmelidir. PCA kullanarak, aynı temel bileşende bulunan metrikler arasından toplanması ve yorumlanması daha kolay olan metrik seçildi. Bunu yaparken proje liderlerine, test uzmanlarına ve yazılım geliştiricilerine sağlıklı bilgi vermek amaçlandı. Dördüncü olarak veri kümeleri dengesizliğini gidermek amacıyla çoğunluk sınıflar üzerinde, projelerin özellikleri de değerlendirilerek sadeleştirme yapıldı. Genellikle, toplanan eğitim verileri, kusurlu olanlardan (azınlık) çok daha fazla sağlıklı sınıflar (çoğunluk) içerir. Bu dengesiz dağılım neticesinde makine öğrenme yöntemlerinin azınlık sınıflarını öğrenme performansları düşük olmaktadır. Veri kümesi dengesizliği giderilerek sınıflandırma performansının arttırılması amaçlanmıştır. Son olarak model oluşturma yaklaşımımızda Rastgele Orman sınıflandırma yöntemi olarak seçildi. Yaklaşımımız çeşitli açık kaynaklı Eclipse alt projelerinden toplanan verileri içeren beş farklı veri kümesini kullanarak değerlendirildi. Veri kümeleri, Eclipse alt projeleri olan Mylyn, Team, Jdt ve birçok küçük projeden oluşan Etc'dir. Ayrıca bu dört veri kümesinin birleşimi olan All veri kümesi vardır. Herbir veri kümesi 81 metrikten oluşmaktadır. Sonuçlar, yaklaşımımızın, kusur eğilimli sınıfları saptamak için öğrenme tabanlı modeller oluşturmada başarılı olduğunu gösteriyor. Önerilen yaklaşımlar, sistemdeki hataya eğilimli sınıfları %70'ine kadar bulabilmektedir. Bununla birlikte, hataya yatkın sınıfların belirlenmesinde hangi metriklerin etkili olduğu incelendi, bunların projelere göre farklılıklar göstediği görüldü. Bu sebeple farklı yazılım sistemleri için farklı modellerin oluşturulması gerektiği sonucuna varıldı, çünkü her proje kendi karakterine sahip olduğu görüldü. Mylyn projesinde, belirli bir görev üzerinde çalışan yazılım geliştiricinin, çalışırken çalışmasının kesilme sıklığını gösteren "NumInterruptions" metriğinin etkili olduğunu görüldü. Bu metriğin belirli bir değerin (<7.65) altında olduğu sınıflarda hata oluşmamıştır. Bu, bir görevle uğraşırken proje çalışanlarının sıklıkla kesintiye uğramamaları gerektiği anlamına gelir. Mylyn projesinde başka bir etkili metrik "NumEditEvent" dir. Sınıflar, bu metrik değeri sıfır olduğunda J48 sınıflandırıcısı tarafından "Clean" olarak etiketlenmiştir. Bir sınıfın değiştirilmemesi durumunda bir hata üretmediğini gösterir. Bu, sınıfların etiketlenmesi ile ilgili fikrimizi desteklemektedir. JDT projesinde "RatioCodeUnderstandingEffort" metriği etkili oldu. Bu metrik, doğrudan sınıfın anlaşılabilirliği ile ilgilidir. Bu metriğin belirli bir değerin (<0.835) altında olduğu sınıflarda hata çıkmamıştır. Düşük karmaşıklığı olan sınıfların daha az hata ürettiği anlamına gelir. Etc projesinde tek başına etkili olan bir metrik bulunmamaktadır. Fakat "TimeSinceLastTask" değeri "NumMultiTask" ve "NumInterruptions" değerleri ile birlikte değerlendirildiğinde; bu metrikler belirli bir değerin altında kaldığı zaman sınıfların "Clean" olduğu görüldü. Yani çalışanlar aynı anda birden fazla iş yapmaya çalıştıklarında "NumMultiTask" değeri ve "TimeSinceLastTask" değeri beraber artacaktır. Bu projede çalışanlara aynı anda çok fazla iş verilmemesi gerekmektedir. Ayrıca yazılım geliştiricilerin çalışması yarıda kesilmemelidir. Team projesiyle ilgili elimizde yeterli veri olmadığı için bu projeyle ilgili yorum yapmamak daha doğru olur. Ama yinede analiz etmemiz gerekirse, bu proje için "RatioCommentToCode" oranı belirli bir değeri (0,21) geçtiği zaman sınıflarda hata çıkmadığı gözükmektedir.
Arama sorguları üzerinde görev tabanlı kümeleme
Sorgu metinleri üzerinden görev çıkarımı, arama motorlarında ve birçok arama tabanlı uygulamalarda kullanılan önemli ve ilgi çekici konulardan birisidir. Kullanıcılar günlük aktivitelerinde ve kişisel planlarını yaparken sıklıkla internet arama motorları üzerinden sorgulama yaparlar. Metin madenciliği yöntemleriyle işlenen sorgu metinleri, popüler konu başlıklarının belirlenmesinde ve kullanıcı özelliklerinin keşfedilmesinde kullanılmaktadır. Kullanıcılar tarafından girilen benzer sorgular çeşitli özniteliklerine göre bir araya getirilerek anlamlı görevler çıkarılabilir. Arama yapılan alana yönelik doğru sonuçların döndürülmesinde, arama metni tamamlamada, kullanıcı amacı doğrultusunda öneriler sunulmasında görev çıkarımının önemli rolü vardır. Mevcut yaklaşımlarda kullanıcının oturum bilgisi, tıklanan doküman içerikleri ve sorgu öğeleri kullanılarak görev çıkarımı yapılmaktadır. Kullanıcının arama motorunu açtığı andan kapattığı ana kadar geçen süre kullanıcı oturumu olarak nitelendirilir. Bu süre zarfında yapılan sorgulamalar belirli bir göreve yönelik olabileceği gibi, birden fazla görev de paralel sorgulanıyor olabilir. Sorgu metinlerinin anlamsal özelliklerini temel alan çalışmalarda sorgu sonucu tıklanan doküman içerikleri, makale başlıkları önem kazanmaktadır. Önceki çalışmalarda kullanılan sorgu öğeleri ise, arama metninde geçen özel isimler, yer adları ve sözcük öbekleridir. Öğeler, sorgu içerisinde tek başına kullanıldığında bir anlam ifade ederken, bir araya geldiğinde farklı anlamlara gelen kelimelerin doğru görev kümelerine atanmasında başarımı arttırmaktadır. Son çalışmalarda, öğe kategori ilişkilerini gösteren Wikipedia kategori hiyerarşileri ve Probase taksonomi bilgileri kümeleme aşamasında kullanılarak görev kümeleri oluşturulmaktadır. Bu çalışmada, öğe kategorileri kümeleme aşaması yerine öznitelik çıkarımı için kullanılmıştır. Böylece, arama sorguları arasındaki anlamsal benzerliğin kategoriler üzerinden daha hassas ölçümlenmesi amaçlanmıştır. Sorgular arasındaki benzerlik hesaplamalarında sorgu öznitelik vektörleri kullanılmaktadır. Diğer çalışmalardan farklı olarak, öğe ve kategori gibi sözel özniteliklerin vektörel hale getirilmesi için n-gram ve word2vec yöntemlerinden yararlanılmaktadır. Yapılan çalışmada URL, oturum, kullanıcı, öğe ve kategori öznitelikleri farklı kombinasyonlarla birleştirilerek merkezi ve yoğunluk tabanlı kümeleme yöntemleriyle sorgular kümelenmiştir. Böylelikle, farklı öznitelik setlerinin kümeleme başarımındaki etkisi ölçümlenmiştir. Kümeleme aşamasında sayısal ve sözel öznitelikler bir arada kullanıldığı için, merkezi kümeleme yöntemi olarak K-Means algoritmasının özelleştirilmiş hali olan K-Medoids algoritması kullanılmıştır. Merkezi kümeleme yöntemlerinin gürültülü verilerden etkilendiği deney sonuçlarında görülmektedir. Bu çalışmada, gürültülü verilerin etkisini minimum seviyeye indirgemek için yoğunluk tabanlı kümeleme yöntemi olan DB-Scan algoritması da öznitelikler üzerinde çalıştırılmış ve sonuçlardaki başarım arttırılmıştır. Arama sorgularını temsil etmek üzere oluşturulan farklı öznitelik vektörleri elde edilen kümeleme sonuçlarının başarımı ile değerlendirilmiştir. Bir görev kümesi içerisindeki elemanların benzerliği ve görev küme merkezleri arasındaki uzaklık ölçümlenerek kümeleme sonuçları karşılaştırılmıştır. Küme içi değerlendirmede, aynı kümeye atanan elemanların birbirlerine ne kadar yakın olduğu bilgisi (Sıklık değeri) kullanılır. Kümeler arası değerlendirmede ise, her bir sorgu bir kümeye atandıktan sonra elde edilen küme merkezleri arasındaki mesafenin ne kadar uzak olduğu bilgisinden (Ayrışma değeri) faydalanılır. Bu çalışmanın sonucunda, sorgulardan elde edilen öğe ve kategori bilgileri anlamsal öznitelikler olarak bir arada ele alınıp word2vec yöntemiyle vektörel hale getirilmiş ve yoğunluk tabanlı kümeleme yöntemi kullanılarak görev tabanlı kümeleme başarımı arttırılmıştır.
Audio visual attention for robots from a developmental perspective
Developmental robotics is associated with embedding a human-like behavior in a developmental manner within the robot. The field takes inspiration from the human cognitive model for the syntheses of a cognitive-like decision-making model. The key concepts associated with the topic are hierarchy of the system, incremental learning and multi-sensory cooperation. To achieve a developmental like structure, the system has to be hierarchical in nature. Specifically, the perception level has to be separated from (and put beneath) the decision level. The cognitive-like structure is achieved by ascending from the lower-level to the upper level. The ascension should entail a reduction in the engagement of processing resources and a suppression of response to stimuli of lower priority. The process is similar to filtering where only important information propagated further in the model. Not only that, but it is also modified so that the meaning is conveyed in a symbolic manner rather than transporting the raw information itself. However, for the establishment of such hierarchy to be truly developmental in essence, incremental learning is a crucial factor. After all, the human cognitive model achieves its highly complex dynamics through a lifetime of evolution. As a matter of fact, incremental learning seems to offer, in this case, more than a way out of the scarcity of data at time zero of the experiment dilemma. But it also offers an opportunity of allowing a unified gradual growth of multiple prospective cognitive -functions embedding on a larger scheme and over the long run of the field's research. The multi-sensory cooperation comes then naturally in the picture because the majority of cognitive functions feed on the fused information provided by the different lower level sensory. Among the highly hierarchical cognitive functions, attention is one that has been heavily addressed by the literature. More specifically, audiovisual attention relies heavily on the concept of fusing multi-sensory information. In order to design an audiovisual attention system within a developmental framework, the nature of the attention phenomenon found in the human model has to be understood and translated into the machine learning and artificial intelligence view. Concepts related to attention like "audiovisual objects" and "binding" found in the neuroscience literature seem to provide key insight to how audiovisual attention occurs. "Audiovisual objects" are the cognitive-association representative of an auditory quantity emitted by a visual object perceived by both eyes and ears. The "binding" concept is the one responsible for creating this symbolic association. Examining these concepts for design inspiration, and taking into account that visual and auditory quantities are perceived through "features" from the scope of Artificial intelligence, a system-design that attempts to replicate such concepts can be established. The audiovisual attention system introduced here is of a two level hierarchy. The low level modules are auditory and visual perception modules; the second-level module fuses the information provided in the low level ones to achieve a higher-order cognitive like behavior. The auditory module relies heavily on the concept of incremental unsupervised learning, where the classifier labels the incoming new data instances, assumes the label to be true, append the instance to its past knowledge and retrains again. Three classification model structures that make use of a support classifier (which can be thought of as a short term auditory memory) are introduced to attempt to decrease the drop down of accuracy overtime. These models are Shared base-knowledge life-long model, Separate base-knowledge life-long model, Separate base-knowledge epoch-based model. The models investigate the accuracy behavior of unsupervised learners. Six different classifier algorithms are monitored for their behavior and the results of the models are compared to the offline learning case for the same algorithms. The performance in terms of accuracy and training time of each classifier is also compared within different feature set frames and different amount of data per training set frame. Audiovisual attention is then introduced through a two level architecture and three phases of learning. The first level of the architecture is comprised of the auditory module and the visual module. The auditory module operates with the Separate base-Knowledge life-long model suggested for incremental learning. The visual model uses a pre-trained (in an offline manner) object recognition model of deep neural network with a Single Shot Multi-Box Detector (SSD) architecture with the tensorflow object detection API. The second level module makes use of a meta classifier that operates on the classes labels probability of the low level modules in order to fuse the audiovisual information. The meta classifier is evolved developmentally in three phases. The first phase (Exposure) establishes the base knowledge for the meta classifier and realizes the audiovisual "binding" concept. In this phase the symbolic representation of an audiovisual object is realized through concatenating the label probability vectors of the auditory and visual modules to make up a meta feature vector. This way the association is introduced via correlation between label probability (low level modules decisions) values of the two sensory models. The meta classifier is trained with the meta feature vectors in an offline manner at this stage. The second phase (Expansion) attempts to expand and change the nature of a pre-established class in the first phase through enumerations of mismatched audio visual information. Mismatch events are not forced on the system but are rather taken when the meta classifier makes a false classification of a meta audiovisual instance. Therefore, learning at this stage is supervised by the caregiver, where the system is told of its false labeling and informed of the true label in order to enumerate the instances correctly. The last phase (Reappraisal) attempts to equip the system with the ability to correct its false guess of an instance through previous knowledge of related instances and via storing the wrong guessed instances in memory to go back to later after more knowledge has been obtained. For this phase two methods (subroutines) for correction are used. The first subroutine looks at the past instances in the stream of which the instance at hand was labeled falsely. It takes the maximum vote over the labels of these instances and applies it to the instance at hand. If the first subroutine fails (or if the instance in question is the first in the stream) then the second subroutine tries to infer the label by looking only at the audio meta information or the visual meta information. The subroutine tries first to decide which of these two information vectors is more likely to be accurate (or less noisy). Then, it picks the label whose audio/visual association (that was established in the exposure phase) is voted by the more likely to be accurate among the two types of meta information. The communication mechanism by which the low level modules and the second (meta) module communicate and broadcast information is maintained by the topic/message architecture of ROS. The timestamp feature is utilized for audio and visual capturing to avoid synchronization issues between all modules and insure that all audiovisual information being fed to the system correspond to each other. The system was tested in two parts. The first part addresses the audio classification by incremental learning problem. The second part addresses the audiovisual integration and audiovisual object classification problem. First, for the incremental learning models test, the auditory data were tested with different feature sets that consist of Mel Frequency Cepstrum Coefficients (MFCC), delta MFCC, energy filter banks and a range of other features that include spectrograms and Chroma-grams. Of those, the performance accuracy and training time were compared. Single MFCC features were found to be efficient since they train the fastest and their accuracy is comparable to a more complex feature set. Then, the support based incremental learning models were tested for their behavior. Results showed that most of the classifier such as support vector machines and random forests experienced a lift in performance accuracy with models introduced as opposed to regular incremental learning or even offline learning in the case of multilayer perceptron. Both the Shared Base-Knowledge lifelong model and Separate Base-Knowledge lifelong model performed well and obtained good results. The Separate Base-Knowledge epoch-based model however failed to achieve a good performance except for the case of k nearest neighbor algorithm. As for the audiovisual integration problem, the learning phases were tested with a custom made test set that includes the fused auditory and visual features obtained (as the labels probability ) from the lower level auditory and visual modules. The exposure phase achieved an accuracy of 89% on the test set. The expansion phase failed however, to achieve a good performance and the accuracy fell down to 7% because the meta classifier classified all incoming instances as a "don't-care" class after expanding said class. The reappraisal phase was thus mounted on the exposure phase directly. Its defined subroutines and behaviors managed to correct the false label estimations on the test set and the end accuracy was lifted to 100%.
Fault tolerant virtual machine consolidation for energy-efficient cloud systems
The requirement of optimizing large hardware and reducing their costs while considering the demand of software infrastructure organizations contributes Cloud computing to get more popular. Besides, automatic scaling, virtualization of hardware and guaranteed service performance features of Cloud computing increase the ease of adoption.On the other hand, the rise of Cloud computing applications may cause enormous energy consumption. Therefore, while satisfying the Cloud computing features, Virtual Machines (VMs) may be consolidated based on their utilization in order to balance the load or optimize energy consumption of physical machines.Since, these physical resources are vulnerable to system failure or in the need of maintenance, the probability of unavailable physical resources and coordination of the VMs over physical machines should be considered by a proposed optimization model.Otherwise, it is possible to encounter adverse results such as various unnecessary application migrations and consolidations of VMs that may easily lead to Service Level Agreement (SLA) violations and inefficient use of energy. In this study, a new model is suggested to decrease energy consumption and decrease number of application migration without violating SLA, while considering the fault occurrence possibilities in the cloud environment. Simulation software is developed by using Java 8 for this study. The main flow of the simulation could be separated as two main parts; application assignment to VM and VM consolidation on a physical machine.In the first part of the simulation, the applications are placed to VMs by using Round Robin algorithm. After that, the second part of the simulation checks all the VMs for consolidation; according to the selected algorithm. In the simulation, there are three types of algorithms could be selected; no-consolidation algorithm, consolidation by threshold algorithm and Fault Tolerant Consolidation (FTC) algorithm. Comparison of energy consumption on different threshold values, changes of energy consumption and number of application migrations during the simulation, by using different Guaranteed VM (GVM) selection policies and comparing application lifetime in the case of cold migration there are four different experiments has done to prove the performance of the FTC algorithm.Experiment results show that proposed approach decreases energy consumption by approximately 37% and the number of application migration by approximately 9%. Furthermore, when the fault occurs, the rise of energy consumption is less than 11% with the help of proposed model.
Distributed bipartite graph clustering
Bipartite graphs are graphs whose vertices can be divided into two independent sets (X and Y) such that no two graph vertices within the same set are adjacent. There are many real-world examples which display natural bipartite structure. For instance, a bipartite graph where the distinct set of vertices are people and books and edges represent buying relationship between them. Another prominent example is a bipartite graph where the vertex sets are candidates and jobs and if a candidate applies to job, there is an edge between the corresponding vertices. In this thesis, we implement a distributed bipartite clustering method for large and sparse data. There are several approaches to cluster data which is bipartite in nature. For example k-means clustering method can be applied to the both sides of the graph separately. But bipartite clustering requires a clustering method that clusters data simultaneously. Spectral clustering is a way to cluster bipartite data simultaneously which means assigning vertices from both sides into the same coherent cluster. We use multi bipartitioning clustering algorithm which is based on spectral clustering in this thesis along with some other bipartite partitioning algorithms such as Bifennel, Aweto and etc. There are some steps that need to be done before bipartite graph is clustered. Firstly, bipartite graph is converted into adjacency matrix where rows represent one set of vertices of bipartite graph and columns represent the other set of vertices. If there is an edge between two vertices, then the value of the corresponding cell of the adjacency matrix is assigned to 1, otherwise it is assigned to 0. After having the adjacency matrix, the Laplace form of the adjacency matrix is created. This matrix is also known as degree matrix. Degree matrices namely D1 and D2 are constructed for X and Y respectively. Then adjacency matrix is multiplied with D1 and D2. Lastly, the spectral algorithm runs Singular Value Decomposition (SVD) on the formed adjacency matrix and finds second singular left and right vectors. After finding second singular right and left vectors, k-means clustering algorithm is run on these vectors to cluster data. This method only partitions the data into two cluster. But finding other singular vectors (2.,3.,...) other than only the second one, more clusters can be obtained. In this thesis, we used distributed SVD algorithm to find singular left and right vectors of adjacency matrix when the matrix is large and sparse. Distributed SVD algorithm divides the matrix into column-wise sub matrices and calculates SVD on these sub matrices independently. It is capable of finding the singular values, left and right vectors when the matrix is rectangular (number of rows are much more smaller than number of columns or vice versa) and dense. In other words, the rank of the sub matrices must be equal to the rank of the adjacency matrix itself. Because of the sparsity of the data, the rank that is less in sub matrices than the adjacency matrix xxi causes to find singular values and vectors with high error. We proposed an algorithm, called Ranky, to handle this problem. Ranky algorithm detects the rows which cause the rank of the sub matrices less then the rank of the adjacency matrix and fills accordingly in order to make them equal. Despite the Ranky algorithm can handle this problem, balanced clusters can not be obtained because of the sparse matrix. After that, we used partitioning algorithms to compress the adjacency matrix into dense matrix and then applied spectral clustering. There are several partitioning algorithms such as Hash, Grid, Aweto, Bifennel etc. But only Aweto and Bifennel take the advantage of bipartite graphs as we know. We use Bifennel partitioning algorithm and Distributed Bifennel algorithm to compress the data due to their efficiency and less replication factor. Lastly, we decompress the partitions to get final clusters. The evaluation criteria is the replication factor that measures partitioning algorithm performance in terms of the number of replicated vertices. The experimental results on a real world data set show that Distributed Bifennel algorithm has outperformed Bifennel algorithm in terms of execution time, while both algorithms produce equally likely replication factor, using different datasets. Each algorithm is run on the same datasets with different partitioning numbers (500 and 1000). Distributed Bifennel algorithm has partitioned the data 10 times faster than Bifennel using at most 28 threads. The algorithm was implemented in C++ and run on a 28 cores and 128 GB RAM machine running Linux. More experimental results with different settings are given in chapter 5.
Emotion recognition on static images using transfer learning and ensembling
Emotion recognition may be useful in any area where human and computer interacts. CNNs are known to be good at computer vision tasks. However, CNNs are difficult to train, especially when the amount of data and computation power is limited. Transfer learning emerges as a cheap and efficient way of making use of pre-trained CNN classifiers. Our work has two contributions. Firstly, different CNN architectures and models trained using different datasets are investigated to find a suitable model to use in emotion recognition. Secondly, expert models for each emotion are trained. The Base model is ensembled with expert models to create a better classifier. Experiments show that our use of ensembling together with transfer learning helps to create a good classifier. Best classifier shows 69.49% accuracy on FER13 validation set.
Nesneye dayalı yazılımların bakım kolaylığı karakteristiğinin ölçülmesi
Yazılım projelerinin gün geçtikçe kullanımının artması ve sürekli değişime ihtiyaç duyması sebebiyle yazılımda kalite kavramı önemli hale gelmiştir. Yazılım kalitesinin analiz, tasarım, geliştirme ve test süreçlerinin her biri için değerlendirilmesine ihtiyaç duyulmaktadır. Günümüzde yazılım projeleri için müşterilerin sürekli değişen istekleri, teknolojik gelişmeler ve yazılımdaki hataların giderilmesi şirketler için yüksek miktarda zaman ve kaynak maliyetine neden olmaktadır. Bu gereksinimleri karşılamak için şirketler farklı proje yönetim metodolojileri aracılığıyla yapılacak işleri alt parçalara bölerek sürekli olarak müşteriye proje hakkında bilgi vermeyi ve değişen müşteri isteklerine kolay adapte olarak maliyeti düşürmeyi amaçlamaktadır. Bu sebeple sürekli güncellenmesi gereken yazılımların bakım maliyetini düşürmek için kalite ölçüm metodolojileri yazılım dünyasında önem kazanmaktadır. Yazılım ürün kalitesini artırmak için yazılımın bakım kolaylığını ölçmek oldukça önemlidir. Bakım maliyeti azaltmak için yazılım geliştirme döngüsünde bir yazılım kalite modeli kullanılarak sistemin kalitesi sürekli olarak değerlendirilebilir ve geliştirilebilir. ISO / IEC 25010 Yazılım Kalite Modelleri Standardına [1] göre, yazılım ürün kalitesinin bakım kolaylığı özelliği beş alt karakteristikten oluşur; modülerlik, değiştirilebilirlik, yeniden kullanılabilirlik, analiz edilebilirlik ve test edilebilirlik. Bu çalışma, yazılım sistemlerinde bakım kolaylığını, yeniden kullanılabilirlik ve değiştirilebilirlik karakteristikleri bakımından değerlendirmek için bir kalite ölçüm modeli önermektedir. Model, boyut, karmaşıklık, uyum, bağımlılık ve kalıtım gibi yeniden kullanılabilirlik ve değiştirilebilirlik ile güçlü bir şekilde ilişkili yazılım özelliklerini içermektedir. Bu çalışmada, önerilen kalite modeli özellikle büyük ölçekli nesne yönelimli yazılım sistemlerinin bakım kolaylığını değerlendirmek amacıyla geliştirilmiştir. Yazılım geliştiriciler, projelerin farklı aşamalarında veya başka projelerde hangi sınıfların yeniden kullanılabileceğini bilmeye ihtiyaç duymaktadır. Benzer şekilde, projeye yeni özellikler eklemek, yazılım sınıflarını yeniden düzenlemek veya hata düzeltmek için sınıfların değiştirilme maliyetini bilmeleri gerekir. Hiyerarşik modelimizde yeniden kullanılabilirliği ve değiştirilebilirliği ölçmek için boyut, uyum, bağımlılık, karmaşıklık ve kalıtım gibi nesne yönelimli sistemlerin özellikleri kullanılmıştır. Her özelliğe uygun olarak yazılım kod metrikleri tanımlanmıştır. Metrikler, incelenmesi istenen programlardan kolaylıkla elde edilebilir. Metrik değerleri kullanılarak bir yazılımın bakım kolaylığını ölçülmesi ve sonuçlar doğrultusunda yazılımın iyileştirilebilmesi sağlanmaktadır. Modelimizde öncellikli olarak, test sistemindeki yazılım sınıflarının metrik değerlerini düşük, orta ve yüksek olarak sınıflandırılır. Bu sınıflandırma, referans yazılım sistemlerinden elde edilen metriklerin ortalama ve medyan değerlerine dayanılarak yapılır. Her metriğin karşılık geldiği özelliğin artması durumunda yazılımın negatif mi yoksa pozitif mi etkileneceğine karar verilir. Daha sonra, önerilen ölçüm yöntemi, sistemdeki her bir sınıfın yeniden kullanılabilirlik ve değiştirilebilirlik puanlarını hesaplamak için metriklerin seviyelerini kullanır. Toplam puanlama sonucunda yazılım sınıfları beş kategoriye ayrılır; Çok düşük, düşük, orta, yüksek ve çok yüksek. Yazılım geliştiricileri, düşük ve çok düşük puanları olan sınıfları inceleyebilir ve gerekirse bunları yeniden düzenleyebilir. Bu sürekli değerlendirme ve geliştirme sırasında yeniden yapılanma, sistemin kalitesini artırabilir ve bakım maliyetlerini azaltabilir. Modelimiz iki büyük ölçekli endüstriyel mobil uygulama üzerine uygulanmıştır ve sonuçlar yazılımı geliştirme ekipleriyle tartışılmıştır. Değerlendirmeler sırasında geliştirme ekiplerinin görüşlerini almak için modelde değerlendirilen her bir özelliğin birbiri ile karşılaştırıldığı bir anket hazırlanmıştır. Anket ve model sonuçlarının tutarlılığı istatistiksel olarak karşılaştırılmıştır. Karşılaştırma sonucunda yaklaşımımızın, yeniden kullanılabilirlik ve değiştirilebilirlik özellikleri hakkında sınıfları uygun olarak sınıflandırabildiği görülmüştür. Gelecek aşamalarda bakım maliyetinin azalmak için yazılımın farklı özellikleri incelenerek önerilen modelin geliştirilmesi planlanmaktadır.
Türkçe eşgönderge çözümlemesi
Bu çalışmada Türkçe Eşgönderge Çözümleme (EÇ) problemi üzerinde veri öğrenmesine dayalı farklı algoritmik yaklaşımlar incelenmiştir. Literatürde sıklıkla geçen ifade-çifti ve varlık-ifade modelleri yaklaşımlarıyla, önerilen yeni öznitelik değerleri kullanılarak iki farklı sistem mimarisi oluşturulmuştur. Etiketli veri kümesi olarak, Türkçe EÇ çalışmaları için yakın geçmişte oluşturulan Marmara Türkçe Eşgönderge Derlemi (MTED) (Schuller, 2017) kullanılmıştır. İfade-çifti modelleri temelde ifade ikilileri üzerinde çalışır ve mevcut çifti oluşturan ifadelerin birbirleriyle eşgöndergesel olup olmadığına, daha önce verdiği kararlardan bağımsız olarak karar vermektedir. Bu model, sonişleme aşaması olarak bir kümeleme mekanizmasına ihtiyaç duymaktadır. Bu sonişleme sırasında, ifadelerin eşgönderge durumları hakkında sınıflandırıcının ürettiği çıktılar üzerinden ilgili ifade kümeleri oluşturulmaktadır. Bu tez çalışmasında, öğrenme tabanlı bir ifade-çifti modeli oluşturulmuştur. İlk aşama olan ifade çiftlerinin eşgönderge durumlarının saptanması işlemi için iki farklı sınıflandırıcı (Karar Ağacı (KA) ve Destek Vektör Makinesi (DVM)) ile çalışılmış, ifade kümelerinin oluşturulması aşamasında ise kural tabanlı bir sonişlemciden yararlanılmıştır. İlk olarak, farklı negatif örnekleme yöntemi ve kullanılan DVM algoritmasının çekirdek fonksiyonunun parametrelerinin etkileri araştırılmıştır. Bu incelemeden elde edilen sonuçlar kullanılarak, farklı öznitelik seçimlerinin problem üzerindeki etkileri incelenmiş ve ortaya çıkarılan ifade-çifti modeli yaklaşımıyla Türkçe EÇ üzerinde en başarılı sonuçlar elde edilmiştir. Varlık-ifade modelleri, bir ifade ile ifade kümesinin eşgönderge ilişkisi üzerinde bir karar vermektedir. Bu modelde ifade kümelerinin oluşturulması için bir sonişlemciye ihtiyaç duyulmamaktadır; çünkü ifade kümeleri modelin tahmin aşamasında dinamik şekilde artarak oluşturulmaktadır. Tez çalışması kapsamında bir varlık-ifade modeli geliştirilmiş, ifade-çifti modelinin geliştirilmesi aşamasında elde edilen en iyi öznitelikler bu modele aktarılmış ve etkileri incelenmiştir. Sistemin değerlendirilmesi, referans ifadeler üzerinde MUC, $B^3$, BLANC ve LEA değerlendirme ölçütleri kullanılarak yapılmıştır. İfade-çifti modelinde elde edilen %90.68 (MUC), %86.89 (B3), %85.13 (BLANC) ve %78.34 (LEA) F1 ölçütüyle, mevcut Türkçe EÇ sistemi (Schuller, 2017) üzerinde sırasıyla 9.12, 16.06, 13.08 ve 12.57 yüzde puanlık bir gelişim sağlanmaktadır. Varlık-ifade modelinde ise sırasıyla %75.83 (MUC), %62.37 ($B^3$), %57.15 (BLANC) ve %50.69 (LEA) F1 ölçütleri elde edilmiştir. Gerçeklenen varlık-ifade modelinde elde edilen sonuçlar ile ifade-çifti modelinin başarısı geçilememiştir; ancak bu yöntemi kullanan Türkçe EÇ çalışmaları için temel bir sonuç oluşturulmuştur.
Automatic posture evaluation for professional voice users
Nowadays voice trainings are executed by therapists in the worldwide to their knowledge, experiences and skills. In these therapies, tension spots of a body are evaluated. A body is relieved with guidance of a therapist and applied physical exercises. Breathing exercises and implementations are executed. Breathing and body posture relation hybridization with voice resonance is carried out. Workouts are executed by combining breath, body posture and voice resonance. Trainings are conducted to help subjects improve their voice qualities and to feel correlation between body posture and voice. Enhancements are executed practically by talking or singing a song. In order to master the usage of muscle groups as confident as possible, breathing exercises are required. Afterwards, body locations with the lack of resonances are sought using subjective sense of a therapist and continue to treatment with a focus to chosen locations. After each therapy session, important points are highlighted and if it is needed a schedule of exercises are given to a patient. Voice recordings are saved for the assessment of voice both before and after the therapy. To sum up, weekly improvement of a patient is observed. So far, voice quality evaluation of professional voice users are carried out subjectively. However, classical voice evaluations cannot be done by an objective approach, yet done with therapists' intuition. In this thesis, a measurement system was proposed to evaluate voice quality objectively by the posture of a patient. In the first step, voice quality metrics were determined and it was defined as a human voice which propagates to significant distances without any deterioration. With respect of this, three level of voice quality hypothesis was created. In the first step, a voice which faded out in a patients' body and cannot be propagated to even close proximity points were labeled as low quality voice. In the second step, a voice which has a natural amplitude and reached to some extend distance without any deterioration was labeled as normal quality sound. In the last step, a voice which reached to great extent of distant points in big halls namely opera hall without any deterioration was labeled as high quality voice. In the first stage, in the presence of a professional sound therapist, five people were asked to voice ``aaaaa'' in all three levels. Sounds extracted by the subjective approach of the voice therapist were labeled according to the three classes identified. Thus, a sound quality data set was created. 26 different acoustic features have been extracted from the extracted audio data set. Some of the extracted features were created as features suggested by the voice therapist and voice therapist. Other attributes have been identified in the literature as attributes used to classify different sound properties. 57-dimensional feature array was created from each audio window received from the audio data using 26 attributes. The difference with the reconstructed system is that it can extract attributes in real time. It has been observed that by selecting 5 parameters which are most successful in classifying the sound quality classification of the extracted sound parameters, the feature size is reduced and the classification success is increased. In particular, it has been observed that the energy value of the mel-frequencies generated by the principle of transmitting the emitted energy values to the brain's hearing center by clustering the incoming sound of the human inner ear within certain frequency ranges and thus being audible is a very successful sound quality classifier parameter. The features extracted from voice data labeled by voice therapist were used for the training of an artificial neural network and the system was created to predict voice quality. In the second step, correlation between qualitative parameters of given voice and body postures were examined and results were obtained. In order to extract body posture data, Motion Capture Device(MOCAP) was used. It is a device that extracts angular position information of joints in body to calculate distances between neighboring joints and finds angles between them in real time. In the presence of a voice therapist, five users wearing the MOCAP device were asked to make an ``aaaa'' sound and voice and posture data were collected with eight static postures and two dynamic motions accompanying. The three-dimensional center of mass of the extracted postural data was calculated, and the correlation between each voice parameter and the center of mass of the body in terms of the distance from zero position in each dimension was inspected at and it was observed that some voice parameters are significantly related to the center of mass change of body. An interface was written on the Unity platform to simultaneously record posture data and audio data. The real time posture change at the interface can be observed using an avatar, and the sound data and posture data can be extracted and recorded to the computer at the desired time. The recorded postural data was again analyzed by a built-in function created on the Matlab platform to extract the three-dimensional center of mass deviation data of a body. In the third stage, an objectively sound focus was determined from the instantaneous changes in the body's postures. Thus, a system has been developed in which a wearer of a MOCAP device can sense, which predicts optimal posture. In order to be able to create this system, the audio features extracted during the experiments were fed into the artificial neural network model which was formed in the first stage, which determined the sound quality, and as a consequence the instantaneous sound data was labeled. In respect, the labels of the changing postural parameters were accepted as labels of the instantaneous voice data, and the changed postural parameters were trained in another artificial neural network model. Thus, by testing the changing postural parameters in the model, it is possible to predict what quality natural voice will be likely to emerge at the time of that posture. 10-fold cross-validation score of the artificial neural networks that predict the voice quality was found to be 85.19\% and the 10-fold cross-validation score of the model analyzing the possible voice quality of the postural parameters was found to be 81.33\%. In future work, the objective sound quality will be determined to have more classes than three, and a system will be developed that evaluates a closer objective sound quality to reality. By doing this, the possible sound quality of the posture that the person is in can be examined in more detail and the feedback given to the individual will be elaborated more. At this point, a subject will be able to better predict the possible optimal posture when trying different postures.
Bilgiişlem ortamı sunan bulut hizmetlerinde kötücül davranışların saptanması
Bulut bilişim kullanımı gittikçe artan bir bilgi teknolojisi alanıdır. Firmalar bulut bilişime geçerek sanal makinelerini, veri merkezlerini veya uygulamalarını müşterilerin hizmetine sunabilirler. Üç faklı bulut hizmeti bulunmaktadır. Bunlar; sanal makine sunan bulut (IaaS), bilgiişlem ortamı sunan bulut (PaaS) ve hazır yazılım sunan bulut (SaaS)'dur. PaaS sağlayıcılar, bilgiişlem ortamlarını en yaygın kullanılan teknolojilere göre düzenleyerek, aynı anda birden çok müşteri uygulamasını bu ortamda çalıştırırlar. Bu durum PaaS sağlayıcısının maliyetlerini düşürmekle birlikte, bazı güvenlik risklerini de beraberinde getirmektedir. Çünkü farklı müşteri uygulamaları aynı ortamı paylaşmaktadırlar ve birbirlerini etkileme olasılıkları vardır. Uygulamaların ve bilgiişlem ortamının güvenliği için farklı uygulamalar arasında bir yalıtım mekanizması gerekmektedir. Tez kapsamında aynı sanal makine üzerinde birden fazla uygulama çalıştıran PaaS sağlayıcıları için bir güvenlik ve yalıtım sistemi geliştirilmiştir. Önerilen sistemde izlekler üzerinden ölçümler yapılmış ve sonrasında makine öğrenmesi yöntemleriyle bulut uygulamalarına gelen isteklerdeki kötü amaçlı davranışlar saptanmıştır. Önerilen sistem izlekler üzerinden, bulut uygulamasına gelen her istek için anlık CPU paylaşımı, toplam CPU paylaşımı değerlerini ölçer. Bununla birlikte CRUD işlemleriyle eşleştiren kaynak erişim tipi, kaynak erişim süresi ve sırasıyla hangi işlemlerin yapıldığı kaydedilen diğer üç değerdir. Bu değerler bütün olarak öznitelik vektörünü temsil ederler ve makine öğrenmesi sürecinde kullanılırlar. Tez kapsamında ilk olarak Spring Boot ile bir web uygulaması yazılmış, PostgreSQL ilişkisel veritabanına bağlanmıştır. Bu uygulama basit bir e-ticaret uygulaması olarak da düşünülebilir. Uygulama Heroku PaaS sağlayıcısına yüklenerek, gerçekçi bulut uygulama verileri üzerinde çalışmak amaçlanmıştır. Sonrasında, yazılan uygulamaya önerilen güvenlik sistemi entegre edilmiş, uygulamaya güvenilir ve tehlikeli istekler gönderilerek, güvenlik sisteminin bu istekler üzerinden bulut ortamında ölçüm alması sağlanmıştır. Yapılan deneyde bulut uygulamasına 99000 güvenilir 1000 tehlikeli olmak üzere toplamda 100000 istek gönderilmiştir. Güvenilir istekler, e-ticaret uygulamalarının yaygın kullanım senaryolarını içerirken, tehlikeli istekler ise OWASP 2017 raporunda yer alan 2017 yılındaki en yaygın web uygulaması saldırı senaryolarıdır. Önerilen sistem tarafından ölçümler yapılıp, veritabanına kaydedildikten sonra, işlem sırası özniteliği üzerinde N-Gram algoritması çalıştırılmıştır. N-Gram işlemlerin sayısını ve işlemler arasındaki geçiş olasılıklarını hesaplayarak öznitelik vektörüne 57 adet yeni değer eklemiştir. Bu sayede zararlı davranışların saptanacağı makine öğrenmesi sürecinde başarıyı arttırarak amaçlanmıştır. Literatürde sıkça kullanılan topluluk sınıflandırması algoritmaları Random Forest, Bagging ve AdaBoost toplanan veri üstünde çalıştırılmış ve sonuçlar çapraz doğrulama tekniğiyle elde edilmiştir. N-Gram algoritması çalışmadan elde edilen sonuçlarda, en başarılı sınıflandırmayı Random Forest yapmış ve deneyde toplam 146 istek yanlış saptanmıştır. Bununla birlikte; N-Gram kullanılarak yapılan deneyde, yine Random Forest en iyi sonucu elde etmiş fakat bu sefer yanlış saptanan istek sayısı 22'ye düşmüştür. Bu deneyde elde edilen duyarlılık doğrulu değeri, bulut uygulamasına gelen zararlı bir isteğin önerilen sistem tarafından saptanma olasılığının %98 olduğunu göstermektedir.
Yazılım projelerinde iş gücü tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması
Yazılım projeleri, sektörden bağımsız olarak neredeyse tüm şirketlerin operasyonlarını yürütmelerinde stratejik bir öneme sahiptir. Son 10 yılda bu önem giderek artmıştır. Hem yazılım şirketleri hem de temel iş alanı yazılım olmayan çeşitli boyutlarda birçok şirket kendi bünyesinde yazılımlar geliştirmekte ve yazılım evlerine yazılım projeleri yaptırmaktadır. Yazılım projelerinin planlanmasında iş gücünün doğru olarak tahmin edilmesi, proje maliyetlerinin doğru olarak öngörülmesi ve projelerin zamanında bitirilmesi açısından önemlidir. Yazılım efor tahmini alanında uzun zamandan beri çalışmalar yapılmaktadır. Yazılım efor tahmini yöntemleri algoritmik yöntemler, istatistiksel yöntemler, Makine Öğrenmesi tabanlı yöntemler gibi alt başlıklarda incelenmektedir. Tez kapsamında bu çalışmalar değerlendirilmiş ve literatür taraması yapılarak öne çıkan metodolojiler literatür araştırması bölümünde sunulmuştur. Tez konusu olarak Makine Öğrenmesi tabanlı üç farklı efor tahmin yöntemi seçilmiştir. Bu yöntemler Karar Ağacı, Naive Bayes ve Çoklu Regresyon analizi modellerini baz almaktadır. Modellerin çalıştırılması için Windows tabanlı bir masaüstü uygulaması geliştirilmiştir. Piyasada genel kullanıma açık olarak bulunan Makine Öğrenmesi bileşenleri seçilmiş ve modellerin yazılıma aktarılmasında kullanılmıştır. Modellerin eğitilmesinde ve test edilmesinde kullanılan parametrelerin seçiminde daha önceki birçok çalışma incelenmiş ve baz alınmışsa da bazı projelere ait tüm parametrelerin geçmişe dönük olarak elde edilememesinden ve bazı parametrelere ait değerlerin ayırt edici olmamasından dolayı parametrelerde eleme yapılmıştır. Her üç model aynı eğitim veri kümesiyle eğitilmiş ve aynı test veri kümesiyle test edilmiştir. Eğitim ve test verileri 10 yıldır ulusal yazılım piyasasında faaliyet gösteren bir yazılım evinden alınmıştır. 64 farklı yazılım projesine ait parametre verisi bulunmaktadır. Modellerin eğitilmesi ve test edilmesi için k-kat doğrulama yöntemi kullanılmıştır. Bu yöntemin kullanılmasıyla, veri kümesinde bulunan tüm verilerin hem eğitim hem test amacıyla değerlendirilmesi sağlanmıştır. Üç model için de algoritma test verileri üzerinde çalıştırıldıktan sonra elde edilen tahmini efor değerleri gerçek efor değerleriyle karşılaştırılarak Makine Öğrenmesi algoritmaları tarafından hesaplanan tahmini efor değerleri için hata katsayıları belirlenmiştir. Hata katsayılarının belirlenmesinde Bağıl Hata Büyüklüğü (MRE), Ortalama Bağıl Hata Büyüklüğü (MMRE) ve Tahmin Kalitesi (PRED(25)) değerleri kullanılmıştr. Elde edilen sonuçlar karşılaştırıldığında, Çoklu Regresyon Analizi modelinin en doğru tahminleme sonucunu elde ettiği görülmüştür. İkinci sırada Karar Ağacı, son sıradaysa Naive Bayes modeli yer almıştır. Bu durumun sebebinin, seçilen parametrelerin bir kısmının test kümesindeki değerlerinin yeteri kadar ayırt edici olmamasından kaynaklandığı düşünülmektedir. Sonuçların iyileştirilmesi için parametre setinin değiştirilmesi, modellerin farklı yazılım evlerinden veri toplanarak tekrar eğitilmesi, daha fazla proje verisi üzerinde eğitim ve test yapılması gibi yöntemler izlenebilir.
Türkçe'de varlık ismi tanıma
Uzun yıllardır insanoğlunun makineler ile kendi doğal dilini kullanarak etkileşime geçmek istemesi ve bu konuda yapmış olduğu araştırmalar yapılan en heyecanlı araştırmalar arasında yer almaktadır. Robotlarla ya da bilgisayar sistemleri ile konuşmak, onların bizi anlaması, bizim adımıza araştırmalar yapması yapılan birçok bilim-kurgu çalışmasının ana temalarından olmuştur. Makineler ile insanlar arasındaki etkileşimi doğal dil üzerinden yapılmasını sağlamak, doğal dilin anlamlandırılması, diller arasında otomatik çevriminin yapılması, doğal dil ile yazılmış metinlerden bilgi çıkarımı yapılması gibi görevler Doğal Dil İşleme (DDİ) araştırma alanın çalışma konularıdır. Yazılı metin içerisinden bilgi çıkarımı görevi ele alındığında metin içerisinde geçen tanımlı varlıkların tespit edilmesi önemli bir görev adımıdır. Metin içerisinde geçen kişi, organizasyon, yer adları, sayısal değerler, tarihsel ifadelerin tespit edilerek işaretlenmesi Varlık İsmi Tanıma (VİT) olarak adlandırılmaktadır. VİT görevinde tanınacak varlıklar ihtiyaçlara göre değişiklik gösterebileceği gibi VİT çalışmalarında genel olarak ENAMEX (kişi, organizasyon ve yer isimleri), NUMEX (sayısal eğerler, parasal ifadeler, yüzdeli ifadeler), TIMEX (tarih ve zaman ifadeleri) varlık kategorilerinin işaretlenmesi olarak değerlendirilmektedir. Bununla birlikte özelleşen sistemlerde e-posta adresleri, telefon numaraları, kitap başlıkları, proje isimleri gibi kategoriler de Varlık İsmi olarak ele alınabilmektedir. Örnekleri çoğaltmak gerekirse biyoinformatik ve kimya alanlarındaki metinlerden protein isimleri, RNA, DNA, hücre bilgileri, ilaç adları, kimyasal adlarının tespit edilmesi de Varlık İsmi Tanıma görevi olarak değerlendirilmektedir. VİT ile ilgili çalışmalar 1990'larda başlamış ve 1996 sonrasında hız kazanmıştır. Türkçe için ise bilinen ilk çalışma ise 1999 yılında gerçekleştirilmiş olup 2009 sonrasında bu alandaki çalışmalar ilgi görmeye başlamış ve hız kazanmıştır. İngilizce gibi dillerde hem çalışma sayısının fazla olması hem de İngilizce'nin Türkçe gibi dillere göre daha basit biçimbilimsel yapısından dolayı VİT genel olarak çözülmüş bir problem olarak görülmektedir. Öte yandan Türkçe, Fince gibi dillerde dilin ek yapısı VİT görevini karmaşık hale getirmektedir. Bu durum VİT konusunu Türkçe'de halen güncel bir problem haline getirmektedir. VİT alanında yapılan çalışmalar incelendiğinde ilk çalışmaların kural tabanlı sistemlerden oluştuğu gözlemlenmektedir. İlerleyen çalışmalarda örnek veri kümelerinin artması ile birlikte kural tabanlı geliştirilen sistemler yerlerini istatistiksel sistemlere bırakmışlardır. Türkçe'deki istatistiksel yöntemler ile geliştirilen sistemlerde özellikle makine öğrenmesi yöntemlerinden Koşullu Rastgele Değişkenler (CRF) yöntemi gerçeklenen sistemler ön plana çıkarken diğer dillerde Yapay Sinir Ağı temelli yöntemler sıklıkla kullanılmakta ve başarılı sonuçlar elde edildiği gözlemlenmektedir. Yapay Sinir Ağları (YSA) insan sinir ağları model alınarak tasarlanan bir makine öğrenmesi metodolojisidir. Yapay sinir ağlarının temel yapısı insan sinir hücresi, nöron, model alınarak gerçeklenen yapay nöronlardan oluşmaktadır. Yapay Sinir Ağı alanındaki çalışmalar incelendiğinde bu alandaki teorik çalışmaların 1960'larda başlamış olmasına rağmen birçok teorik çalışmanın uygulanması, donanımlardaki yeni gelişmelerle ile birlikte son yıllarda mümkün hale gelmiştir. Yapay Sinir Ağlarında nöronlar genellikle tekil olarak kullanılmazlar, problemin çözümüne bağlı olarak nöronlar farklı bağlantı modelleri ile birbiriyle ilişkilendirilerek kullanılırlar. Özellikle yapay sinir ağı yapılarının katman sayısı ve nöron sayılarının arttırılması ile birlikte oluşturulan Derin Öğrenme Sistemleri görüntü işlemeden, doğal dil işlemeye birçok araştırma alanındaki problemlerin çözümünde başarılı sonuçlar ortaya koymaktadır. Bu tezin amacı Türkçe'de dile özgü özellikleri de kullanarak yapay sinir ağı tabanlı bir Varlık İsmi Tanıma Sistemi tasarlamak ve gerçekleştirmektir. Tez çalışması kapsamında gerçeklenen VİT Sisteminin başarısının değerlendirilebilmesi için Türkçe'de birçok çalışmada kullanılan bir Türkçe VİT Derlemi kullanılarak öğrenme ve başarım ölçüm işlemleri gerçekleştirilmiştir. Önerilen yapay sinir ağı tabanlı Türkçe VİT sistemi en iyi modelde %93.69 F1 puanı ulaşılmıştır. Gözlemlediğimiz kadarıyla çalışma kapsamında önerdiğimiz en iyi modelde ulaşılan sonuç, literatürde en başarı sonuç olarak karşılaştığımız olarak ulaşılan %93.59 değerini az da olsa geçerek literatürdeki en başarılı Türkçe VİT sonucu haline gelmiştir.
Doku ve renk öznitelikleriyle tarla görüntülerinden bitki ve fenolojik evrelerinin çıkarımı
Günümüz dünyasında küresel ısınma, nüfus artışı, kuraklık, erozyon, tarım alanlarının farklı amaçlar için kullanılması gibi etkenler tarımsal verimlilik konusunu önemli hale getirmiştir. Tarımsal verimlilik konusunda ilerlemek için günümüz bilgi teknolojilerine ihtiyaç duyulmaktadır. Tarım alanlarının sensörler ve kameralar aracılığıyla izlenmesi sonucu toplanan veriler sayesinde tarımsal araziler üzerinde verimliliği artırıcı uygulamalar geliştirilebilmiştir. Dünyada pek çok ülkede ulusal tarım gözlemleme ağı bulunmaktadır. Türkiye'de de Tarım, Gıda ve Hayvancılık Bakanlığı tarafından kurulan ve desteklenen TARBIL, tarımsal gözlemleme ve bilişim sistemidir. Türkiye'nin birçok yerinde tarımsal alanlara çok sayıda sensörlerle ve kameralarla donaltılmış yer istasyonları kurulmuştur. Bu istasyonlardan toplanan meteorolojik ve görüntü verileri merkeze anlık olarak aktarılmaktadır. Mevcut sistemde, toplanan görüntülerden bitki türü ve fenolojik aşama bilgilerinin arşivleme amaçlı olarak etiketlenmesi ve sulama, gübreleme ve dezenfeksiyon rejimlerinin geliştirilmesi ile ilgili araştırmaların yapılması ve ekili ürünün tahmin edilmesi için manuel uzman insan iş gücü gerekmektedir. İnsanın olduğu yerde hatanın da olabileceği düşünülürse, fenolojik evrelerin saptanmasının otomatik hale getirilmesi, hem iş gücü kazancı hem de tarımsal verimliliğe hızlı çözüm üretmek anlamına gelecektir. Bu tez çalışmasında, 58 farklı TARBIL istasyonundaki 66 farklı gözlem aralığında arpa, ayçiçeği, buğday, mısır, nohut ve pamuk bitkilerine ait çekilmiş 1x ve 10x yakınlaştırma seviyelerindeki toplamda 13323 adet yakın plan görüntüler kullanılarak geliştirilen sistem ile bitki türü ve fenolojik evrelerinin otomatik tespit edilmesine çalışılmıştır. Bu problemin çözümüne ilişkin görüntülerin doku ve renk öznitelikleri kullanılmıştır. Kullanılan doku öznitelik çıkarma yöntemleri, Yönlü Gradyanların Histogramı (İng. HOG, Histogram of Oriented Gradients), Gri Seviye Eş Oluşum Matrisleri (İng. GLCM, Gray Level Co-occurence Matrices) ve Laws'ın Doku Enerjisi Ölçümleri (İng. LTEM, Law's Texture Energy Measures)'dir [6-9,12]. Kullanılan renk öznitelik çıkarım yöntemi ise renk momentleridir [11]. Yönlü Gradyanların Histogramı (HOG), görüntülerdeki nesnelerin kenar bilgisi ve gradyan değerine bakarak nesne ile ilgili öznitelik çıkarımı için kullanılan bir yöntemdir. Bu yöntem, görüntünün "hücre" denilen küçük yerel bölgelere bölünüp bu bölgeleri tanımlayıcılar olarak adlandırılan yerel histogramlar ile tanımlama esasına dayanır. Yerel histogram, hücreler için hesaplanan gradyan vektörlerin belirlenen yön aralığındaki oluşma sayısının dağılımını ifade eder. HOG tanımlayıcıları, yerel hücreler üzerinden hesaplandığı için objenin geometrik ve fotometrik değişimlerine karşı iyi sonuç verir. Bu çalışmada her bir görüntü verisi, 100 (10x10) adet hücreye bölünmüş ve her bir hücre için normalize edilmiş yerel histogram oluşturulmuştur. Sonuç olarak her hücre için normalize edilmiş 9 aralıklı bir yerel histogram olmak üzere toplamda 100 adet hücredeki histogramlar birleştirilerek (10x10x9) = 900 boyutlu HOG özniteliği hesaplanmıştır. HOG yöntemiyle elde edilen öznitelikler yüksek boyutlara sahip olduğu için yapılacak olan işlem sayısını ve bu işlemlerin çalışma zamanını azaltmak amacıyla elde edilen öznitelik boyutlarını indirgemek için Temel Bileşenler Analizi (PCA) yöntemi kullanılmıştır. Gri Seviye Eş Oluşum Matrisleri (GLCM), görüntülerin doku özelliklerinin çıkarılması için kullanılan istatistiksel bir yöntem olup aralarında belli bir geometrik uzaklık bulunan i ve j gri seviye değerine sahip piksel çiftlerinin belli bir yöndeki oluşum sıklıklarını ifade eden ve boyutu görüntüdeki farklı gri seviye değer sayısı (N) kadar olan bir kare matristir. Gri seviye eş oluşum matrisleri hesaplanırken iki piksel arasındaki ilişki, uzaklık ve yön bilgisine bağlı olarak belirlenir. Elde edilen eş oluşum matrisleri dokuyu tanımlamak için istatistiksel bilgiler elde etmek amacıyla kullanılmaktadır. Bu çalışmada bu istatistik bilgilerinden 0◦, 45◦, 90◦, 135◦ yönlerinde kontrast, homojenlik, entropi, enerji ve benzemezlik olmak üzere (4x5) = 20 adet öznitelik çıkarımı gerçekleştirilmiştir. Law's Doku Enerji Ölçümleri (LTE), görüntüdeki doku enerjilerini hesaplamak için görüntü üzerinde kullanacağı iki boyutlu konvolüsyon maskeleri oluşturmak için önceden belirlenmiş olan 4 adet tek boyutlu vektörlerin kullanılması esasına dayanır. Elde edilen iki boyutlu konvolüsyon maskeleri görüntüler ile konvolüsyon işlemine sokularak doku enerji haritaları elde edilir. Bu çalışmada 9 adet doku enerji haritası kullanılmıştır. Elde edilen 9 adet doku enerji haritalarından değerlerin ortalamaları alınarak 9 adet öznitelik çıkarımı gerçekleştirilmiştir. Renk öznitelik vektörleri çıkarımı için kullanılan ve görüntülerin renk dağılımlarının benzerliğini hesaplayan bir yöntem olan renk momentleri, görüntülerin tüm renk bilgisini dikkate almak yerine renklerin baskın özelliklerini dikkate almaktadır. Bu baskın özellikler, renklerin olasılık dağılımlarına ait ilk üç moment olan ortalama, standart sapma ve eğrilik momentleridir. Bu çalışmada, ışık, gölge, arka plan gibi çeşitli aydınlatma koşullarından etkilenilmemesi için görüntüler RGB renk formatından HSV renk formatına dönüştürüldükten sonra renk momentleri çıkarılması işlemi yapılmıştır. Her bir görüntüde, HSV renk formatında 3 adet kanalın her biri için 3 farklı moment toplamda 9 adet renk öznitelik çıkarımı gerçekleştirilmiştir. Bu çalışmada hesaplanarak elde edilen renk öznitelikleri, her bir doku özniteliği ile birleştirilerek Naive Bayes, k-en yakın komşu, destek vektör makineleri ve rastgele ormanlar sınıflandırıcılar ile sınıflandırılmıştır. Destek vektör makineleri ve k-en yakın komuşu sınıflandırıcıları için parametre optimizasyonu yapılarak sınıflandırma sonuçlarının başarısı artırılmıştır. Sınıflandırma işlemleri öncesinde sınıflandırıcının eğitilmesi için eğitim seti ile eğitim sonrası oluşturulan modelin test edilmesi için test seti oluşturulması gerekmektedir. Bu çalışmada eğitim ve test setlerinin oluşturulması için 5-tabakalı çapraz doğrulama (İng. Stratified 5-fold cross validation) ve birini dışarıda bırakarak çapraz doğrulama (İng. Leave-one-out cross validation) yöntemleri kullanılmıştır. Renk analiz yöntemleri ile birlikte kullanılan doku analiz yöntemlerinin farklı sınıflandırıcılar ile doğruluk başarı oranları ölçülmüştür. Sonuçlara bakıldığında, eğitim ve test veri setinin hazırlanma şeklinin sınıflandırma performansına etkisinin büyük olduğu görülmüştür. 5-tabakalı çapraz doğrulama ile yapılan sınıflandırma performansları, birini dışarıda bırakarak çapraz doğrulama ile yapılan sınıflandırma performansına göre oldukça yüksektir. Sonuçlar, HOG yönteminin destek vektör makineleri sınıflandırıcısı ile en iyi performansı verdiğini göstermektedir. Sınıflandırıcılar içinde genel olarak en düşük performans Naive Bayes sınıflandırıcısı ile alınmıştır. Bu çalışmada geliştirilen sistem, çiftçilere verilecek tablet PC'ler ile sahada otomatik tür ve evre çıkarma işleminde kullanılabilir. Bunun yardımıyla çiftçiler sulama, gübreleme rejimi belirleme ve ürün verimi tahmini konularında çıkarımlarda bulunabilirler. Ayrıca çok sayıda merkezdeki kameralardan iletilen görüntünün arşivlenmeden önce otomatik etiketlenmesi ile sulama, gübreleme rejimi, ilaçlama, rekolte tahmini üzerine yapılacak olan araştırmalarda kullanılabilir. Bu çalışmanın sonuçları aynı zamanda, derin öğrenme ile geliştirilecek yöntemlerin performansını değerlendirmek için bir kriter olarak kullanılacaktır.
Recurrent neural network based approaches for electricity consumption forecasting
The goal of short-term electricity consumption forecasting is prediction of future electricity consumption values, ranging from one hour ahead to weeks ahead. Electricity consumption forecasting has mainly two important ramifications. First one is at system level. Since electricity at a country level has lack of proper storage options, supply and demand should be matched continuously. When supply is not enough for demand, electricity short cuts might happen. When demand is less than supply, financial problems might occur for power plant owners due to nature of liberal market. Predicting future electricity consumption allows system administrators to plan the supply in a proactive manner. Since most of the electricity plants are not able to start working immediately, they need couple of hours of preparation beforehand. With short-term electricity forecasting, institutions which are responsible for maintenance of electricity, would make better decisions on supply planning. Second importance of short-term load forecasting lays upon financial institutions focused on electricity market. Those institutions apply financial operations (e.g. buy/sell) on electricity market. Crucial part of these operations is predicting future electricity supply, demand and finally price. With better consumption forecasting systems, financial institutions may trade electricity with higher profit since electricity consumption is one of the main factors that modifies electricity prices. Electricity consumption is measured on specified intervals. These intervals may change from country to country, while in United Kingdom this interval is 15 minutes, in Turkey electricity consumption is measured and reported in hourly intervals. Time-based measurement of electricity consumption, turns the forecasting problem into a time series problem. There are two main actors in determining electricity consumption. First one is industry (e.g factories, offices) and second one is household consumption. Since underlying characteristics of electricity consumption of those groups are different, it turns out that aggregate electricity consumption is a more complicated problem. One of the underlying factors that affect household electricity consumption is weather conditions. While temperature goes low in winter or goes high in summer, usage of electricity devices to regulate temperature of house and rooms increases. For industry, calendar based factors are main contributors. On national holidays, religious feasts and off-work hours, a decrease in consumption is observed due to idle industry. Although various methodologies are applied on short-term electricity consumption forecasting, Artificial Neural Networks and Auto Regressive Integrated Moving Average based methodologies are most often applied solutions. Since Recurrent Neural Networks are developed for processing machine learning problems focusing on sequence data, their application to time series problems is gaining popularity recently. In this thesis we focus on application of Recurrent Neural Networks and its variations, namely Long-Short Term Memory and Gated Recurrent Units on short-term electricity consumption forecasting problem. As a dataset, we use hourly aggregate electricity consumption of Turkey starting from the year 2010. We use hourly electricity consumption data of the year 2017 as the test data, where remaining data starting at year 2010 is used for training. Since seasonality is one of the determining factors or levels of electricity consumption, we measure our models' performance for each month of the year. For the first part of the thesis, we focus on analysing and exploring electricity consumption of Turkey for a better understanding of its characteristics. In the second part, we start with generating aggregate temperature values and analysing its relation with electricity consumption. After that, we continue with applying different RNN/LSTM/GRU architectures, like many-to-many, too-many-to-many, bidirectional recurrent networks and more deeper networks. Lastly, we provide a comprehensive error analysis of our best model, aiming to determine which part of the year is more difficult to guess, and provide some recommendations to have a better performance on those parts.
Comparison of feature selection and extraction methods and active learning in voice based emotion recognition systems
Since humans are social beings, emotions stand at the center of their behaviors. We interact and exchange emotions with each other, and so our communication is constructed on the basis of those emotions. One of the most common ways of emotion sharing tool is the voice. Recently, thanks to the improvement in new technologies, voice-based emotion recognition becomes very popular. Basically; the extraction of emotions from audio signals is a supervised machine learning application. Classifiers are trained using extracted features from audio signals. The performance of classifiers is dependent on data preprocessing, selection of features and classifiers and the parameters of classifiers. Obtaining high performed classifiers is the main purpose in emotion recognition systems as in the all machine learning applications. That is why many researches are conducting on phases of classifiers. Data preprocessing phase is one of the most important parts of emotion recognition like all other machine learning processes. Feature extraction and selection methods are one of the important operations that affect the performance of classification in this phase. Feature selection method aims to find the features that provide more successful result among the other features, whereas feature extraction method aims to generate a new feature space or representation of features that outputs higher performance. Nowadays, collecting data and accessing this data has become very easy. In order to use these data in machine learning applications, they need to be categorized by labeling. This labeling operation is conducted by experts or oracle. But labeling of these collected data is very hard and expensive. In many problems, there are a huge amount of unlabeled data and a small amount of labeled training data. Common methods such as active learning are proposed in order to enable the obtained unlabeled data to be used as an enhancement in machine learning efficiently. Active learning is basically processed by adding samples which are selected from unlabeled data according to specified conditions, to training data iteratively and updating model using this new training data. Selecting the most informative examples is a crucial step in active learning. In literature, several methods have been proposed for this process. One of the commonly used methods is selecting the samples that classifier is least certain about it. This method is called uncertainty sampling. The uncertainty method is based on the irregularity of samples. This irregularity is computed as entropy. The more entropy sample has, the more information it contains. An active learning flow is defined as following steps; At the first step, trained model is tested on unlabeled data. The samples where the model least certain of them are determined. The selection of samples can be decided in two ways. First one is a specified threshold value of uncertainty score. The samples which are lower than this limit value are selected as uncertain samples. The second way is that samples are ordered according to uncertainty score and a specific number of samples are selected. The selected samples are the most informative ones in terms of sample diversity. These samples are labeled by asking experts or oracle. At the last stage, the trained model is updated with new labeled samples. The new model is tested on test data and success of the model is expected to increase. By doing so, the cost of labeling is decreased sharply. In this thesis, feature selection and extraction methods are first analyzed using supervised learning methods. In voice-based emotion recognition systems, acoustic features of audio signals are commonly used. These acoustic features can be subcategorized according to information they carry. Several amounts of features and different types of them can be extracted from a single signal. Features that output high performance on classification are aimed to be selected and used in the scope of this experiment. This selection is critically important in terms of accuracy and cost saving of classification. Autoencoder, Relief-F and Chi-Square are used as feature selection and extraction methods. Results of each selection methods and each acoustic feature types are analyzed in comparison and best feature selection method and feature type are proposed. For the experiments; University of Michigan Song and Speech Emotion Dataset (UMSSED) and Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) data sets were used. With the OpenSmile tool, a total of four different types of features were generated from these data sets. These feature types are; Energy and loudness, Harmonic product spectrum (HPS) pitch and voice quality, spectral and Mel frequency cepstral coefficient (MFCC). Two different features have been produced by using the different combinations of these features and in the end, total of six types of features have been obtained. The results of the study indicate that the MFCC type features and the features selected by using the Relief-F method have the most successful results. Relief-F method is based on the distance between feature and class label. The neighbors of the pointed feature are also taken into account of calculation with the class label. These distance calculations are the reason that Relief-F outputs higher performance. Chi-Square outputs close performance result with Relief-F. This method uses a statistical calculation of independence between feature and class label. Both depend on the individual relationship between a feature and class label. This common feature of methods is the reason behind this high performance of classification. At the second part of the thesis, active learning was applied with the information obtained in the first part and the accuracy results of applications on emotion recognition systems are analyzed. The experiment of this part is separated into two sub-experiments according to the usage of data sets. At first experiment, RAVDESS data set is used as training set, UMSSED data set is divided into test and unlabeled data sets. The main purpose of this experiment is to find a solution to the classification of data which contains a small amount of samples. The model which is trained by a huge amount of training data outputs higher performance using active learning. At the other experiment, UMMSED data set is used as training set, RAVDESS is used test and unlabeled data sets. This experiment analyzes the smart selection and efficient usage of samples from a huge amount of unlabeled data in emotion recognition systems. In these experiments, MFCC, Statistical and Is13ComParE types of features are used. Cross validation method is used for evaluation. In both experiments, the trained model is tested on unlabeled data set. The most uncertain samples were selected. Afterward, the labels were learned from experts and the model was updated with this information. These operations were performed iteratively, and at each iteration, a certain number of samples were added to the training set. In each iteration, the change in the performance of the model was observed and the results showed that the performance of classification was increasing. As a future work, in order to improve the performance, other instance selection algorithms can be used in active learning. To sum up, within these experiments; the effect of the feature selection and extraction methods used in the emotion recognition from audio signals is analyzed, and also active learning is applied with the obtained results in the first phase. This study emphasizes the importance of data preprocessing phase of classification and concludes successful results with a remarkable recommends that provide an insight to focus on the other phases of emotion recognition.