Elektronik ve Bilgisayar Mühendisliği Anabilim Dalı

Prediction of students' success employing data mining algorithms

Most higher education institutions now priorities student achievement as a key strategic goal. Academic institutions are focusing more on keeping students enrolled in their classes without sacrificing educational level in response to budget constraints and rising operational costs. The use of machine learning to forecast students' success using academic and behavioural data has been the subject of numerous initiatives and studies. We applied the popular machine learning algorithms in order to predict student achievement including Random Forest, Support Vector Machine, Logistic Regression etc. The employed Support Vector Machine has achieved to provide the best accuracy (93.8%) and sensitivity (98.75 %) scores. Additionaly, the implementation of stack-based ensemble model is very effective in the predicition of student success. Therefore, a stacked-based ensemble learning model is cerated in order to compare the efficiency of it in the prediction of students' succes with the other machine learning algorithms. At the end, the stacked-based ensemble model has provided the best accuracy score (93.9%) in the prediction of students' success.

Classification of skin cancer with deep transfer learning method

Skin cancer is a significant threat to human health. The key solution to completely treating skin cancer patients is early detection of lesions, which are the basis of skin cancer. With the advancement of artificial intelligence technology, significant progress has been made in developing automated approaches to help dermatologists detect skin cancer. In this study, eight different transfer learning networks are examined on the International Skin Imaging Collaboration (ISIC) dataset (64000 images) for the classification of skin cancer. The models used in the study are DenseNet121, Xception, InceptionResNetV2, ResNet50, Inception, EfficentNetB6, VGG16, and MobileNetV2 which were successful in various studies recently. In the preprocessing part of the study, the dataset is split into three parts training, validation, and testing. The results of the study showed that some transfer learning models are appropriate for classification success, with high classification accuracies. With an accuracy rate of 99.6%, the finetuned DenseNet121 model outperformed all other pre-trained models used in the study. In addition, when the ensemble learning method was applied with the best three models (DenseNet121, MobileNetV2, and Xception), 99.96% accuracy was obtained.

Deep ensemble learning-based classification of stroke

Stroke is one sort of brain disease that profoundly impairs people's quality of life and health. The quantitative analysis of brain Magnetic Resonance (MR) images is crucial for both the diagnosis and treatment of strokes. The method of early diagnosis is crucial for preventing stroke instances. Deep neural networks, which have the capacity for vast data learning, enable stroke prediction. Therefore, in this study, several deep neural network models are proposed for transfer learning to classify MRI images into two categories (stroke and non-stroke), in order to study the characteristics of the stroke lesions and achieve full intelligent automatic detection. These models include MobileNet, EfficientNetB2, ResNet50, DenseNet121, and EfficientNetB2. 1901 training images, 475 validation images and 250 testing images make up the study dataset. Data augmentation was employed to increase the number of images on the training and validation sets, which helped the models to learn more effectively. Results from the experiment outperform those from all state of the art methods that used the same dataset. The top models of the study, which use the DenseNet121 and Xception models for transfer learning, obtained an overall accuracy of 98.4% with the same values for precision, recall, and F1-score. Additionally, ensemble learning method is used with the top three models of the study, EfficientNet, DenseNet, and Xception, and a 100% overall score is obtained.

Computer network traffic classification using data mining

In this work, we explore different data sets for Network Intrusion detection. Classify the attack signals from normal ones. With the increase in network connections, computer security and intrusion detection became a challenging problem. Our research used different feature selection techniques: Information gain, Gain ratio, Chi2, and Relief. We train different models based on ten thresholds with a quantization range of 10% to 90% for each feature selection algorithm we used. We train Decision trees, Random Forest, Extra trees, GradiantBoosing, XGBoost, AdaBoostm, Linear, SVM, and Logistic Regression. We use cross-validation and feature selection with different thresholds for each of these models. Then, we compare all of these models based on the validation accuracy obtained from cross-validation. The stacking model achieves 97.79% test accuracy on the UNSW-NB15 data set using only 15 features with Random Forest, Extra Trees, and XGBoost as base models (level-0 models) and Logistic Regression as a meta-classifier model. By changing the top model to MLP with 5 hidden layers we achieve 97.82% test accuracy, but the complexity of the stacking model is increased too much to improve the accuracy with only 0.03% this note should be considered when choosing the model for deployment which will affect the inference time of the stacking model.

Design of a new biometric system based on hand geometry images using deep learning methods

Dorsal hand vein patterns are unique to each individual, making them a promising tool for accurate identity recognition. This thesis focuses on biometric analysis of human identification. The tecnocampus hand image dataset is used to validate feature extraction methods on dorsal hand images. The study compares and analyzes three Convolutional Neural Network CNN architectures: ResNet-50, GoogleNet, and SqueezeNet, which offer distinct approaches to feature extraction. It evaluates the performance of each method by applying them to a dataset. Based on the analysis, the most effective features are selected from the respective architectures. By leveraging the robustness of assessed CNN architectures and harnessing the power of Euclidean distance, the proposed approach achieves remarkable outcomes in the realm of image recognition. It uses feature vectors to measure similarity between dorsal images, and uses Euclidean distance to measure the similarity between feature vectors. This allows the algorithm to accurately identify and match hand vein patterns with high accuracy. With an overall accuracy of 97.32%, this research has significant implications for the field of biometric identification and could serve as a valuable foundation for future advancements in this area.

Efficiency of stacked ensemble learning for student's adaptivity classification to online education

It is necessary to know the extent to which students adapt to online learning, especially after the Corona pandemic. Online and e-learning have become essential parts of the educational process. It is important to try to improve students' adaptation to this type of education to obtain the best results. Expanding existing knowledge of students' ability to adapt to online learning is the aim of this study. Machine learning techniques have been exploited to develop various models and compare their results in order to obtain the best technology and the most powerful model that can be used to improve the educational process. Four different models were developed, each model contained algorithms for a type of machine learning (Bagging, boosting, and Stacking), in addition to a model that contained a variety of algorithms (single and ensemble learning). These models used four methods of selecting features, which are: Relief F, ANOVA, Information Gain, and Chi-square. K = 10-fold was used with classifiers in all models in this study. The accuracy reached 0.866 % by Gradient Boosting algorithm using the Chi-square technique. While the highest value of accuracy obtained by the stacked learning by employing Boosting classifiers in level-0 and Logistic Regression in level-1 using the Chi-square technique was 0.874%.

Ağ yapılı veriler için öznitelik tabanlı özellik öğrenimi

Ağlar, birçok gerçek hayat senaryosunda veriler (düğümler) arasındaki etkileşimleri (bağlantıları) yakalama yeteneklerinden dolayı birçok sistemde yaygın olarak kullanılmaktadır. Ağlar, makine öğreniminde farklı tahmin tabanlı analizler yapmak için kullanılabilir. Ancak mevcut makine öğrenimi algoritmaları, veri örneklerinin birbirinden bağımsız olduğu ve ağ yapılı verilerin düzensiz ve değişken boyutlu doğası nedeniyle ağ bilgilerinin makine öğrenimine dahil edilmesini engellediği yönünde temel bir varsayıma sahiptir. Son zamanlarda, ağdaki yapısal bilgiyi koruyarak her düğüm için düşük boyutlu bir vektör temsilini öğrenmeyi amaçlayan özellik öğrenme yöntemleri önerilmiştir. Bu teknikler yalnızca ağın topoloji bilgisinden faydalanır ve düğüm özniteliklerini dikkate almaz. Ancak gerçek dünya ağları genellikle çok sayıda düğüme ve yüksek boyutlu düğüm özniteliklerine sahiptir. Bu çalışmada, topoloji bilgisinin yanı sıra düğüm özniteliklerinden faydalanmak için rasgele yürüyüş prensibini benimseyen node2vec yönteminin nasıl genişletilebileceği gösterilmiştir. Node2vec'teki bir rasgele yürüyüş, düğüm kimlikleri dizisi olarak temsil edilir, öznitelikleri kullanmak için düğüm kimlikleri dizisi yerine özellik vektörleri dizisi kullanılır. Tek kategorik özniteliğe sahip ağlar için node2vec-öznitelik, çok nitelikli ağlar için ise node2vec-öznitelik+ modelleri önerilmiştir. Önerilen yaklaşımların yapısal rollerin benzerliği ve düğüm sınıflandırması üzerindeki etkinliğini değerlendirmek için gerçek dünya veri setleri üzerinde çeşitli testler gerçekleştirilmiştir. Gerçekleştirilen tüm deneysel çalışmalar, her bir algoritmanın etkinliğini kanıtlamaktadır. Genel olarak sunulan sonuçlar, önerilen modellerin ağ ile ilişkili düğüm içerik bilgilerini yakalama ve kodlama konusundaki etkinliğini ve sağlamlığını ortaya koymaktadır.

Detection of faulty solar panels using artificial intellegence methods

Solar energy is gaining popularity as a renewable energy source, but maintaining the efficiency of solar panels poses challenges due to potential defects that can lead to significant energy production losses. The objective of this thesis is to develop an accurate and robust classification model using deep learning techniques to detect faulty solar panels. The proposed method relies on Convolutional Neural Networks (CNNs) and transfer learning techniques to achieve high accuracy, reaching 93% in accurately classifying faulty solar panels using the proposed CNN model. The transfer learning architectures are DenseNet121, ResNet50, MobileNetV2, and Xception models, were implemented with accuracies of 81.66%, 51.21%, 77.47%, and 90.31% respectively. This study demonstrates the effectiveness of employing deep learning techniques alongside suitable data preprocessing methods to develop the classification of defective solar panels.

Lise giriş sınavında öğrenci başarılarının makine öğrenmesi teknikleri ile analizi

Son yıllarda Eğitsel Veri Madenciliği çalışmalarında Makine Öğrenmesi algoritmaları oldukça yaygın biçimde kullanılmaya başlanmıştır. Bu çalışmada öğrencilerin ders başarı notları ile bireysel ve çevresel özelliklerini içeren veri seti kullanarak LGS sınavındaki başarı tahminlemesi yapılmıştır. Çalışma aynı zamanda tek tabanlı ve topluluk (Ensemble) algoritmalarının performanslarını karşılaştırılmak suretiyle en iyi modeli de önermektedir. Oluşturulan modelleri kıyaslamada R-Squared değeri referans kabul edilirken MSE, RMSE, MAE ve MAPE metriklerine de bakılmıştır. Çalışmada aynı zamanda Feature Selection metodlarının da model performansına etkileri araştırılmıştır. Elde edilen sonuçlarda Feature Selection uygulanmadan tüm veri seti kullanılarak Stacking mimaride Super Learner model ile en iyi performans elde edilmiştir. Modelin R-squared değeri 0,79 olurken MSE 161,32 olarak hesaplanmıştır. Çalışmanın sonuçları çalışılan modelin gelişime açık bir model olduğunu ortaya koymaktadır. Öte yandan öğrencilerin öğrenim ve kişisel özelliklerini içeren veriler kullanılarak merkezi sınavlardaki başarı düzeylerinin modellenebileceğini de göstermektedir. Kullanılan bu teknik ilerleyen dönemlerde öğrencilerin güçlü ve zayıf yönlerinin belirlenmesinde ve öğrencilerin başarısının arttırılmasında önemli bir yere sahip olabilir.

Investigation of financial applications with blockchain technology

This thesis focusing on utilizing machine learning (ML) and deep learning (DL) methodologies for forecasting cryptocurrency prices. The research concentrates on interpreting historical price data of prime cryptocurrencies, including Bitcoin, Ethereum, Dogecoin, USD Coin, Binance Coin, and Cardano. These virtual currencies demonstrate unique and unpredictable behavior; therefore, the need to understand their price dynamics is vital for making informed financial decisions. The essential objective of this study is to utilize various ML and DL techniques to construct tailored prediction models for each of these cryptocurrencies, aiding investors, traders, and financial institutions in making more precise and lucrative decisions in the rapidly evolving cryptocurrency market. The central tenet of this study is the use of diverse ML and DL algorithms to develop specialized prediction models for each cryptocurrency. Several techniques are deployed, such as LASSO (Least Absolute Shrinkage and Selection Operator), Linear Regression, Ridge Regression, Decision Tree, AstroML, Convolutional Neural Networks, Support Vector Machines, K-Nearest Neighbors, LSM (Least Squares Method), XGBoost Regression, and Gaussian Process Regression. These techniques were chosen based on their ability to handle complex non-linear relationships, missing values, and large data volumes. The approach was to model each cryptocurrency individually, recognizing that each might display unique characteristics and behaviors influenced by different external factors. The efficacy of these prediction models was evaluated using robust performance metrics like root mean square error (RMSE) and R-square. RMSE measures the average magnitude of the prediction error, providing an understanding of how accurately the model forecasts the prices, while R-square represents the proportion of the variance for the dependent variable that's explained by the independent variables in the model. These metrics allowed for a comprehensive and rigorous evaluation of the prediction models. The findings of the research provide a wealth of insights for various stakeholders in the cryptocurrency market. By demonstrating the effectiveness of ML and DL algorithms in predicting cryptocurrency prices, the research offers investors, traders, and financial institutions valuable tools to aid their decision-making processes. Furthermore, by comparing the performance of various models, it provides insights into which ML techniques are most suitable for cryptocurrency price prediction. Of particular interest is the outstanding performance of the Gaussian Process Regression in predicting cryptocurrency prices. This technique, known for its capability to handle a large number of predictors and complex relationships among variables, outperformed the other models tested. This highlights the potential of Gaussian Process Regression in predicting cryptocurrency prices, providing a promising direction for further research in the field.

Detection of phishing urls with deep learning based on the GAN-CNN-LSTM network and swarm intelligence algorithms

Phishing attacks are one of the challenges of the Internet and its users. Phishing attacks are an example of social engineering attacks based on deceiving users. In phishing attacks, fake pages that are very similar to legitimate pages are created on the Internet. In phishing attacks, the victim is directed to fake pages, and their valuable information is stolen. Most of the targets of phishing attacks include online payment services, banking, and online sales, so the losses of these attacks are significant. One way to detect phishing attacks is to use machine learning and deep learning methods. The challenge of machine learning and deep learning methods is intelligent feature selection. The lack of feature extraction and intelligent feature selection reduces the accuracy of learning methods in detecting phishing attacks. This paper presents a combined method with deep learning, machine learning, and swarm intelligence algorithms to detect phishing attacks. In the first phase, the dataset is balanced by deep learning based on the GAN network. In the second step, the convolutional neural network extracts the primary features from the links and code of web pages. In the third step, the White Shark Optimizer (WSO) algorithm selects the essential features. In the last step, the LSTM neural network classifies the samples. The proposed method has been evaluated on ISCX-URL-2016 and Phishtank datasets for feature extraction and selection. The proposed method's accuracy, precision, and sensitivity in the ISCX-URL-2016 data set are 97.94%, 97.82%, and 97.76%, respectively. In the Phishtank dataset, the proposed method has accuracy, precision, and sensitivity of 96.78%, 95.67%, and 95.71%. The proposed method is more accurate than LSTM, CNN, CNN-LSTM, CNN+GA, DNN, VAE-DNN, and AE-DNN methods in detecting phishing.

Makine öğrenme yöntemleriyle öğrencilerin akademik performanslarının farklı öznitelik seçim teknikleri uygulanarak sınıflandırılması

Öğrenci ve eğitimci açısından akademik başarının artırılması her zaman istenilen durumdur. Akademik başarıyı etkileyen etmenlerin önceden bilinmesi çok önemlidir. Çalışmada, farklı öznitelik seçim teknikleri ve makine öğrenmesi algoritmaları kullanarak ortaokul öğrencilerinin akademik performanslarını sınıflandırmak amaçlanmıştır. Kullanılan veri seti, MEB'e bağlı bir ortaokuldaki 728 öğrenciden elde edilmiştir ve 24 öznitelik içermektedir. Elde edilen veri seti üzerinde ön işleme ve öznitelik seçim teknikleri uygulanmıştır. Veri ön işleme aşamasında, veri seti içerisinde yer alan kategorik değerler sayısal değerlere dönüştürülmüştür. Kullanılan veri setinin dengesiz sınıf dağılımı olduğu için SMOTE algoritması kullanılarak dengeli hale getirilmiştir. Temel veri seti ve 7 farklı öznitelik seçim tekniği kullanılarak toplam 8 veri seti elde edilmiştir. Bu veri setleri Hold out ve 5 kat çapraz doğrulama yöntemleri ile bölünmüştür. Öğrencilerin sene sonundaki başarıları 3-seviyeli sınıflandırma tekniği ile 9 farklı algoritma kullanılarak sınıflandırılmıştır. Çalışmada kullanılan sınıflandırma algoritmaları için en uygun parametre setleri deneme yanılma yöntemi ile belirlenmiştir. Öznitelik seçim yöntemleri kullanmadan, veri setindeki 23 öznitelikle kurulan Gradyan Artırma algoritmasıyla doğruluk değeri %95.17'ye ulaşılmıştır. Gömülü yöntemler ile öznitelik seçim yöntemleri kullanarak 11 özniteliğe indirgenen veri seti ile kurulun Gradyan Artırma algoritmasında doğruluk değeri %93.31'e düşmüş fakat Rastgele Orman algoritmasında doğruluk değeri %95.54'e çıkmıştır. Sonuç olarak, Rastgele Orman algoritması gömülü yöntemler öznitelik seçim teknikleri ile birlikte kullanıldığında, öğrenci performansını tahmin etmek için en etkili algoritma olduğu görülmüştür.

Cloud based veins recognition and authentication using CNN

In the current digital landscape, numerous systems require a reliable recognition method to verify the identity of individuals accessing their services. As technology continues to evolve, there's an escalating demand for robust and secure biometric identification. With increasing advancements in the interface between humans and computers, new biometric modalities have emerged and gained traction. Among these, the finger vein has emerged as a particularly compelling area of research. The underlying rationale for this heightened interest is the unique characteristic of the human finger vein, its intricate structure, and the inherent difficulty in counterfeiting or stealing this information. This thesis delves deep into proposing a finger vein-based recognition system tailored for individual identification. The finger vein stands out primarily because of its distinctiveness. Each individual's finger vein pattern is intricate and different, almost akin to the uniqueness of a fingerprint but concealed within the body, making it a challenging target for malicious intents. Unlike external features like facial structures, fingerprints, or iris patterns, which can be potentially copied, mimicked, or stolen, the finger vein remains protected inside the finger, making it an optimal choice for biometric identification. The methodology of the proposed recognition system is built on a series of sequential processes. First, the acquired finger vein image undergoes a preprocessing stage. This initial step is essential to refine the image by removing any superfluous details and enhancing its core features. The color image is transitioned into a grayscale format, streamlining the data and eliminating any color-based anomalies. To accentuate the details and improve clarity, histogram equalization is employed. This technique amplifies the contrast, ensuring that the vital vein patterns stand out prominently. Once the image is preprocessed and enhanced, the system shifts focus towards feature extraction. The choice of feature extraction method is pivotal, as it directly impacts the subsequent identification accuracy. This research leverages the acclaimed Linear Discriminant Analysis (LDA) for this purpose. LDA, being one of the most prominent feature extraction techniques, ensures that the extracted features are not only distinct but also optimal for classification. The heart of the recognition system lies in its classification model. This research proposes a deep Convolutional Neural Network (CNN), renowned for its capacity to discern patterns and classify with astounding precision. The advantage of employing a deep CNN in this context is its capability to deliver high accuracy without necessitating extensive datasets. A notable outcome of this research is the exemplary recognition performance yielded by the deep CNN model. When tested on the SDUMLA-HMT finger vein dataset, the model achieved an accuracy of 99.65%. Meanwhile, on the UTFVP finger vein dataset, it further exceeded expectations with an accuracy rate of 99.72%. These results are a testament to the efficacy of the proposed model, underscoring the potency of using a 1-dimensional convolutional network combined with dense layers. Another significant contribution of this thesis is the amalgamation of LDA with the deep model. This fusion has demonstrated superior prowess, not just in terms of recognition accuracy, but also in training speed, ensuring a swift and efficient system. Lastly, to bridge the recognition system with the cloud database, the TCP/IP protocol is employed. This ensures that once an individual is recognized, their pertinent information can be swiftly retrieved from the cloud database. This integration not only augments the recognition system's functionality but also elevates its application potential in real-world scenarios.

Automatic based framework by using PCA and deep learning for website phishing classification

An example of online identity theft is phishing. Phishers utilize social engineering to obtain victims' financial account information and personal digital identity information. Social engineering scams utilize phony emails to deceive unsuspecting victims into visiting bogus websites that ask for financial information and is called as deceptive phishing attack (PA). Deep learning (DL) algorithms are constantly improving, for making it simpler to identify phishing websites and reducing human errors and minimizing detection times. The overall objective of this research was to achieve high accuracy (Acc) that would aid in spotting phishing websites. DL algorithms, branches of artificial intelligence (AI) are applied in this work to capture the inherent characteristics of the website and classify websites as phishing or non-phishing. The results show that the proposed CNN model achieved the highest Acc of 97.28%.

User privacy on IoT devices using deep learning

The use of Internet of Things (IoT) devices has been increasing rapidly and with it comes an increase in cyberattacks targeting these devices. One of the most harmful attacks in the IoT ecosystem is botnet-based attacks which are notoriously difficult to defend against. In recent years, many researchers have presented deep learning (DL) methods for identifying and categorizing botnet attacks (BA) in the IoT context. In this work, we propose an effective method for identifying BAs on IoT devices using the N-BaIoT dataset. We developed six models, including DL and hybrid models to identify two frequent and dangerous IoT threats, BASHLITE and Mirai. Our results demonstrate that Transformer model can accurately and efficiently detect botnet-based assaults from a variety of IoT devices with a 99.48% accuracy (Acc) level which outperforms other existing models in the literature. Our study contributes to the growing body of research aimed at developing efficient and accurate methods for detecting botnet-based attacks on IoT devices. The proposed method has significant implications for the security of IoT devices and can help to mitigate the harmful effects of BAs in the IoT ecosystem.

An approach in melanoma skin cancer segmentation with bat optimization algorithm

The evolution of computer methodologies, in tandem with rapid technological growth, has brought forth an array of applications in the medical field. Among them, the application of automatic image analysis in medical diagnosis and therapy is notably prominent. The modern era witnesses a significant shift in medical practices, largely influenced by the developments in the realm of medical image processing. This shift is steering the medical community towards the automatic detection of a myriad of traits, changes, diseases, and degenerative conditions, particularly through skin scans. Skin, being the largest organ of the body, often mirrors a host of internal diseases. It manifests various anomalies which when scrutinized can offer insights into underlying conditions. Modern skin image analyses capitalize on image processing techniques, catering to the identification and monitoring of disorders evidenced by alterations in skin structure. Among skin anomalies, melanoma, a type of skin cancer, remains a primary concern. Accurate detection of melanoma can facilitate early intervention, potentially saving lives. Yet, one of the prevalent challenges faced during melanoma image analysis is the accurate delineation of the cancerous region from the background. Such demarcation errors can critically affect the precision of diagnosis. The focus of many contemporary researches has been on this very challenge: finding the optimal boundary that accurately segregates the melanoma region from the rest of the image. This boundary detection issue is pervasive and has been a persistent hurdle in many scholarly endeavors. Our thesis, therefore, zeroes in on this pivotal challenge with an aim to achieve remarkable accuracy in the boundaries of melanoma skin cancer images. To address this, we explored the potential of the Bat Optimization algorithm, an innovative approach to optimization problems. While the Bat Optimization method has been applied in various other domains, its utilization for melanoma skin cancer detection remains uncharted. Leveraging the attributes of this algorithm, our study sought to determine the most fitting threshold value for melanoma skin cancer segmentation. This optimization led us to discern the most accurate area representing the cancerous section, paving the way for better diagnostic precision. Our study's methodology involved feeding melanoma images into the system, which employed the Bat Optimization algorithm to iteratively find the best threshold values. By doing so, the system was able to segment the image into potential melanoma regions and background. This approach allowed for a more nuanced and precise detection of melanoma regions, reducing the probability of false positives and negatives, which are commonly encountered when using traditional image segmentation techniques. For the purpose of result validation and to gauge the efficacy of our methodology, we employed a range of evaluation metrics. These included accuracy, sensitivity, specificity, Dice coefficient, and F1 Score. The results obtained were promising, with an accuracy of 99.8%, showcasing the prowess of our method. Sensitivity and specificity, which measure the true positive rate and true negative rate respectively, were obtained as 98.99% and 98.87%. The Dice coefficient, which measures the similarity between the predicted segmentation and the actual segmentation, stood at 98.45%. The F1 Score, representing the harmonic mean of precision and recall, was at an impressive 98.24%.

Document classification using improved word embeddings

In this study, one of our primary objectives is to develop a trained model capable of classification using deep learning techniques for prediction. Neural networks, especially in the realm of natural language processing, have demonstrated impressive results, notably in document classification. Researchers have focused extensively on classification prediction. Convolutional network models, recurrent networks, and other embedding mechanisms are employed where texts are extracted (embedded) from documents either at the sentence or word level. Historically, the Word2Vec model was utilized in natural language processing to extract words based on context. This was later augmented with Long Short-Term Memory (LSTM) networks. The use of N-gram properties, in context with the text and associations between words, has proven to enhance prediction accuracy in classification tasks. Previous studies have primarily based document classification on visual methods or formats, perhaps concentrating on titles and abstracts. However, this article posits that classification should be anchored in word inclusion. Utilizing a dataset comprised of 47,000 texts and topics, we employ word embeddings to determine document themes. These embedded words — vast textual content — are sorted into seven primary categories, serving as foundational classes in our dataset. This data then trains deep learning models designed for document classification (both for training and testing). Once trained, this model can autonomously classify documents based on embedded words and texts. Our approach begins by extracting words from the dataset's texts. Subsequently, two models are constructed using Word2Vec. The words undergo lemmatization, reverting to their original form. Superfluous elements, such as symbols and punctuation, are purged to ensure the text remains pure, concentrating solely on semantically significant words. These cleansed word series are then used to train the two models, aiming to establish correlations between words. Both models strive to construct associations based on word sequences within the text. The first model assigns vectors to words based on context and endeavors to predict context via these words. In contrast, the second model hinges on the interrelationships between words and predicts specific words based on classification, yielding a relational concept termed "Neighbor word". Finally, we employ a deep learning model rooted in Long Short-Term Memory (LSTM). This is buttressed by the relationships deduced from the two Word2Vec models. Evaluations between them are conducted to ascertain which offers superior performance in predictive classification

Yapay zekâ yöntemleriyle soru hazırlama platformu oluşturulması

Eğitime verilen önemin gün geçtikçe artması ve teknolojinin sürekli gelişmesi ile eğitim öğretim alanında teknolojik çalışmalar ve çözümler yaygın olarak kullanılmaktadır. Eğitim öğretimin başarıya ulaşıp olaşmadığını tespit edebilmek için ölçme değerlendirmeye ihtiyaç vardır. Bu çalışma ölçme değerlendirme süreçlerinde en çok tercih edilen soru sorma yöntemini daha hızlı ve kullanışlı hale getrimeyi, sorularda tutarlılık sağlamayı ve özgün bir soru havuzu elde etmeyi amaçlamaktadır. Bu amaçla, eğitim teknolojileri alanında bir yenilik olarak, öğretmen ve yönetici yetkili kullanıcılara yönelik, gelişmiş bir eğitim içerik yönetim sistemi üzerine odaklanarak üç farklı soru oluşturma aracını içeren çevrimiçi bir platform geliştrilmiş, www.askquestiontool.com adresinde yayınlanmıştır. Platform, yönetici kullanıcılarına kullanıcı ekleme, ders ve konu tanımlama, soru ve anahtar kelime ekleme, anket oluşturma gibi işlevler sunmaktadır. Bu süreç, eğitim materyallerinin organize edilmesini ve kolay erişilebilir olmasını sağlamaktadır. Öğretmen tanımlı kullanıcılar ise, kendi uzmanlık alanlarına göre ders ve konu seçimi yaparak, üç farklı soru oluşturma aracını kullanabilmektedirler. "Soru Oluşturma Aracı -1 (Question Tool-1)" , klasik soru hazırlama yöntemini kullanarak öğretmenlere, çevrimiçi platformda sorular yazma imkânı tanırken, önceden hazırlanmış soruları da gözden geçirme şansı sunmaktadır. "Soru Oluşturma Aracı -2 (Question Tool-2)", ile kullanıcı sistem tarafından önerilen soru kalıpları ve anahtar kelimeleri seçerek soru oluşturur, bu araç süreci hızlandırır ve tutarlı soruların oluşturulmasına olanak tanır. "Soru Oluşturma Aracı -3 (Question Tool-3)" ise, yazılan kelimeye göre sistem tarafından önerilen, daha önce sorulmuş veya sorulabilecek soruları listeler, kullanıcı bu önerilerden birini seçebilir veya yeni bir soru yazabilir. Soru ve anahtar kelime listelemesinde öncelik sırası belirleme işlemi için "case-based reasoning" yaklaşımından yararlanılmıştır. Bu platform, eğitim materyallerinin geliştirilmesi ve özelleştirilmesi sürecini modernize ederek, eğitim kalitesini artırmayı amaçlamakta ve kullanıcılara esnek ve hızlı bir kullanım sunmaktadır.

Solar power harvesting design for wireless communication based wireless sensor networks application

This study conducted a thorough exploration of the efficiency of different maximum power point tracking algorithms within photovoltaic energy harvesting-based wireless sensor networks, with a specific focus on how these algorithms respond to environmental factors such as temperature and solar irradiance. Among the various algorithms evaluated, the Particle Swarm Optimization (PSO) algorithm stood out due to its exceptional performance. It exhibited a notably low overshoot of 14.8 volts and 25 mA at 0.1 seconds. Comparatively, the Perturb and Observe (PO) algorithm displayed a slightly higher overshoot of 15 volts and 25.5 mA. The Incremental Conductance (IC) and Fuzzy Logic (FL) algorithms both showed even higher overshoots, reaching 15.3 volts and 27 mA within the same timeframe. In the critical area of output power, the PSO algorithm again emerged as the most efficient, with the IC and FL algorithms following behind, and the PO method demonstrating the weakest performance. Furthermore, the study uncovered that environmental conditions, specifically temperature and solar irradiance, significantly influence the charging process of wireless sensor batteries. These factors have a profound effect on the charging efficiency and rate, which in turn impacts the overall performance and lifespan of the batteries in wireless sensor networks. The study recommends the use of the PSO algorithm for optimizing WSN battery charging processes due to its efficiency, adaptability, and responsiveness to changing conditions. However, for limited computational resources, alternative algorithms like IC or FL can be considered. The study also emphasizes the importance of incorporating environmental variables like temperature and solar irradiance into the battery charging optimization strategy to enhance charging efficiency, improve battery longevity, and enhance overall performance in WSN systems. Despite its computational complexity, PSO offers significant improvements over the basic P&O method. The selection of batteries that can endure a range of weather conditions is essential, especially considering the impact that extreme temperatures can have on battery performance. This research provides valuable insights that can contribute to enhancing the robustness, sustainability, and reliability of wireless sensor network systems, enabling them to operate effectively even in challenging environmental conditions. It offers a comprehensive evaluation of various MPPT algorithms used in photovoltaic energy harvesting-based wireless sensor networks, assessing their performance across different environmental scenarios using MATLAB 2021b.

Noise removal from the image using convolutional neural networks-based denoising auto encoder

The increasing use of digital cameras and imaging devices has led to a surge in daily images, increasing the demand for high-quality images in fields like medical imaging and surveillance. However, noise poses a significant challenge in image processing and analysis, as it degrades image quality and disrupts the preservation of essential features like edges, corners, and textures. Traditional denoising techniques struggle to balance these challenges. In response to this challenge, this thesis introduces a novel approach to image denoising, utilizing a denoising autoencoder based on convolutional neural networks (CNNs). The core objective of this research is to develop a method that effectively reduces noise in digital images while preserving key features. This is achieved through a two-step process involving an autoencoder and a CNN. The initial phase of this process involves categorizing input images into training and testing datasets. This categorization is crucial for the subsequent training and evaluation phases of the model. The training phase employs a denoising autoencoder, a variant of the traditional autoencoder specifically designed for noise reduction. This autoencoder learns to reconstruct noise-free images from their noisy counterparts. The success of this phase is contingent upon the autoencoder's ability to capture the essential features of the images while discarding the noise. Following the autoencoder's training, the denoised images are then fed into a convolutional neural network. The CNN, renowned for its effectiveness in image recognition and processing tasks, further refines the denoised images. It does this by learning hierarchical representations of the data, enabling the extraction of more sophisticated features. The training of the CNN is a critical step in enhancing the overall quality of the denoised images. The testing phase involves evaluating the performance of the proposed system using the test dataset. This phase is pivotal in determining the efficacy of the model in real-world scenarios. The evaluation metrics employed are the Root Mean Square Error (RMSE) and the Peak Signal-to-Noise Ratio (PSNR), both standard in assessing image quality. To facilitate a comprehensive evaluation, the MATLAB programming language was used due to its extensive support for image processing and neural network functionalities. The experiments were conducted on two distinct datasets: the COVID-19 Radiography Database and the SIIM Medical Images Dataset. These datasets were chosen for their relevance in medical imaging, a field where the quality of images is critical. The results of the evaluation demonstrate the superiority of the proposed method over the baseline techniques. On the COVID-19 Radiography (CXR) dataset, the proposed method achieved an 8% improvement in PSNR and a 53% reduction in RMSE compared to the baseline method. Similarly, on the CT Medical dataset, the proposed method outperformed the baseline by 5% in terms of PSNR. These results are indicative of the method's efficacy in not only reducing noise but also in enhancing the overall image quality. One of the key strengths of the proposed approach is its versatility. While the research focused on medical imaging, the method is applicable to a wide range of domains where image quality is critical. Furthermore, the two-step process of using an autoencoder followed by a CNN provides a robust framework for denoising. The autoencoder effectively reduces noise while the CNN enhances the image features, resulting in a synergistic effect that significantly improves the quality of the images. Finally, this thesis presents a novel and effective approach to image denoising, leveraging the strengths of denoising autoencoders and convolutional neural networks. This research contributes significantly to the field of image processing, offering a promising solution to the ever-present challenge of noise in digital images.

Analysis of cancer dataset with statistical learning

Cancer continues to pose a significant global health challenge, underscoring the criticality of early and accurate diagnosis for enhancing treatment outcomes and patient well-being. The classification of cancer types assumes a pivotal role in tailoring treatment plans, minimizing unnecessary procedures, and optimizing therapeutic success. This thesis presents an extensive analysis of statistical learning algorithms and machine learning (ML) algorithms on breast cancer, lung cancer, and prostate cancer datasets. The primary objective was to evaluate the algorithms' performance in distinguishing between benign and malignant samples across diverse cancer types. To ensure robust and reliable results, a comprehensive steps of preprocessing techniques was implemented, encompassing data cleaning to address null values and duplicate records, data scaling for feature normalization, random over-sampling to tackle class imbalance, and an 80:20 data splitting ratio for training and testing. Additionally, cross-validation was employed to assess model generalization and robustness. The paramount importance of accurately diagnosing cancer types lies in its potential to significantly impact patient outcomes and guide treatment strategies. The results showcased impressive accuracies ranging from 95.8% using ridge logistic regression to 97.2% using lasso logistic regression for breast cancer. Similarly, ML algorithms, such as Decision Tree, SVM, Random Forest, and XGBoost, achieved accuracies between 93% using random forest to 98.6% using XGBoost for breast cancer. Additionally, lung cancer statistical learning algorithms demonstrated accuracies between 93.75% using Ridge regression to 96.87% using Lasso regression, while ML algorithms achieved accuracies from 95.83% using Decision tree to 98.95% using Random forest. For prostate cancer, statistical learning algorithms achieved accuracies between 74.11% using ElasticNet regression to 77.64% using Lasso regression, and ML algorithms achieved accuracies ranging from 63.53% using Decision tree to 75.29% using SVM. These findings underscore the effectiveness of both statistical learning and ML algorithms in cancer classification, affirming their potential applicability in real-world scenarios to advance cancer detection and diagnosis.

Derin öğrenme algoritmalarını kullanarak kumaş kusurlarının tespiti ve sınıflandırılması

Tekstil sektörünün en önemli ham maddesi olan kumaşın üretimi birçok aşamadan meydana gelmektedir. Bu üretim aşamalarının fazlalığı ve karmaşıklığından dolayı kumaşlarda bazı hatalar meydana gelebilmektedir. Hataların tespit edilmesinde; sektörün pazar payının büyüklüğü ve üretimin çok hızlı olmasının nedeniyle insan kontrolü ile tespit etmek hem zaman kaybına hem de hata tespit oranının %60 seviyelerine kadar düşmesine neden olmaktadır. Bundan dolayı son yıllarda teknolojinin gelişmesiyle paralel kumaşların hata tespitinde daha çok akıllı sistemler geliştirilmeye başlanmıştır. Günümüzde yapay zekâ teknolojisinin hızla gelişmesiyle bu sektörde de görüntü işleme teknikleri uygulamalar başlamıştır. Bu çalışmada derin öğrenme teknikleri kullanarak kumaş üzerinde gerçek zamanlı hata tespit sistemi geliştirilmiştir. Veri seti olarak halka açık sunulan Tilda veri seti ve kendi oluşturduğumuz veri seti kullanılmıştır. Yapılan çalışmada ilk olarak açık kaynaklı bir sinir ağı kütüphanesi olan Evrişimsel Sinir Ağı (CNN) ile bir ağ modeli oluşturulmuş ve bu yöntemle %89 doğruluk elde edilmiştir. Çalışmayı daha iyi hale getirmek için kumaşları hatalı ve hatasız başlığı altında iki sınıfta sınıflandırıp önceden eğitilmiş CNN modellerinden olan VGGNet16 mimarisi ile %86, IneptionV3 mimarisi ile %90 oranında doğruluğa ulaşılmıştır. ResNet50 yaklaşık %95 doğruluk oranıyla diğer modellere göre çok daha iyi bir model yapısına sahip olduğunu ispatlamıştır. Bu sayede kumaş hataları daha tutarlı bir şekilde bulunabilir.

Derin öğrenme yöntemiyle mağaza yorumları üzerinden duygu analizi: Amazon örneği

Günümüzde e-ticaret ve modern lojistik hızla gelişmektedir. Bu internet çağının ayırt edici özelliklerinden biri, daha fazla insanın alışveriş tercihlerini e-ticaret platformu aracılığıyla çevrimiçi ürün satın almaya çevirmesidir. Ancak online alışveriş sadece sanal ürünlerde gezinmeye izin verdiği ve ürünün fiziksel olarak görülmediği için ürün açıklaması ile ürünler arasındaki tutarsızlıktan dolayı birçok sorun ortaya çıkmaktadır. Ürünün açıklamalarıyla eşleştiğinden emin olmak açısından müşteriler ürün incelemelerini önemli bir referans olarak kullanır. Bu nedenle ürün incelemeleri ürünleri değerlendirmek için temel bir indeks olmalıdır. Bu çalışma hem metinsel yorumları hem de birden beşe kadar değişen yıldız derecelendirmelerini kapsayan Amazon ürün incelemelerine odaklanan bir vaka çalışması sunmaktadır. Metinsel yorumlarla verilen oylamalar arasındaki tutarlılığı değerlendirmekte olup bu zorluğun üstesinden gelmek için Destek Vektör Makinesi, Karar Ağacı (DT)ve K-En Yakın Komşu gibi bir dizi klasik algoritmanın yanı sıra popüler derin öğrenme Uzun Kısa Süreli Bellek (LSTM) teknikleri de ele alınmaktadır. Bu çalışma, modellerin performanslarının karşılaştırılması ile derin öğrenme modelinin gizli katman sayısına bağlı olarak doğruluk eğiliminin incelenmesi gibi çeşitli model karşılaştırmalarını kapsamaktadır. Çalışmanın ön işleme bölümünde veri seti eğitim, doğrulama ve test olmak üzere üç bölüme ayrılmıştır. Çalışmanın sonucu ise LSTM modelinin %98 gibi etkileyici bir oranla en yüksek doğruluk oranına ulaştığını gösterirken DT modeli %77.8 ile en düşük doğruluk oranını sergilemiştir.

Breast cancer detection with machine learning algorithms

Breast cancer, a predominant health crisis, notably stands as the second-highest cause of female mortality worldwide. Despite being one of the most common malignancies affecting women, it also poses a significant public health concern due to its complexity and high prevalence rate. Characterized by the unrestrained proliferation of breast cells, this condition affects both genders, albeit with a higher incidence in women, underlining its status as a pivotal global health issue. This study addresses the critical challenge of early breast cancer detection, a vital factor influencing survival rates. Traditional detection methods, including clinical breast examinations, mammography, and MRI, have limitations, particularly in terms of timeliness and early identification. To overcome these hurdles, our research introduces an innovative approach using machine learning, with a specific focus on ensemble methods. These methods are renowned for their capacity to enhance accuracy and efficacy in diagnostic procedures. The core of this study is the development and implementation of a neural network-based model. In this study, two datasets have been used first is the WBCD and the second is BRCA. This model demonstrates remarkable performance, outshining traditional methods with a striking accuracy rate of 98.18% for WBCD and 99.20% for BRCA. Such a high level of precision not only showcases the potential of machine learning in medical diagnostics but also emphasizes the necessity of integrating advanced technologies in healthcare practices. Finally, the findings of this research highlight the indispensable role of Information and Communication Technology (ICT) in healthcare, particularly in managing the vast volumes of medical data. The utilization of machine learning, especially ensemble methods, in breast cancer detection, presents a significant advancement, paving the way for more accurate, timely, and effective diagnosis and treatment strategies. This study not only contributes to the ongoing efforts in combating breast cancer but also sets a new benchmark in the application of technology in medical diagnostics.

Cryptocurrency analysis using machine learning approaches

Cryptocurrency is (CRYPTO) popularity and commercial acceptance are pivotal in reshaping the financial system. The allure of potentially high returns has especially piqued the interest of investors in CRYPTO trading. To maximize returns on Bitcoin (BTC) investments, precise price prediction (PP) becomes indispensable. Since CRYPTO PP is inherently a time series task, utilising Deep Learning (DL) models is highly advisable. In this context, our study delves into a comprehensive assessment of different DL models, focusing primarily on Artificial and Convolutional Neural Networks, to predict daily BTC prices (BP). Our initial dataset was sourced from Kaggle, a premier hub for data science endeavours. To ensure consistency during preprocessing, we employed the min-max scaler technique. Alongside the DL models, our analysis also encompassed a spectrum of Machine Learning (ML) models such as, Decision Tree Regression (DT), Linear Regression (LR), Random Forest Regression (RF), and others. This was to offer a holistic comparison across various predictive methodologies. To gauge the predictive prowess of these models, we employed key regression metrics like mean absolute error (MAE), root mean square error (RMSE), and correlation coefficient (R). It's essential to note that a lower RMSE signifies better model performance, indicating reduced prediction errors. In our results, CNN emerged as the top contender among DL models with an RMSE of 0.0543, MAE of 0.0324, and an R-value of 0.960, underscoring its exemplary capability in forecasting BP. In our evaluation of traditional ML models, the RF model showed remarkable performance with an RMSE of 0.0561 and an MAE of 0.0246. Per previous discussions, a lower RMSE value indicates better predictive accuracy, making the RF model highly effective in this context. Despite this, it's noteworthy that the RF model's performance was slightly inferior to that of the CNN model, especially regarding RMSE. Additionally, while the R2 value for the RF model was 0.958287, indicating a solid fit to the data; the correlation coefficient (R-value) was not specified for this or other ML models. Including the R value could provide a more nuanced understanding of each model's performance and should be considered in future evaluations.

Ray yüzey kusurlarının görüntü işleme ve yapay zeka yöntemleri kullanılarak tespiti ve sınıflandırılması

Demiryolları buharlı motorun icadıyla başlayıp günümüzde yüksek hızlı trenlere evrimleşmiştir. İlk gününden bugüne lokomotifler ve vagonlar demir raylar üzerinde hareket etmiştir. Demiryolu araçları için raylar kritik öneme sahiptir. Ray yüzeylerinde zamanla kusurlar oluşmaktadır. Bunlar demiryolu araçları kaynaklı ya da üretim kaynaklı olabilmektedir. Çalışmamızda ray yüzeylerinde oluşan kusurlardan ezilme (squat) ve soğuk yaralanma (bruising) kusurlarının sınıflandırması yapılmıştır. TCDD Demiryolları Araştırma Merkezi Müdürlüğü'nden alınan görüntüler kullanılarak üç veri seti hazırlanmıştır. İlk veri setimizde (VS-1) 447 görüntü bulunmaktadır. İkinci veri setinde (VS-2) VS-1 üzerine CLAHE filtresi uygulanmış halidir. Üçüncü veri seti (VS-3) VS-2 üzerinde veri artırımı yapılarak elde edilmiştir. Sınıflandırma için kendi hazırladığımız model ve öğrenim aktarım modellerinden VGG-16, ResNet50 ve DenseNet121 kullanılmıştır. Modeller tüm veri setlerinde eğitilmiştir. VS-1 VGG-16 modelinde %80 doğruluk elde edilmiştir. VS-2 ile DenseNet121 modelinde %95 doğruluk elde edilmiştir. VS-3 ile ResNet50 modelinde %95 doğruluk elde edilmiştir. Veri setinde bulunan örneklerin ön işlemden geçirilmesi ve veri artırımı yapılmasının olumlu etkileri olmuştur.

Derin öğrenme yöntemlerini kullanarak X-ray görüntüleri üzerinden farklı implant türlerinin sınıflandırılması

Bu çalışma, X-ray görüntüleri üzerinde farklı implant türlerini sınıflandırmak için derin öğrenme modellerinin kullanılması üzerine odaklanmaktadır. Açık veri kaynaklarından elde edilen 597 görüntüden oluşan 4 sınıflı omuz implant veri seti ile 2376 adet görüntüden oluşan diş implant veri seti kullanılarak gerçekleştirilmiştir. Bu sınıflandırma işlemi, InceptionResNetV2, ResNet152V2, Xception ve DenseNet201 gibi derin öğrenme modelleri kullanılarak gerçekleştirilmiştir. Model eğitimi için Adam ve RMSprop algoritmaları ve farklı öğrenme oranları seçilmiştir. Ayrıca, veri setlerinde veri artırma ve CLAHE filtresi uygulanarak, modelin performansı artırılmaya çalışılmıştır. Bu tekniklerin uygulanmasıyla elde edilen sonuçlara bakıldığında her iki veri setinde de Xception modeli en iyi başarımı göstermiştir. Omuz implant veri setinde modelin test doğruluk değeri 0,85, F1-skoru 0,85 ve AUC değeri 0,95 iken diş implant veri setinde test doğruluk değeri 0,90, F1-skoru 0,91 ve AUC değeri 0,97 ulaşmıştır. Bu araştırma, x-ray görüntüleri üzerinde farklı implant türlerini sınıflandırmak için derin öğrenme modellerinin kullanılabilirliğini ve etkinliğini vurgulamaktadır. Elde edilen sonuçlar, bu teknolojilerin klinik uygulamalarda potansiyel olarak değerli bir rehber olabileceğini göstermektedir. Veri artırma ve CLAHE filtresi uygulanması, modelin performansını artırmaktadır.

Göz hastalıklarının görüntü işleme ve derin öğrenme yöntemleriyle otomatik tespiti

Bilgisayar sistemleri günden güne gelişerek hayatımızın hemen her alanına girmektedir. Geliştirilen donanım ve yazılımların çeşitlenmesi, sağlık alanında da yenilikler getirmekte ve bu alanda kullanımların artmasına yol açmaktadır. Yapay Zekâ uygulamaları ile tıbbi gelişmelerin her geçen gün arttığı günümüzde göz hastalıklarının tespitinde de farklı sistemler geliştirilmektedir. Doktorlar çeşitli görüntüleme yöntemleri ile elde ettikleri hasta verilerine bakarak uzmanlık alanlarındaki bilgi ve tecrübelerini kullanarak yüksek başarıyla tanı koymakta ve tedaviye başlamaktadır. Bu teşhis ve tanı koyma aşamasında zaman zaman insani hatalar ortaya çıkabilmektedir. Günümüzde giderek artan hasta sayısı, göz hastalıklarının tespitinde doktorların iş yükünü artırmakta ve teşhis koyma sürelerini uzatmaktadır. Kaybedilen bu süre, söz konusu insan sağlığı olduğunda oldukça kritik olabilmektedir. Kısa sayılabilecek zaman kazanımları geri dönüşü olmayan hastalıkların önlenmesini sağlayabilmektedir. Bu nedenle bu alanda geliştirilecek sistemler hem zaman kazanımı sağlayabilecek hem de insani hata ihtimalini ortadan kaldıracaktır. Ortaya konulan çalışmada Ocular Disease Intelligent Recognition (ODIR) veri setinde mevcut 3358 adet fundus görüntüsü üzerinde Yapay Zekâ uygulamalarının alt dallarından Derin Öğrenme metodu kullanılmıştır. Veri setinde bulunan görüntüler Normal (N), Diyabet (D), Glokom (G), Katarakt (C), Yaşa Bağlı Makula Dejenerasyonu (A), Hipertansiyon (H), Patolojik Miyopi (M) ve Diğer Hastalıklar/Anormallikler (O) olmak üzere 8 dalda kategorize edilmiştir. Yöntemde, bu sınıflandırmalar yapılırken karar verebilmek için pek çok ön eğitimli model kullanılmış olup en başarılıları VGG16, ResNet50, ConvNeXtBase ve EfficienNetB0 olarak öne çıkmıştır. Elde edilen sonuçlar, çalışmada önerilen yöntemin veri setinde bulunan 10.000'den fazla kaydı %93,46 gibi bir doğruluk oranıyla sınıflandırabildiğini göstermektedir.

A deep learning approach for load demand forecasting of power system

This study presents a deep learning methodology tailored for the precise forecasting of power system load demands, a critical component in the management and planning of electrical grids. The focus of our thesis lies in comparing the performance of several regression models, including both traditional machine learning algorithms and a deep learning model, specifically a Long Short-Term Memory (LSTM) network. The performances of models were evaluated based on various metrics, namely Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and for all except the LSTM model, the Root Mean Absolute Error (RMAE) and losses. Our findings reveal that the LSTM model significantly outperforms traditional regression techniques, achieving an MAE of 2.1351 and an MSE of 3.8831, metrics that are substantially lower than those recorded for the other models. This highlights the LSTM's superior ability in handling the complexity and variability inherent in power load demand forecasting. This study underscores the potential of deep learning, particularly LSTM networks, in enhancing the accuracy and reliability of power load demand forecasting. Such advancements are vital for optimizing the operation and efficiency of power systems, facilitating better energy management, and contributing to the overall stability of electrical grids.

Derin öğrenme yöntemleri ile kemik kırıklarının x-ray görüntüleri üzerinden otomatik tespiti

Bu tez, röntgen görüntülerinden kemik kırıklarını tespit etmek için özelleştirilmiş beş gelişmiş evrişimli sinir ağı (CNN) mimarisi üzerine detaylı bir karşılaştırmalı analiz sunmaktadır. Özellikle, bu çalışma Xception-FracAtlas, VGG16-FracAtlas, ResNet50-FracAtlas, InceptionV3-FracAtlas ve EfficientNetv2b2-FracAtlas performanslarını, Kırık ve Kırıksız olarak belirgin şekilde kategorize edilmiş bir veri seti kullanarak incelemektedir. Bu modeller, kesinlik, hatırlatma, F1-puanı, genel doğruluk ve çıkarım süresi gibi metrikler üzerinden değerlendirilerek, tıbbi görüntü analizindeki yetenekleri ve sınırlılıkları hakkında bütünsel bir görünüm sunmaktadır. EfficientNetv2b2-FracAtlas, çoklu metriklerde olağanüstü performans sergileyerek üstün model olarak öne çıkmıştır. Özellikle, %94.91 ile en yüksek doğruluk oranına ve Kırık durumlarını belirlemede güçlü kesinlik gösteren etkileyici bir F1-puanına ulaşmıştır. Ayrıca, 25.83 milisaniye ile en hızlı çıkarım süresini ve %80 eğitim ve %20 test değerleri ile 0.95 en yüksek ROC değerini kaydetmiştir. Bu sonuçlar, klinik ortamlarda kritik bir gereksinim olan gerçek zamanlı, doğru tıbbi teşhis potansiyelini vurgulamaktadır. Diğer modeller de umut verici sonuçlar göstermişken, tüm metriklerde uniform bir performans sergilemediler. Örneğin, VGG16-FracAtlas, Kırıksız durumlar için hatırlatma oranında başarılı olmuş ve hızlı çıkarım süreleri göstermiş fakat benzer doğruluk oranlarına veya F1-puanlarına ulaşamamıştır. Benzer şekilde, Xception-FracAtlas ve ResNet50-FracAtlas belirli metriklerde yetkinlik göstermiş ancak EfficientNetv2b2-FracAtlas tarafından sergilenen her yönüyle etkinliği sağlamada yetersiz kalmışlardır. EfficientNetv2b2-FracAtlas'ı klinik iş akışlarına entegre ederek, sağlık hizmet sağlayıcıları kemik kırığı tespitindeki hızı ve doğruluğu artırabilir, yanlış teşhis oranını azaltabilir ve daha hızlı tedavi tepkilerini kolaylaştırabilir. Ayrıca, bu çalışma CNN mimarilerini daha da optimize etmek için süregelen araştırmaları teşvik etmektedir. Son olarak, bu tez, tıbbi görüntülemede derin öğrenmenin dönüştürücü potansiyelini vurgulamakta ve klinik ortamlarda daha fazla benimsenmesi için zemin hazırlamaktadır. Bu, hasta bakımı ve tedavi sonuçlarında önemli ilerlemeler vaat etmektedir.

Derin öğrenme metotlarıyla eğitimde devam devamsızlık durumlarının yüz tespit sistemiyle kontrol edilmesi

Gelişen teknoloji ile birlikte bilgisayarların donanımsal olarak çok güçlenmesi, işlemcilerin işlem yapabilme kapasitelerinin artması, günümüzde anlık ve gerçek zamanlı olarak alınan görüntülerin işlenmesini kolaylaştırmıştır. Yüz tanıma işlemleri de görüntü işleme alanındaki çalışmalardandır. Yüz tanıma işlemleri güvenlik uygulamalarında ve ticari amaçlı uygulamalarda sıklıkla kullanılmaktadır. Özellikle son 20 yılda yapay zekâ (YZ) çalışmalarının göstermiş olduğu yüksek başarımlar, bu çalışmalarının pek çok farklı alana yayılmasına katkı sağlamıştır. Eğitim alanı da bunlardan biridir. Eğitimde YZ kullanmanın potansiyelleri ve avantajları; öğrenci, öğretmen ve kurum olmak üzere üç başlık altında toplanabilir. Kurumsal çalışmalardan bir tanesi de eğitim öğretim ortamlarının güvenliği ve eğitim öğretim süreçlerine otomasyon katkısı konuları olabilir. Buradan yola çıkarak bu çalışmada YZ alanının alt dallarından biri olan derin öğrenme yöntemleri kullanılmıştır. Derin öğrenme algoritmaları fazla miktarda veriye ve zamana ihtiyaç duyduğundan transfer öğrenimi önerilir. Transfer öğrenmesi, yüksek performans sağlayan derin öğrenme yönteminin, tasarımcının probleminin çözümüne aktarılması işlemidir. Bu tez çalışmasında transfer öğrenmesi için düşük kaynaklı cihazlarda kullanışlı dlib kütüphanesi kullanılmıştır. Görüntülerden nesne tespiti için görüntü işleme algoritmaları kullanılarak kameradan alınan görüntüler ile öğrencilerin eğitim kurumuna giriş kayıtlarının tutulması ve sınıf yoklamalarının gerçekleştirilmesi için bir öncü çalışma tasarlanmış ve başarıyla uygulanmıştır.

Makine öğrenmesi ile BİLSEM'de öğrenci başarısını tahmin etme

Bu tez, Türkiye'deki üstün yetenekli öğrencilerin belirlenmesi süreçlerinde makine öğrenmesi algoritmalarının kullanımını ve etkilerini incelemektedir. Çankırı ve Ankara'daki Bilim ve Sanat Merkezleri (BİLSEM) tablet uygulamasının birinci aşamasını geçen öğrencilerin verileri kullanılarak öznitelik seçimi ve model eğitimi yapılmıştır. Bu sayede uygulamada başarılı olacak öğrencilerin tahmin edilmesi sağlanmıştır. Kullanılan 19 öznitelik seçimi ve 12 tane model eğitim algoritması arasında en çok Variance Thereshold öznitelik seçimi algoritması ile birlikte RadialSVM model geliştirme algoritması 0.67 başarı oranı ile uygulamadaki başarılı öğrencilerinin tahminini yapmıştır. Bulgular, bu algoritmaların öğrenci başarılarını tahmin etmede yüksek doğruluk oranlarına sahip olduğunu göstermektedir. Öğrencilerin bireysel başarıları, ailelerin sosyo-ekonomik durumu, ebeveynlerin eğitim düzeyi ve okulun fiziksel koşulları gibi faktörlerin öğrenci başarıları üzerinde önemli bir etkisi olduğu tespit edilmiştir. Böylece, BİLSEM seçim sürecinde kullanılabilecek yeni bir karar destek sistemi önerilmiştir. Önerilen sistem, öğrenci verilerinin analizi ve modelleme süreçlerinde doğruluğu artırarak seçim sürecinin daha objektif ve adil yürütülmesini sağlamaktadır. Bu sayede, üstün yetenekli öğrencilerin erken yaşta tespit edilmesi ve uygun eğitim programlarına yönlendirilmesi mümkün olacaktır.

Pankreas hastalıklarım tahmin etmek için makine öğreniminsı tabanlı bir yaklaşım

Bu çalışma, pankreatit ve pankreas kanseri dahil olmak üzere pankreatik bozuklukların erken teşhisindeki kritik zorluğu, tanı doğruluğunu artırmayı amaçlayan bir topluluk makine öğrenme modeli oluşturarak ele almaktadır. Mevcut tanı yöntemlerinin sınırlılıklarını kabul ederek, ileri düzey makine öğrenme tekniklerinden yararlanmaya odaklandık. Çalışma, ANOVA, Ki-Kare, Genetik Algoritmalar, Yapay Arı Kolonisi ve Parçacık Sürü Optimizasyonu gibi çeşitli özellik seçimi yöntemlerini kullanarak Pankreas Kanseri için İdrar Biyomarkerleri veri setinin oluşturulması ve ön işlenmesini içeriyordu. Lojistik Regresyonun meta öğrenici olarak kullanıldığı ve temel modellerin (Karar Ağacı, Rastgele Orman ve Destek Vektör Makinesi) güçlü yönlerini birleştiren Süper Öğrenici modelimiz, %99,1 doğruluk ile olağanüstü performans sergiledi. Süper Öğrenici modelinin üstün performansı, model doğruluğunu ve genellenebilirliğini artırmak için topluluk yaklaşımlarının gerekliliğini vurgulamaktadır. Özellikle Parçacık Sürü Optimizasyonu (PSO) olmak üzere özellik seçimi yöntemlerinin entegrasyonu, veri kalitesini daha da iyileştirerek Süper Öğrenici modelinin etkinliğini artırdı. Bu bulgulara dayanarak, özellikle PSO olmak üzere gelişmiş özellik seçimi tekniklerine öncelik verilmesini ve öngörü modellerini iyileştirmek için topluluk öğrenme yöntemlerinden yararlanılmasını öneriyoruz. Gelecekteki araştırmalar, daha çeşitli biyomarkerleri ve daha büyük veri setlerini içermelidir ve geliştirilen modellerin klinik olarak geçerli olmasını sağlamak için makine öğrenme uzmanları ve tıp profesyonelleri arasındaki işbirliği gereklidir. Gerçek dünya koşullarında devam eden doğrulama, bu modellerin iyileştirilmesi ve erken teşhisteki etkinliklerinin onaylanması için çok önemlidir, nihayetinde hasta sonuçlarını iyileştirecektir.

Doğal dil işleme tabanlı akıllı üniversite asistanı geliştirme: Bilgetekin chatbot

Bu tez çalışması, Çankırı Karatekin Üniversitesi öğrencilerinin ve çalışanlarının bilgiye erişimini kolaylaştırmak ve hızlandırmak amacıyla bir chatbot (akıllı üniversite asistanı) sistemi geliştirmeyi hedeflemektedir. Çalışma kapsamında, öncelikli olarak kural tabanlı bir soru-cevap botu yaklaşımı olan RASA NLU çerçevesi kullanılarak bir dil prototipi oluşturulmuştur. Ancak, bu yaklaşımda karşılaşılan sınırlılıklar sonrası büyük dil modelleri (LLM) ve Retrieval Augmented Generation (RAG) tekniği kullanılarak karma ve çoklu model tabanlı bir yaklaşıma geçilmiştir. Bu süreçte, her iki sistemin mimarisi, veri toplama ve işleme süreçleri, eğitim detayları, performans metrikleri ve kullanıcı deneyimi testleri kapsamlı bir şekilde sunulmuştur. Geliştirilen "BilgeTekin Chatbot", Türkçe dilinde ve Çankırı Karatekin Üniversitesi özelinde etkili ve kullanışlı bir diyalog sistemi oluşturmayı amaçlamakta, farklı chatbot geliştirme yaklaşımlarının avantajlarını ve dezavantajlarını ortaya koymaktadır. Türkçe dilinin sondan eklemeli yapısı, zengin morfolojik özellikleri ve bağlamsal anlamda karmaşık olması nedeniyle genel amaçlı NLP modellerinin doğrudan uygulanmasını zorlaştırmaktadır. Bu zorluklar karşısında, Türkçe dili için özelleştirilmiş doğal dil işleme modelleri ve yaklaşımlarının gerekliliği vurgunlanmıştır. Bu tez çalışmasında, Türkçe dili için uyarlanmış RASA tabanlı bir model ile LLM-RAG tabanlı bir model geliştirilmiş ve karşılaştırmalı olarak değerlendirme yapılmıştır. Elde edilen sonuçlar, LLM-RAG yaklaşımının cevap doğruluğu ve kullanıcı memnuniyeti açısından kural tabanlı yaklaşıma göre belirgin iyileşme sağladığını göstermektedir. Son bölümde, çalışmanın özgün değerleri tartışılmış ve gelecekteki çalışmalar için öneriler sunulmuştur.

Özellik mühendisliği teknikleri ve makine öğrenimi kullanarak petrol ve gaz anomalilerinin tespiti

Petrol ve gaz sistemlerindeki anomaliler, basınçta ani değişiklikler, sıcaklık değişiklikleri, petrol veya gaz akışındaki dengesizlikler veya normal çalışma koşullarını bozan vanalardaki arızalar gibi sistemin anormal çalışma değişiklikleri olarak tanımlanır. Bu anomaliler, ekipman hasarı, üretim sürecinde kesinti, güvenlik riski ve pahalı çevre kazaları gibi ciddi sonuçlara neden olabileceğinden erken tespit edilmesi çok önemlidir. IIoT altyapısını kullanarak çok sayıda çok değişkenli sensör verisini besleyen modern petrol sahalarının ortaya çıkmasıyla manuel izleme pratik olmaktan çıkmış ve akıllı otomatik algılama yöntemlerinin uygulanması gerekmiştir. Bu tez, gelişmiş özellik mühendisliği tekniklerine ve ML ile istatistiksel öğrenme modellerinin bir kombinasyonuna dayanan petrol ve gaz operasyonları için kapsamlı bir anomali algılama çerçevesi sunmaktadır. Normal ve arızalı çalışma koşullarında 42 petrol kuyusunun çok değişkenli zaman serisini içeren, kamuya açık 3W Veri Seti 2.0.0'ı kullanan tez; sensör gürültüsü, doğrusal olmayan çalışma rejimleri, sınıf dengesizliği ve modellerin yorumlanabilirliğinin azalması gibi önemli endüstriyel sorunları ele almaktadır. Altı makine öğrenimi algoritması (XGBoost, Rastgele Orman, SVC, K-En Yakın Komşular, Karar Ağacı ve Lojistik Regresyon) ile üç istatistiksel öğrenme modeli (Lasso, Ridge ve ElasticNet Lojistik Regresyon), titiz bir ön işleme süreci (veri temizleme, zamansal segmentasyon ve istatistiksel ve zamansal tanımlayıcıların çıkarılması: ortalama, standart sapma, RMS, enerji, IQR, çarpıklık, basıklık ve sıfır geçişleri) sonrasında test edilmiştir. Model sağlamlığı; temiz veriler, gürültülü veriler ve Optuna aracılığıyla hiperparametre optimizasyonu uygulanmış gürültülü veriler olmak üzere üç deney koşulunda değerlendirilmiştir. Sonuçlar, özellikle XGBoost ve Rastgele Orman olmak üzere topluluk yaklaşımlarının tüm koşullarda daha yüksek doğruluk, geri çağırma ve MCC gösterdiğini; XGBoost'un ise %99,93 accuracy ve %99,87 recall oranına ulaşacak şekilde ayarlandığını göstermektedir. Gürültü enjeksiyonu, bazı basit doğrusal modellerin oldukça savunmasız olduğunu ortaya koymuş ve Optuna ayarlaması model kararlılığını önemli ölçüde artırmıştır.

Derin öğrenme ve boyut indirgeme destekli makine öğrenmesi yöntemleriyle böbrek tümörü tespiti

Bu tez, böbrek tümörlerinin BT görüntülerinden hızlı ve doğru biçimde saptanması için derin öğrenme ve boyut indirgeme destekli makine öğrenmesi tabanlı bir yaklaşım önermektedir. Çalışmada iki büyük ve kapsamlı BT veri seti (V1, V2) ön işlenmiş, Gri Düzey Birlikte Oluşum Matrisi (GLCM) ile doku özellikleri çıkarılmış ve T-SNE ile iki boyuta indirgenmiştir. Elde edilen düşük boyutlu öznitelikler üzerinde KNN, Bagging Ağaçlar, Karar Ağacı, İnce Gauss SVM ve üç katmanlı Yapay Sinir Ağı eğitilmiştir. Karşılaştırma amacıyla AlexNet, EfficientNet-B0, Darknet-53, Xception ve DenseNet-201 ile derin öğrenme deneyleri yürütülmüştür. Sonuçlar, DenseNet-201'ün 0,0001 öğrenme oranında %99,75 doğruluğa ulaştığını; önerilen kademeli GLCM+T-SNE yaklaşımının ise çok daha küçük model boyutu ve yüksek tahmin hızıyla KNN'de V1 için %99,65, V2 için %99,98 doğruluk sağladığını göstermektedir. T-SNE kullanımı, yalnızca GLCM'e göre benzer doğrulukla anlamlı hız ve bellek kazanımları sunmuştur. Önerilen yöntem, düşük sistem gereksinimleri, gerçek zamanlı kullanım potansiyeli ve veri kümesi bağımsız sağlam performansıyla klinik karar destek süreçlerini güçlendirmektedir. Gelecek çalışmalar, farklı modaliteler, transfer öğrenmesi ve açıklanabilir yapay zekâ teknikleriyle yöntemin genellenebilirliğini ve yorumlanabilirliğini artırmayı hedeflemektedir. Değerlendirme doğruluk, kesinlik, duyarlılık, F1 ve özgüllük metrikleriyle, karışıklık matrisleri üzerinden yapılmış; hiperparametreler ızgara aramasıyla seçilmiştir. Model boyutu ve tahmin hızındaki iyileşmeler, sınırlı belleğe sahip uç cihazlarda dağıtımı kolaylaştırmakta ve güvenilirliğini artırmaktadır.

Tarım sektöründe yapay zeka uygulamaları

Günümüzde tarım sektörü, artan dünya nüfusu, azalan tarım arazileri ve iklim değişikliğinin etkileri nedeniyle, verimliliği yükselten yenilikçi yaklaşımlara ihtiyaç duymaktadır. Akıllı tarım, ileri teknolojilerin bütünleştirilmesiyle bu tarımsal süreçleri optimize eden modern bir çözüm sunmaktadır. Sensörler, yapay zekâ, görüntü işleme algoritmaları ve robotik sistemler, tarımsal verimliliği artırmanın yanı sıra gıda güvenliğini sağlamada kritik roller üstlenmektedir. Özellikle buğday sınıflandırma, hem genetik çeşitliliğin korunması hem de çevresel koşullara uygun tarım uygulamalarının geliştirilmesi açısından stratejik bir öneme sahiptir. Bu çalışmada, buğday çeşitlerinin doğru ve hızlı sınıflandırılmasını sağlamak amacıyla çeşitli derin öğrenme modellerinin performansı detaylı bir şekilde analiz edilmiştir. Kullanılan modeller arasında VGG19, InceptionV3, ResNet50, Xception, ResNet101, EfficientNetB5 ve EfficientNetB7 bulunmaktadır. Eğitim test doğruluk oranları sırasıyla %96,44, %97,48, %95,77, %94,92, %95,59, %97,61 ve %95,42'dir. Elde edilen bulgular, EfficientNetB5 (%97,61) ve InceptionV3 (%97,48) modellerinin buğday sınıflandırma performansı açısından diğer modellere kıyasla daha üstün olduğunu ortaya koymuştur. Bu başarı, EfficientNetB5 mimarisinin optimize edilmiş parametre yapısı ve düşük hesaplama maliyetleri ile daha iyi bir performans sağladığını göstermektedir. Bunun yanında, InceptionV3 modelinin karmaşık buğday desenlerini tanımlamadaki üstünlüğü, modelin tarımsal görüntü işleme alanında etkin bir şekilde kullanılabileceğini kanıtlamaktadır. Ayrıca bu iki en başarılı modeli birleştirerek oluşturulan bir Topluluk Öğrenme modelinin (%98,2) diğer tüm modellere göre daha başarılı sonuçlar verdiği tespit edilmiştir. Özellikle tarımsal görüntülerin boyutu ve çeşitliliği, modellerin performansı üzerinde belirleyici bir etken olmuştur. Sonuçlar, doğru buğday sınıflandırmasının, tarımsal üretim süreçlerinde kaynak kullanımını optimize ederek ekonomik kayıpları minimize edebileceğini ve uluslararası standartlara uygun tarım ürünlerinin ticaretine katkı sağlayabileceğini ortaya koymaktadır. Bu çalışma, tarımsal sınıflandırma süreçlerine yapay zekâ tabanlı çözümler sunarak, akıllı tarım uygulamalarının etkinliğini artırmayı amaçlamaktadır.

Zararlı yazılım saldırılarının öznitelik seçimi kullanılarak yapay zeka tabanlı tespiti ve analizi

Gününüzde siber güvenlik saldır yöntem ve tehditleri giderek karmaşıklaşan yapıları ve gelişen saldırı teknikleriyle küresel ölçekte büyük bir sorun haline gelmiştir. Güncel tehditlerin en önemlilerinden olan zararlı yazılımların sürekli olarak kendilerini yenilemesi ve saldırı tekniklerinin gelişmesi, geleneksel güvenlik yöntemlerinin yetersizliğini ortaya koymaktadır. Bu tez çalışması, yapay zekâ ve makine öğrenimi tekniklerinin zararlı yazılımların tespit ve analiz süreçlerindeki etkinliğini artırarak, siber tehditlere daha hızlı ve etkili bir müdahale sağlama kapasitesine odaklanmaktadır. Tez kapsamında, zararlı yazılım türleri ve saldırı vektörlerini içeren kapsamlı bir veri seti oluşturulmuş ve bu veri seti, verilerin ön işleme adımlarıyla temizlenerek analiz için uygun hale getirilmiştir. Makine öğrenmesi sürecinde karar ağaçları, random forest, k-en yakın komşu (k-NN) ve yapay sinir ağları (Neural Network) gibi farklı algoritmalar kullanılmış, öznitelik seçimi ve optimizasyon teknikleri uygulanarak model performansları karşılaştırılmıştır. Veri seti, test ve analiz olmak üzere iki gruba ayrılarak modelin değerlendirilmesi sağlanmıştır. En iyi performansı gösteren model, derinlemesine incelenmiş ve elde edilen analiz sonuçları üzerinde tartışılmıştır.

Road segmentation in satellite images using deep learning

We demonstrate several approaches for dealing with road segmentation problems. Some rely on the encoder-decoder method, some on the Generative Adversarial Network (GAN) technique, and others on a fully convolutional network. The approaches utilizing Encoder- Decoder and GAN seem to have promise. Due to the great performance of Encoder-Decoder Deep Convolutional Neural Networks in many segmentation problems. Our aim is to apply all recent model architectures that use the DCEP network as a primary base model on two open-source data sets DeepGlope, and Massachusetts. We choose the most common encoder-decoder models that proved great performance for different data sets of image segmentation. We choose Unet, FPN, PSPNet, Unet++, PAN, LinkNet, DeepLab- v3, DeepLab-v3+, and MA-Net for our experiments and we give a brief comparison based on the result. We show the results for each model we use, both with and without the bilateral filter, and we show how the IOU (Intersection Over Union) and Dice loss of the results for all models on the Massachusetts data set are very similar. In an effort to improve model performance, we also use different data augmentation parameters, however, the results are the same for this data set. The Unet model has an excellent IOU for the DeepGlobe data set, scoring 95.46% accuracy.

Human identification using palm print images based on deep learning methods and gray wolf optimization algorithm

In this thesis, we used palm print images for human identification. This thesis contains four steps. First, the features of the palm print images are extracted by pretrained network that uses the deep learned network. Thre pretrained networks such as Googlenet squesse net and Alexnet are used to extract the features from the images. Then the best features were selected by using the Gray-Wolf optimization method. In the third step, these features are used in the nearest neighborhood method for recognition of the dataset to be used in the test data. Finally, we evaluated the results with recognition rate that calculated the percentage of the recognitions of the mistake index and correct index from the dataset. The aim of this thesis is to use the Gray-Wolf Optimization method and deep learning to get high recognition rate. In this study we used two famous dataset such as Polytechnic Hong Kong university dataset and Tongji Contactless datasets, the recognition rate for the different methods is evaliated and tested. We are showing that the proposed method has a very high performance in the recognition rate than other different methods such as principle compomnent analysis, Local binary pattern and laplacian of gaussian gabor transform. The recognition rate from the proposed method we obtain 96.72.

Deep learning neural network based on the PSO for leukemia cell disease diagnosis from microscope images

Leukemia is a cancer of blood tissues, including the bone marrow and the lymphatic system. White blood cells (WBCs) are affected by leukemia, causing the bone marrow to produce an excessive amount of abnormal, and immature WBCs, which do not function properly and circulate through the body. Leukemia is one of the most difficult diagnoses to make that uses image features extracted from a microscope. In this thesis, deep learning neural networks based on optimization methods have used for leukemia cell disease diagnosis from microscope images. First, two powerful Convolutional Neural Networks (CNNs) architectures with pre-trained on ImageNet have used to extract features from leukemia images, which are: Deep Residual Networks (ResNet-50) and GoogLeNet. Then, Particle Swarm Optimization (PSO) and Ant Colony Optimization (ACO) have used to select the effective features to achieve the most accurate and fastest prediction that will be obtained by using different of machine learning algorithms which are: Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), and Decision Tree (DT). The obtained results were as follows: 100%, 100%, and 89.7% for SVM, K-NN, and DT, respectively.

Melanoma skin cancer detection based on deep learning methods and binary Harris Hawk optimization

In this thesis, we present a robust method for skin melanoma cancer detection as melanoma and non-melanoma. The proposed method for the melanoma skin cancer divided into three steps. The convolutional neural network is used to extract the features of the images in the first step. For convolutional neural network the googLeNet and residual network are used. The extracted features are huge and for training of the system these number of features cannot be successful, for this reason in second step the metaheuristic method is used to reduce the number of features. In this study the Harris hawks optimization is used to select the best features from the feature data. Finally, with machine learning methods the melanoma skin cancer was diagnosed. Three classification methods are employed to assess of the proposed method. These methods were decision tree, support vector machine, and KNN method. The data that we used, obtained from the GitHub and Kaggle database. Finally, we compared the proposed classification method results with other methods and we show that our results have good performance than the other methods. The code was implemented on ISIC 2016, ISIC 2017 and ISIC 2019 database with MATLAB 2021a.

Üç performans analizi fotovoltaiksistemlerin faz paralel invertör

Unified model for fingerprinting code applications

The enormous popularity of digital contents contains unlicensed and illegal activities which are involved in different perspectives. Despite several efforts are made toward an illegal copy and redistribution (legal and technical), still the problems exist with growing use of digital application such as storing and distribution of contents, the problem is becoming more worrisome. Attaching a unique invisible marking to every unit of object, is viable trading with problems of unauthorized copying, that is if an illegal copy is released elsewhere, it is going to be practical to find the original owner of the object (traitor). This phenomenon of enforcement, in a copyright protection, is what is referred to as fingerprint code. Dealing with code, for fingerprinting in digital contents, in the context of several users combining (colluding) to create a new, unauthorized copy (pirate). Theoretical bounds on the performance in the code are realized, with general methods of theoretically observe whether certain users are involved in the illegal activity (copy and redistribution) is presented, through checkmate items. In this paper, we have introduces collusion–secure fingerprinting code have been similar to construction by aggeloss and serdar; but attain a shorter code in length, faster accusation by splitting the group of users in to partitions and allow for code over arbitrary alphabets, and asymmetric fingerprinting scheme out of symmetric scheme from the early idea work of tardos in his fingerprinting code.

Semi-supervised feature selection using mean absolute deviation

High-dimensional datasets can cause problems to learning steps (Ex. Classification or Clustering). Feature reduction helps in reducing the number of a feature in datasets and in turn, makes the learning steps algorithms perform faster and yield better results than using the whole features in a dataset. Also using the semi-supervised information to an unsupervised feature selection algorithm has shown to have yield better result. The thesis looks into the Mean Absolute Deviation (MAD) which uses unsupervised information and try to use the semi-supervised learning information to make improvements. The method used in this thesis is named Mean Absolute Deviation New (MADN). The new method has been shown to be an improvement over MAD method on face datasets and to be comparative to sparse datasets.

A fast and accurate skew detection algorithm

Skew detection of digital documents is one of the important preprocessing steps of document layout analysis and optical character recognition, because it affects the quality and speed of these algorithms. In literature, there is a variety of algorithms and studies. Three of these algorithms are popular, namely i) projection profile, ii) Hough transform and iii) nearest neighbor clustering. In this thesis, we propose a novel fast and accurate skew detection method. The proposed method forms rectangular blocks and uses the centroids of blocks to estimate the skew angle. Unlike other methods, the output of the proposed algorithm is a deskewed document. In other words, no additional skew correction step is required. Moreover, it is independent of the script used in the document. Having a wide range of scan interval is another advantage of the proposed method over other methods. Tests made on 180 open access images give us promising results in terms of speed and accuracy. In comparison with the most popular methods, beyond being the fastest, the proposed algorithm gives the second most accurate results

Traffic signaling control at highway intersections using morphological image processing technique

Nowadays, the result of growing population in intercity areas vehicle traffic congestions become an important issue to be solved. For the solution of this problem various methods and techniques have been suggested in many recent studies. Any preventive measure to ease traffic flow along the roads is valuable to save time and fuel wastage, and also reducing CO and CO2 emissions. In this thesis, we attempt to implement the morphological image processing technique on the images obtained from a simulated junction model. The comparisons of different images are made from the matching score results to decide green light signaling duration for each road of the junction. During implementation of the morphological image processing technique we focus on the individual effect of each operator to improve the accuracy of matching scores. Since we are basically interested in the area occupied by the vehicles, it is observed that ignoring edge detection operator does not produce any loss in the image quality, but rather increases the accuracy of image matching scores resulted from long vehicles, daylight and seasonal variations. The results indicate that data of matching scores for each road provides a successful decision for the green signaling duration at different daytime periods. The method suffers from vehicles having dark colors, since they are accounted as a part of the road. Suggested future work involves the implementation of the procedure for live traffic at a junction and eliminating the problem resulted from colored vehicles under different weather conditions.

Face feature selection using genetic algorithm under different biometric variations

In the current study face recognition under different biometric variations is investigated applying Principal Components Analysis (PCA). In order to improve the recognition performance Genetic Algorithm (GA) is selected. The algorithm follows optimized selection of PCA features based on GA operations on the datasets ORL, FERET and BANCA. The maximum recognition rate (MRR) results obtained with ORL and FERET databases are found to be close to the results of computed with WAVELET-PCA-GA-SVM method. Further the MRR results obtained for BANCA database is 100% as that of the computed with WAVELET-PCA-GA-SVM method for YALE and YALE-B databases. Generally PCA on GA is found to be effective in removing irrelevant data groups and therefore it improves the performance.

A survey on image illumination enhancement techniques and a new approach to assess the image illumination

Presently, digital images are used in many parts of the daily life and various fields of academic and scientific researches. These applications depend on the quality of the image obtained. Illumination enhancement is required for all the applications which are using digital images in some part, to make them work properly, also assessment of the illumination quality is, as important as the illumination enhancement for comparing images and having an idea about the proposed output of the academic research results in the field of digital image processing. Illumination problems has become a demanding matter in various applications of digital image processing. A relevant argument in the field of illumination enhancement is lack of a quantitative measurement method to assess the illumination of an image. A quantitative measurement that is demonstrating the illumination case (contrast level, brightness etc.) of an image is proposed. Proposed new approach in this thesis, appropriates the input image's estimated Gaussian distribution and the Kullback-Leibler Divergence of the estimated Gaussian distribution and the expected Gaussian distribution for measurement and the calculations. In the results part, the experimental works show the influence and the accuracy of the proposed approach for the assessment of image illumination quality.

Low-power PIC-based sensor node device design and theoretical analysis of energy consumption in wireless sensor networks

Advancing technology has enabled the production of smaller more energy efficient and cheaper electronic components. Therefore, previously existing many computer and electronics science-engineering ideas have become feasible. One of them is the technology of wireless sensor networks. Wireless sensor networks have become the realization of the necessary technical requirements applicable today with low energy consumption. Moreover, other scientific studies have become made mandatory in the design of sensor networks such as communication algorithms, energy harvesting protocols and renewable energy technologies. In this thesis, I have studied the concept of sensor networks which has been made viable by the convergence of microelectronic systems technology, wireless communications, and digital electronics. First, the sensing tasks and the potential sensor networks applications have explored and a review of factors influencing the design of sensor networks have been provided. Then, the communication architecture for sensor network has been outlined. Besides, new hardware architecture has designed to make it possible for a single node to communicate with WLAN renewable energy resources have used in the nodes. I have been examined WSN in terms of the analytical and applied sciences. Theoretical analyzes have been supported by scientific applications. Studies have been conducted on wireless sensor networks based on the realization of low energy and maximum safety principle. After designed the wireless sensor network system; Energy consumption and network location behavior of wireless sensor nodes have ben tested and analyzed. The relationship between low energy consumption and sensor nodes are evaluated in detail. PIC-Based microcontrollers have used in the design of the sensor nodes. The design of the sensor nodes are supported with ultra-low power nano-watt technology for very low-cost design. Processing, memory, and wireless communication units have been integrated onto the sensor nodes. The designed sensor node's operating system has written with the PIC C language and PIC operating system has allowed different features such as measuring humidity, smoke, temperature and light sensitive. A computer software has developed with C# programming language so that data can be recorded and monitored from a central location. Decision-making unit has been created through the software algorithm and hardware modules for the implementation of decisions taken by the developed sensor nodes. Developed PIC-Based sensor nodes have supported a unique external PIC-Controlled voltage unit with renewable energy sources such as solar panel, rechargeable battery, and a supercapacitor for energy production and energy-saving. Developed wireless sensor network system can be used in industrial applications and daily life applications such as smart factories and smart homes. WSNs can be designed to be used in a wide range of applications. The results of this study are expected to be helpful for the development of WSN especially with renewable energy sources. Key Words: Wireless, Sensor, Energy, Consumption, PIC, Node, Develop, Design