33
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması
Günümüzde, derin öğrenme ağlarının kullanımı, birden fazla alandaki performansından ve sürekli gelişen yeteneklerinden yararlanmak için, günümüzde bu tür ağlara güveni artıran en önemli konulardan biridir. Ancak, klasik etkileşim derin öğrenme ağları ve kamera veya videoya dayalı sıradan görüntüler arasında belirgin olabilir. Bazı ciddi hastalıkların tespitinde çok fazla doğruluk gerektiğinden ve örneğin trafik gibi ihlallerin baş edilmesi ile ilgili kullanımlar doğru ve doğru olmayı gerektirdiğinden, iki boyutluluk bu alanda ilerlemek için gereken istek ve gelişmelerin gerisinde kalmaktadır. Tüm bunlar, sistemin sağlam bir şekilde görülmesi, iki boyutlu perspektifte olmayan faydaları nedeniyle üç boyutlu bir perspektifle temsil edilen görüntünün yeni ve doğru yüzü ile ele alınması için çalışmayı gerektirmiştir. Sinir ağını, tanımlama yeteneğinde daha fazla doğruluk ve performansta doğruluk sağlayan özelliklerle zenginleştirmek gerekmektedir. Tanıma alanında iki boyutlu görüntülerin sunduğu geniş seçeneklere rağmen, yine de istenen hedefe ulaşmakta yetersiz kalmaktadır ve bu, en son görüntü teknolojilerine güvenmek, bunları derin öğrenme yoluyla işlemek ve ele almak için sürekli gelişmeyi gerektirmektedir. Ağlar, derin öğrenme ağları, (kenarlar, çizgiler, eğriler, açılar, noktalar vb.) dahil olmak üzere temel bilgileri çıkarmak için çok sayıda 2B görüntüyü manipüle edebilen ağlardır. Konvolüsyonel sinir ağları, sırayla değişen ağırlıklara ve yer değiştirmelere sahip nöronlardan meydana gelmesi bakımından normal sinir ağlarına çok benzemektedir. Her nöron bazı girdi verilerini alır, standart ürünü hesaplar ve isteğe bağlı olarak doğrusal olmayan bir aktivasyon fonksiyonu kullanır. Ağın tamamı, daha önce olduğu gibi, tek ayırt edilebilir değerlendirme işlevidir: bir uçta ilk piksel kümesinden (görüntü), diğer uçta belirli bir sınıfa ait olma olasılık dağılımına kadar. Bu ağlar, son (tamamen bağlı) katmanda hala bir kayıp fonksiyonuna (örneğin, SVM/Softmax) sahiptir ve normal sinir ağlarıyla ilgili olarak verilen tüm tavsiyeler, evrişimli sinir ağlarıyla da ilgilidir. Evrişimli sinir ağlarının mimarisi, girdi verilerinin bazı özelliklerini, ağ mimarisinin kendisinde dikkate almamıza izin veren girdide açıkça görüntü edinmeyi içerir. Bu özellikler, doğrudan dağıtım işlevinin daha verimli uygulanmasına ve ağdaki toplam parametre sayısını önemli ölçüde azaltılmasına imkan tanır. Gerçekleştirilen bu araştırmada, 3D evrişimli sinir ağı olan 3DCNN'ye dayalı olarak derin öğrenme kapsamında tam bir 3B tıbbi görüntü tanıma modeli tasarlanarak uygulanmıştır. Sistemi meydana getirmek amacıyla, 3D görüntü veri seti "MosMedData" kullanılmıştır. Kullanılan veri setinde her gibi 12800 kısımdan oluşan ve 64 bölüm içeren 100 normal ve 100 anormal 3D görüntüden yararlanılmıştır. Kullanılan veri seti, %70 eğitim veri seti ve %30 doğrulama veri olmak üzere ayrıştırılmıştır. Önerilen derin öğrenme modelini oluşturmak için dört temel adım yer almaktadır. İlki, ön işleme aşaması, ardından veri çoğaltma süreci, ardından derin öğrenme modeli yapılandırması ve son aşama ise eğitim ve değerlendirme kısmından oluşmaktadır. Ön işleme adımı için, akciğer dokularını elde etmek için yeniden boyutlandırma, yeniden ölçeklendirme ve normalizasyon gibi birçok ön işleme işlemi kullanılmaktadır. İkinci adım, eğitimin sahte eğitim sorununu ortadan kaldırabilmesi için aynı görüntünün döndürülmüş, çevrilmiş ve kontrastı değiştirilmiş kopyalarını kullanarak eğitim görüntülerinin sayısını artırmak için uygulanan veri büyütme ve veri artırmadır. Karıştırma işlemi, eğitim örneğinin eğitim sürecine karıştırılma sırasına göre verilmesi için de uygulanmaktadır. Eğitim modeli için 3B CNN ağının değiştirilmiş bir versiyonu önerilmektedir. Tamamen bağlı katmanı küresel ortalama havuzlama katmanıyla değiştirerek ve son iki yoğun katman arasına bir bırakma katmanı ekleyerek mimari değiştirilmiştir. Deneyler, farklı eğitim dönemleri, farklı veri artırma durumları ve tüm 3D görüntülerin veya yalnızca akciğer dokularının kullanıldığı birçok senaryoda uygulanmaktadır. Gerçekleştirilen deneylerde, en iyi dönem 25 olduğunu ve en iyi durumun tüm akciğer 3D görüntüsünü kullanmak yerine sadece akciğer dokularını kullanmak olduğunu göstermektedir. Eğitim için %70 doğruluk ve %71 doğrulama doğruluğu elde ediyoruz. Gelecekteki çalışmalar için, 3D CNN mimarisi aşağıdaki özelliklerle değiştirilebilir: -Verileri daha iyi ölçeklendirmek için standardizasyon yöntemini uygulamak. -Resnet101 gibi transfer öğrenme yöntemini kullanarak verileri eğitmek veya InceptionV3 derin sinir ağları. -Verilerin artırılması.
Uluslararası patent veritabanları analizi ile Türkiye'nin bilişim teknolojileri alanındaki yerinin belirlenmesi
Bilgiye erişime olan ihtiyaç beraberinde teknolojinin gelişiminide hızlandırmıştır. Bilginin yeni teknolojileri tetiklemesi piyasadaki rakiplerin oluşmasını ve benzer ürünlerin bir başka rakip tarafından üretilmesine neden olmuştur. Bunu önlemek adına güçlü bir ürün koruması sağlamak adına fikri haklar ortaya çıkmıştır. Böylelikle yeni geliştirilen bir ürün için teknik yeniliklerin koruma altına alınarak buluşa ait hakların rakipler tarafından gasp ya da kullanımının lisans ile mümkün olabileceği bir sistemin gelişmesine neden olmuştur. Teknik korumanın başlatılabilmesi patent ofislerine başvuru yapılmasının ardından buluş sahibine bu hakkın tanınması sağlanmaktadır. Yıllar içerisinde artan patent başvuruları teknolojilerin sınıflandırma ihtiyacını doğurmuştur. Gelişen teknolojilere ayak uydurabilmek adına yapılan her bir patent başvurusunun ait olacağı bir patent sınıfının mutlaka patent ofisi tarafından belirlenip başvuruya tanımlanması gerekmektedir. Patent hakkı, buluşçu tarafından ortaya konan buluş konusu ürününün 3. Kişiler tarafından üretme ve kullanma hakkını engellemek adına kullanılan bir belge olarak hak sağlar. Günümüzde, hızla gelişen teknolojiler, iş dünyası, ekonomi ve toplumlar üzerinde büyük etkiler yaratmaktadır. Bu teknolojilerin ortaya çıkardığı inovasyonlar, yeni ürünlerin ve hizmetlerin geliştirilmesini sağlarken, aynı zamanda fikri mülkiyetin korunması da önemli bir konu haline gelmiştir. Patentler, buluşların korunması ve buluş sahiplerine ekonomik getiri sağlanması açısından önemli bir araç olarak kullanılmaktadır. Teknolojinin ve inovasyonun büyük bir süratle geliştiği günümüz dünyasında, patent dokümanları teknik bilgilerin depolandığı en önemli kaynakların başındadır. Bilindiği üzere patent hakkı teknik yönü bulunan yeniliklerin, yani buluşların sahiplerine belirli bir süre boyunca kanuni olarak sağlanan tekel hakkıdır. Patent sisteminin ekonomik ve teknolojik büyümede üstlendiği görev, her geçen gün daha büyük önem kazanmaktadır. Bu durum patent dokümanlarında yer alan teknik bilgilerin sürekli olarak genişlemesine vesile olmaktadır. Bu bilgilerin ulaşılabilir ve kullanılabilir olması birçok açıdan gelişmemizi ve ilerlememizi teşvik edecektir. Patent başvuruları her ülkenin kendi belirlemiş oldu fikri haklar kanunlarına göre şekil almaktadır. Avrupa Patent Ofisi (EPO), Dünya Fikri Mülkiyet Hakları Ofisi (WİPO) ve Türk Patent Ofisi (TÜRKPATENT) gibi pek çok uluslararası öneme sahip patent ofislerinin gelişen teknolojiler karşısında buluşların uygun sınıf kapsamında kategorize edilmesi adına patent sınıflandırma sistemini öne sürmüşlerdir. Bu sınıflar aracılığı ile patentlerin hangi teknoloji alanına dahil edileceği başvuru sonrası patent ofisleri tarafından karar verilip buluş sahipleri ile paylaşılmaktadır. Ancak, gelişen teknolojiler karşısında patent sınıflarının yetersizliği, ciddi bir sorun olarak ortaya çıkmaktadır. Patent sınıfları, buluşların belirli kategorilere ayrıldığı ve koruma kapsamını belirlediği sistemlerdir. Geleneksel patent sınıfları, yeni teknolojilerin, karmaşık buluşların veya dijital inovasyonların doğru bir şekilde sınıflandırılmasını zorlaştırabilir ve bu da patent korumasının etkinliğini azaltabilir. Bu nedenle, patent sınıflarının yetersizliği, farklı teknolojilerin korunmasında zorluklara neden olabilir ve inovasyonu engelleyebilir. Patent başvuru faktörleri, patent başvurularının kabul edilip edilmeyeceğini belirleyen standartlardır. Bu faktörleri, genellikle yenilik, sanayiye uygulanabilirlik, açıklanabilirlik, teknik etkinlik gibi faktörlere dayanır. Ancak, patent başvuru faktörleri, ülke, bölge veya sektöre göre farklılık gösterebilir ve başvuru sahipleri için karmaşık bir süreç olabilir. Ayrıca, hukuki düzenlemeler, teknolojik değişimler ve uluslararası patent sistemlerindeki farklılıklar, patent başvuru faktörlerini etkileyebilir. Aynı zamanda, patent başvuru faktörleri de buluşların patent edilebilirliğini belirlemek için kullanılan önemli bir faktördür. Bu faktörler, buluşların yenilikçi, sanayiye uygulanabilir ve açıklanabilir olması gibi standartlara dayanmaktadır. Ancak, patent başvuru faktörleri farklı ülkelerde farklılık gösterebilir ve patent sistemlerini etkileyebilir. Bu durum, uluslararası patent başvurularını etkileyebilir ve inovasyon süreçlerini karmaşık hale getirebilir. AHP yöntemi ile patent başvuru faktörlerinin incelenmesi, literatürdeki gerekçelere dayanmaktadır. Karmaşıklık ve belirsizlik, farklı ülkeler ve sektörler arasındaki farklılıklar, patent sistemlerinin geliştirilmesi ve politika yapıcılar ile araştırmacılar için rehberlik gibi faktörler, AHP yönteminin patent başvuru faktörlerinin analizinde değerli bir araç olarak kullanılmasını desteklemektedir. AHP yöntemi, karmaşıklığı azaltmak, farklılıkları belirlemek, sistemleri geliştirmek ve politika yapıcıları ile araştırmacıları yönlendirmek için kullanılabilir. Bu çalışma, gelişen teknolojiler karşısında patent sınıflarının yetersizliği ve AHP yöntemi ile patent başvuru faktörlerinin analizi ve patent başvuru faktörlerine etki eden faktörlerin G20 ülkeleri üzerindeki etkilerini Türkiye'deki etkileri çerçevesinde incelemiştir. Bu çalışma, patent sistemlerinin mevcut zorluklarını ve yetersizliklerini anlamak, inovasyonu desteklemek ve yeni teknolojilerin korunmasını güçlendirmek için önemlidir. Aynı zamanda, Analytic Hierarchy Process (AHP) yöntemi kullanarak patent başvurusuna etki eden sosyal ve ekonomik faktörlerin analizini yaparak, patent başvurularının kabul edilme süreçlerini daha anlaşılır ve etkili hale getirmeyi hedeflemektedir.
Makine öğrenmesi yöntemleriyle anormal içme suyu tüketimlerinin tespit edilmesi ve tahmin modellerinin geliştirilmesi
Bu çalışmada, içme suyu gibi önemli bir ihtiyacın hane halkı tarafından tüketiminde belirli bir düzen olabileceği gibi, farklı etkenlere bağlı olarak düzensiz tüketimin de olabileceği öngörülmektedir. Artan nüfus, sınırlı içme suyu kaynakları, gelişen alt yapı ve teknoloji, içme ve kullanma suyuna olan talebi artırmıştır. Bu talebi karşılamak için alternatif su kaynakları arayışları olsa da mevcut suların israf edilmemesi ve daha verimli kullanılmasıyla taleplerin karşılanabileceği öngörülmektedir. Yapay zekanın (AI) bir alt dalı olan makine öğrenmesi (ML) yöntemleriyle geçmiş dönemlerdeki içme suyu tüketim verileri analiz edilmiş, olağan ve olağan dışı tüketim davranış modelleri çıkarılmıştır. İçme suyu tüketimlerinde meydana gelebilecek anormal tüketimlerin tespit edilmesi ve abonelerin bu konuda bilgilendirilmesi ile hane içindeki tüketimlerin normal tüketim aralığı içinde kalmasının sağlanacağı öngörülmektedir. Günümüz bilişim dünyasında toplanan, kaydedilen ve işlenen veri miktarının önemli ölçüde artmasına rağmen, tam olarak analizlerinin zaman ve imkân açısından zor olduğu bilinmektedir. Bu çalışmada Kayseri ili genelinde 2006 – 2022 (ilk 6 ay) tarihleri arasında sayaç endeks okuması 160 dönemden fazla olan 8.224 adet mesken abonesine ait abone, sayaç, tüketim ve tarife verileri dikkate alınmıştır. Veriler konumsal olarak abone temelinde birleştirilmiş, 41 öznitelikli bir veri kümesi oluşturulmuştur. Hazırlanan veri kümesi; veri entegrasyonu, veri dönüştürme, gürültü tanımlama ve temizleme, tespit edilen kayıp değerleri tamamlama veya temizleme gibi veri ön işlemleri kullanılarak 24 özellikli bir verisetine dönüştürülmüştür. Temel istatistiksel değerler ve öznitelik seçimi yöntemleri kullanılarak içme suyu tüketimini etkileyen özniteliklerin her birinin puanları hesaplanmıştır. Özniteliklerin içme suyu tüketimini etkileyip etkilemediği, etkiliyorsa ne kadar etkilediği tespit edilmiştir. Öznitelik seçimlerinde amacı karşılamaya yeterli öznitelik adetinin tespiti açıklanan varyans kriteri (Variance Explained Criteria) oranı %90 alınarak belirlenmiştir. Böylece en az 6 en fazla 11 özniteliğin yeterli olacağı ve her öznitelik seçim yönteminde bu sayıda özniteliğin kalmasını sağlayacak eşik değerler belirlenmiştir. Aykırı değer tüketim tespit modellerinde kullanılacak en uygun alt veriseti ve tüketimi etkileyen özniteliklerin seçimi için bilgi kazancı (IG), kazanç oranı (GR), simetrik belirsizlik katsayısı (SU), pearson korelasyon katsayısı (r), f-skoru ve rastgele orman (RF) öznitelik seçim yöntemleri kullanılarak belirlenen eşik değerler üzerinden 6 farklı alt veriseti elde edilmiştir. Ayrıca en az 3 öznitelik seçim yöntemiyle seçilen özniteliklerden oluşan 7. alt veriseti elde edilmiştir. Her bir abone için sayaç sayısı, kullanıcı sayısı, tüketim ölçüm günleri, tüketim tutarları, fatura tutarları ve ödeme durumu verileri farklı olduğundan seçilen öznitelikler ve oluşan alt verisetleri de aboneye özel olarak elde edilmiştir. Her bir abone için veri önişlemleri yöntemleriyle en az 16 en fazla 24 öznitelikli alt verisetler elde edilmiştir. Bütün verisetler tukey aykırı değer etiketleme (TOL), izolasyon ormanı (IF), z-skor, copula-tabanlı aykırı değer tespiti (COPOD), medyan mutlak sapma (MAD), yerel aykırı değer faktörü (LOF) ve eliptik zarf (EE) olmak üzere 7 farklı ML anomali analizi yöntemi kullanılarak anormal ve normal içme suyu tüketimleri tespit edilmiştir. Anomali analizleri sonucunda her bir yöntem ile tespit edilen anormal tüketimler puanlanmış, 7 farklı anomali yönteminin puanları toplamı ile her bir anomali tüketim davranışının aykırılık puanı hesaplanmıştır. Aykırılık puanlarına göre bütün tüketim değerleri 4 farklı tüketim sınıfı (Normal, Dikkat, Riskli, Aşırı) ile etiketlenmiş, veriseti gözetimli hale getirilmiştir. Elde edilen gözetimli veriseti kullanılarak karar ağaçları (DT), gaussian naive bayes (NB), k-en yakın komşular (KNN), lojistik regresyon (LJR), çok katmanlı algılayıcı sinir ağı (MLP-NN), RF ve gradient boosting (GB) olmak üzere 7 farklı ML yöntemi ile de tüketim sınıf tahmin modelleri geliştirilmiştir. Ayrıca geliştirilen modeller Doğruluk, Duyarlılık, Kesinlik, Hassasiyet, Özgüllük, MAE ve MSE performans metrikleri ile karşılaştırılmış, her bir abone için geliştirilen anormal tüketim tespit modellerinden en yüksek Doğruluk oranındaki model en iyi model olarak belirlenmiştir. Anormal tüketim tespit modellerinden Doğruluk performansı aynı olanlar Duyarlılık ve Kesinlik oranlarına göre karşılaştırılmış, performansı yüksek olan tercih edilmiştir. Toplamda 921.088 adet model geliştirilmiş, bunlardan 16.077 adeti en iyi model olarak maksimum doğruluk performansı göstermiştir. Modellerin Doğruluk performans oranları en düşük %43, en yüksek %100 ve ortalama %85 olarak tespit edilmiş olup, EE yöntemiyle elde edilen modellerin çoğunlukla en iyi modeller olduğu, Z Skor ve LOF yöntemleri ile elde edilen modellerin çok düşük oranlarda maksimum Doğruluk sağladığı anlaşılmıştır. Çalışmada elde edilen tüketim sınıfı tahmin modellerinde ise Doğruluk performans metriği %90 ve üzeri olanlar en iyi model olarak tercih edilmiştir. Böylece örneklem olarak alınan 8.224 abonenin 7.150 tanesine (%86,94) ait alt verisetlerinden (V1, V2, V3, V4, V5, V6, V7), diğer 1.074 adet abonenin (%13,06) ise temel verisetinden (V0) en iyi tüketim sınıfı tahmin modellerinin elde edildiği görülmüştür. Her bir aboneye ait geliştirilen maksimum Doğruluk performanslı model en fazla oranda F-Skor öznitelik seçim yöntemi ile elde edilen V5 alt veriseti kullanılarak elde edilmiştir. Diğer alt verisetleri ile de birbirine yakın oranlarda başarılı sonuçlar elde edildiği anlaşılmıştır. Çalışma sonucunda anormal içme suyu tüketimlerinin ML yöntemleri ile tespit edilebileceği ve tüketim sınıflarının ML yöntemleriyle tahmin edilebileceği ispatlanmıştır. Ayrıca bireysel tüketim davranışlarını etkilemeye yönelik geri dönütler ile içme suyunun israf edilmeden daha verimli kullanılabileceği gösterilmiş, su yöneticilerinin yatırım planlamalarına ve yönetim yaklaşımlarına farklı bir bakış açısı sunulmuştur. Böylece çok yüksek taleplerin üstesinden gelinmesine, kayıp kaçak kullanım potansiyeli olan abonelerin tespit ve takip edilmesine, su tasarrufuna yönelik toplumsal bilincin arttırılmasına katkı sağlayabilecek bir model geliştirilmiştir.
Web kazıma ve makine öğrenmesi yöntemleri kullanılarak fiyat tahminleme: İkinci el araç piyasasında bir örnek
Teknolojinin gelişmesi ile birlikte günümüzde veri miktarı ve trafiği önemli ölçüde arttı. Dolayısıyla veriyi toplamak ve anlamlandırabilmek de oldukça önemli hale geldi. Ancak ihtiyaç duyulan veriler her zaman bir kaynakta toplanıp sunulmuyor olabilir. Bu nedenle web kazıma yöntemleri kullanılarak, ihtiyaç duyulan veriler ilgili kaynaklardan toplanabilmektedir. Bu çalışmada web kazıma teknikleri kullanılarak toplanan ikinci el araç satış verilerinin makine öğrenmesi algoritmaları kullanılarak analiz edilmesi ve fiyat tahminleme modeli oluşturulması hedeflenmiştir. Analiz için ihtiyaç duyulan veriler belirlenip Selenium ve BeautifulSoup kullanılarak toplanmıştır. Çalışmada kullanılmak üzere aynı özelliklere sahip, farklı sayıda veri içeren iki adet veri seti elde edilmiştir. Her iki veri seti de biri hedef değişken olmak üzere 25 özellikten oluşmaktadır. Veri seti 1, 5557 satır veri içerirken veri seti 2 ise 11688 satır veri içermektedir. İki veri seti de çeşitli veri ön işleme aşamalarından geçirilerek analize hazırlanmıştır. Toplanan veriler özellik seçimi ve boyut indirgeme için Lasso regresyon ve PCA analizi, hiperparametre ayarlaması yapmak için GridSearchCV yöntemi uygulanarak makine öğrenmesi algoritmaları ile değerlendirilmiştir. Lasso regresyon sonrası veri seti 1 için özellik sayısı 11'e indirgenirken veri seti 2 için 9'a indirgenmiştir. PCA analizi sonrası ise her iki veri seti için de özellik sayısı 7'ye indirgenmiştir. Analizde Rastgele Orman Regresyon, K-en Yakın Komşu Regresyon, Gradyan Artırma Regresyon, AdaBoost Regresyon, Destek Vektör Regresyon ve XGBoost Regresyon algoritmaları kullanılmıştır. Elde edilen analiz sonuçları Ortalama Kare Hata (MSE), Kök Ortalama Kare Hata (RMSE) ve Determinasyon Katsayısı (R2) ile birlikte değerlendirilmiştir. Veri seti 1 için sonuçlar incelendiğinde en iyi sonucu veren model 0.973 R2, 0.026 MSE ve 0.161 RMSE değerleri ile XGBoost Regresyon olmuştur. Bu modeli Gradyan Artırma Regresyon modeli takip etmektedir. Veri seti 2 için sonuçlar incelendiğinde ise en iyi sonucu veren model 0.978 R2, 0.021 MSE ve 0.145 RMSE değerleri ile K-en Yakın Komşu Regresyon olmuştur. Bu modeli XGBoost Regresyon modeli takip etmektedir. Analiz sonucunda her iki veri seti için de en kötü sonuçları veren algoritmanın AdaBoost Regresyon olduğu görülmüştür.
Flexigpt: Engaging with documents
In the rapidly evolving domain of AI, the emergence of LLMs has catalyzed a shift across various sectors, fundamentally reshaping the dynamics of digital interaction. Amidst this technological renaissance, our FlexiGPT emerges as a groundbreaking application, leveraging the full potential of these advancements. Designed as a CLI program, FlexiGPT serves as a bridge between users and their digital files, enabling a high level of interactive engagement. At the heart of FlexiGPT's innovation is its ability to download and integrate any LLM or embedding model from the Hugging Face platform. This feature empowers users to tap into a diverse array of the latest language models, ensuring they remain at the forefront of linguistic technology. The integration process is streamlined and user-friendly, making advanced AI tools accessible to a broader audience. FlexiGPT employs the RAG technique, a sophisticated approach that combines LLMs with advanced retrieval methods. This amalgamation allows the program to not only generate relevant responses but also to show the data sources that it used to answer the queries, enhancing the depth and accuracy of interactions.Users can query their digital files, receive insightful responses, and engage in a dialogue that was once the domain of science fiction. The flexibility of FlexiGPT extends beyond its model integration capabilities. Users can choose to load models in their full version for maximum performance or quantized forms and specialized formats like GPTQ or GGML, balancing performance with resource requirements. This adaptability makes FlexiGPT a versatile tool, suitable for various applications, from academic research to business analytics Another feature of FlexiGPT is its local execution capability. By running the program on local machines, users benefit from enhanced data privacy and security. This local approach also allows for faster response times and reduced reliance on cloud services, which is particularly advantageous in scenarios where internet connectivity is limited or unreliable. FlexiGPT's impact extends beyond its technical prowess. The application opens new avenues for how individuals and organizations interact with their digital data. From simplifying complex data analysis to enabling more natural and efficient file management, FlexiGPT stands as a testament to the practical applications of AI in everyday life. FlexiGPT represents a significant leap forward in the field of AI and digital interaction. By harnessing the power of the latest language models and embedding them within an accessible and versatile interface, FlexiGPT is not just a tool; it is a harbinger of a new era in digital communication and interaction. As technology continues to evolve, FlexiGPT is poised to adapt and grow, offering users an ever-expanding suite of capabilities to explore the full potential of AI-driven digital engagement.
Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi
Küresel bir ağ olan interneti her geçen gün daha çok insan bağlanıp kullanmaktadır. Artan kullanıcı sayısı ve uygulamalar ağ güvenliği açısından riskleri de içerlnde barındırmaktadır. Her ne kadar güvenlik duvarları izinsiz erişimleri engellese de özel ağ içerisindeki bir servis internet dünyasına açıldığında hem zararlı hem zararsız kullanıcılar tarafından ulaşılabilir olmaktadır. Burada güvenlik duvarları tarafından verilen izinlerden kaynaklanabilecek saldırıları tespit etmede saldırı tespit sistemleri başarı ile kullanılmaktadır. Ayrıca saldırı tespit sistemleri, artan yapay zeka uygulamaları ile birlikte matematiksel ve istatistiksel yöntemler kullanılarak, mevcut verilerden çıkarımlar yapan, bilinmeyenlere dair tahminlerde bulunan, makine öğrenmesi algoritmaları kullanılarak daha başarılı sonuçlar vermektedir. Bu çalışmada 2020 yılında Yazılım Tanımlı Ağlar için oluşturulmuş olan InSDN veri seti kullanılmıştır. Veri seti içerisinde web atak, DoS, DDoS, bilgi toplama, botnet, kullanıcı hesabının yönetici hesabına yükseltilmesi, kaba kuvvet saldırısı olmak üzere 7 farklı saldırı tipi ve normal trafik verileri bulunmaktadır. Kullanılan veri setini daha anlamlı hale getirmek için veri temizleme, veri dönüştürme, veri normalleştirme ve öznitelik seçim yöntemleri uygulanmıştır. Veri seti üzerindeki çalışmalarda Python ve kütüphaneleri kullanılmıştır. Veriyi daha anlamlı hale getirmek için Pandas, Numpy, Seaborn ve Matplotlib kütüphanelerinden faydalanılmıştır. Saldırı tespiti için kullanılan makine öğrenme algoritmalarında Sklearn ve derin öğretme algoritmalarında ise Keras kütüphanesiden yararlanılmıştır. Deneysel çalışmalar için veri işleme aşamalarından öznitelik seçimi için Ki-Kare, Spearmen, Karşılıklı bilgi, Kendall, Anova, Temel bileşen analizi ve sarmal yöntemlerden elde edilen özellikler Lojistik Regresyon, Karar Ağaçları, K En Yakın Komşu, AdaBoost, XGBoost, Rastgele Orman, Evrişimli Sinir Ağları, Tekrarlayan Sinir Ağları, Kısa Uzun Vadeli Bellek olmak üzere dokuz farklı makine öğrenmesi algoritması ile eğitilmiştir. Deneysel çalışma sırasında kullanılan özellik sayısı azaldıkça derin öğrenme algoritmalarının başarım oranının düştüğü gözlemlenmiştir. Farklı öznitelik seçim yöntemlerindeki özelliklerin kullanılarak eğitildiği bu çalışma da XGBoost algoritması başarım oranı ve diğer metrikler incelendiğinde en iyi performans elde edilen algoritma olduğu görülmüştür. Çalışma sonrasındaki deneysel çıktılar XGBoost algoritmasının InSDN veri seti üzerinde önerilen diğer yöntemlerden daha iyi başarım oranı elde ettiğini göstermektedir.
Çıkarımsal arapça metin özetleme: genetik algoritmalar ile öznitelik optimizasyonuna dayalı hibrit yaklaşım
Bu çalışmada, Arapça metinler için tek belgeli ve extractive tabanlı bir otomatik özetleme modeli geliştirilmiştir. Önerilen yöntem kapsamında cümleler; konum, uzunluk, anahtar kelime yoğunluğu, sayısal ifadelerin varlığı, cümleler arası benzerlik düzeyi, adlandırılmış varlıkların tespiti, Arapça–İngilizce karışık terimlerin bulunması ve TF–ISF yöntemiyle belirlenen terim önemi olmak üzere sekiz farklı istatistiksel ve anlamsal özellikle temsil edilmiştir. Bu özelliklerin ağırlıkları Random Search algoritması ile optimize edilmiş, ardından en uygun cümle kombinasyonlarının seçimi için Genetik Algoritma (GA) kullanılmıştır. Model, Essex Arabic Summaries Corpus (EASC) veri kümesi üzerinde test edilmiş ve ROUGE-1, ROUGE-2 ile ROUGE-L metrikleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, geliştirilen yöntemin bilgilendirici, bütünlüklü ve anlamsal açıdan zengin özetler üretebildiğini göstermektedir.
Sosyal mühendislikte komplo tabanlı içeriklerin yapay zekâ ile analizi
Teknolojinin gelişmesiyle birlikte yapay zekâ teknolojileri de hızlı ilerlemeler kaydetmiş ve insanlarının yaşamına önemli bir şekilde etkisini hissettirmeye başlamıştır. Teknolojinin gelişimi bireylerin günlük hayatını kolaylaştırmaya başladığı gibi bazı durumlarda da olumsuz ortamlar hazırlamaya başlamıştır. Dijital çağ kullanımının artmasıyla birlikte sosyal medya üzerinde toplumsal eğilimler ve bireylerin duygu durumları önemli bir hal almıştır. Bu tez çalışmasında ise sosyal medyada komplo teorilerinin yayılımının incelenmesi için yapay zekâ modellerinin kullanılarak tespiti üzerine çalışılmıştır. Sosyal medya metinlerinin otomatik olarak analiz edilerek bireylerin duygu durumlarının tespiti araştırılmıştır. Çalışma günümüz teknolojilerinde sosyal medya ortamlarında komplo teorileri ve sahte haberlerin tespiti ve dijital medya okuryazarlarındaki duygu analizi ile birlikte yarattığı psikolojik durumları ele alınarak incelenmiştir. Tezin veri seti Kaggle ortamından herkese açık olan Twitter, Facebook ve Instagram ortamları üzerinde etkileşimlerin metinleri üzerine incelenerek analiz edilmiştir. Çalışma sosyal medyanın duygu analizini pozitif, negatif ve nötr olarak ele alarak incelenmiştir. İnsanlar üzerinde sosyal medyanın yarattığı duygu durumlarının önemini göstermiştir. Çalışma gelecek çalışmalarda bütün sosyal ağlarda incelenmesi ve video, görsel çalışmalarında da yol gösterdiği için önem taşımaktadır. Çalışma Kaggle veri seti kullanılarak ilk aşamada veriler çeşitli ön işleme adımları ile işlenmiştir. Verilerin ön işlemesi ve temizlenmesi, anlamlandırılması gibi işlemleri yapılarak modelin eğitilmesi üzerine işlemlerden geçmiştir. Bu süreçte noktalama işaretleri temizleme, küçük harfe çevirme, duraklama kelimelerin çıkarılması, kök bulma gibi doğal dil işleme teknikleri kullanılmıştır. Verilerin bu yöntemlerle anlamlı bir yapıya dönüştürülmesi ile duygu analizi modellemesi aşamasına geçilmiştir. Çalışma kapsamında üç farklı makine öğrenmesi modeli kullanılarak performans incelemesi yapılmıştır. Naive bayes, LSTM (Long Short-Term Memory) ve BERT (Bidirectional Encoder Representations from Transformers). Her model belirli çerçeveler kapsamında eğitilmiş ve duygu sınıflandırılması görevinde test edilmiştir. Elden edilen sonuçlarda BERT modelinin duygu analizine göre en yüksek sonuçları yansıttığı görülmüştür. Model performansları, F1-Score,Precision ve Recall gibi ölçütlerle değerlendirilmiştir. Analiz sonuçları kapsamında BERT modelinin tercih edildiği bireyler üzerinde etkilerinin önem arz ettiği ve komplo teorileri karşısında duygu analiz etiketlerinin F1-Score, Recall ve Precision değerleri hesaplanarak başarı oranları anlaşılmıştır. Ayrıca bu modelin özellikle komplo teorileri gibi hassas içeriklerde kullanıcı tepkilerini daha doğru sınıflandırabildiği gözlemlenmiştir. Bu sonuçlar neticesinde veri toplama ve veri ön işleme süreçlerinden sonra modellerin etkileri ve duygu durum analizleri sonuçlarına ulaşılmıştır. Modelleme ve performans değerlendirme adımları ile sosyal medya içeriklerinin duygu analizinden ve ve bu analizlerin toplumsal eğilimlerin incelenmesinde etkili olduğu izlenmiştir. Dijital medya okur yazarlarının psikolojik etkileri göz önünde bulundurularak dijital medya okur yazarlığın yaygınlaştırılmaıs, sosyal medya algoritmik sorumlulukları, Yapay zeka tabanlı eğitimlerin geliştirilmesi gibi önerilerde bulunmuştur. Böylece dijital medya okuryazarların sosyal medyadaki duygu durumlarının sağlıklı anlaşılması, sosyal medya platformlarında güvenli hale getirilmesi ve toplumsa farkındalığın arttırılması hedeflenmiştir. Teknik analizle birlikte aynı zamanda dijital toplumun dinamikleri de boyutlar kapsamında değerlendirilmiştir.
Ağ tabanlı saldırı tespit sistemlerinde topluluk öğrenme yöntemlerinin karşılaştırmalı performans analizi
Teknolojinin gelişmesine paralel olarak internet kullanımı büyük bir artış göstermektedir. İnternetin bu denli yaygın kullanımı büyük miktarda verinin üretilmesine ve böylece bilgi güvenliği unsurlarını tehdit eden ağ saldırılarının daha da yaygınlaşmasına neden olmuştur. Bu bilgi güvenliği unsurlarının tehditlere karşı güvenliğinin sağlanması amacıyla birtakım uygulamalar geliştirilmekte ve kullanılmaktadır. Bu uygulamalardan biri olan saldırı tespit sistemlerinin son yıllarda makine öğrenmesi, derin öğrenme gibi yöntemlerle geliştirilmesi araştırmacılar tarafından ilgi görmektedir. Bu çalışmada, makine öğrenmesi yöntemiyle topluluk öğrenme algoritmaları kullanılarak bir saldırı tespit sistemi modeli önerilmiştir. Bu modelde, belirlenen algoritmaların performansı NSL-KDD veri kümesi üzerindeki KDDTest+ veri kümesini kullanarak test edilmiştir. Buna ek olarak, KDDTrain+ eğitim veri setinde bilgi kazancı yöntemi ile öznitelik seçimi yapılmış, bu algoritmaların KDDTest+ veri seti üzerindeki performansları da incelenmiştir. Bu modelde kullanılmak üzere, henüz literatürde az sayıda çalışılmış bir topluluk öğrenme algoritması olan, CatBoost algoritması seçilmiştir. Ardından, CatBoost algoritmasının performansı, diğer topluluk öğrenme algoritmalarından Random Forest ve AdaBoost algoritmalarının performanslarıyla karşılaştırılmıştır. Bu uygulamada deneysel ortam Python programlama dili, Scikit-learn ve CatBoost kütüphaneleri kullanılarak oluşturulmuştur. Deneysel sonuçlar incelendiğinde, önerilen model ile CatBoost algoritmasının performansı bilgi kazancı yöntemi ile seçilen öznitelikler kullanılarak KDDTest+ veri kümesi üzerinde %79,43 doğruluk (accuracy), %68,44 kesinlik (precision), %96,95 duyarlılık (recall), %80,24 f-ölçütü (f-measure) ve eğri altındaki alan (AUC) değeri 0,9678 olarak elde edilmiştir. Bu ampirik çalışmada, CatBoost algoritmasının, hem öznitelik seçimi yapılan hem de öznitelik seçimi yapılmayan veriler üzerinde diğer algoritmalara göre daha iyi saldırı tespiti performansı gösterdiği anlaşılmıştır.
Otomasyon sistemlerinde görüntü işleme tekniklerini kullanan ürün tanımı uygulaması
Günümüzde üretim sektöründeki tüm firmalar, özellikle döküm sektöründe üretim yapan firmalar, için herhangi bir üretim bandındaki son ürünün kalitesi en önemli etkenlerdendir. Bu bağlamda firmalar üretimin son aşaması haline gelen kalite kontrol işlemini minimum hata ile gerçekleştirme çabasındadırlar. Kontrol işlemini gerçekleştirmek için geleneksel yöntem olarak sensörlerden oluşan kontrol kuleleri kullanılmaktadır. Bu yöntem mekanik algılayıcılardan oluşan bir elektronik aksam olması nedeni ile zamanla ve bazı fiziksel nedenlerden dolayı hatalı sonuçlar verebilmektedir. Ayrıca üretim bandında yer alan her bir farklı ürün için değişen sayında sensörlerin ve farklı tasarımların kullanılması üretim esnekliğini ve üretim hızını düşürmekle birlikte bu süreçteki maliyeti arttırmakta bir o kadar da üretimdeki kaliteyi azaltmaktadır. Bu sebeplerden dolayı geleneksel yöntem artık firmalar tarafından tercih edilmemektedir. Bu çalışmada firmaların sorunlarına ve taleplerine cevap verebilecek, geleneksel yönteme alternatif bir uygulama önerilmiştir. Çalışmada Raspberry Pi 4B geliştirilebilir kartı ve Raspberry Pi V2 Infrared kamerası ile gömülü bir sistem oluşturulmuştur. Bu sistem özellikle alüminyum parçaların görüntülerinin işlenmesinde karşılaşılan zorluklar ve ortamda bulunan güneş ışınlarının görüntüyü etkilemesi nedeniyle güneş ışığını soğurması için tasarlanan bir lens ve filtreyle birlikte güçlü bir kızılötesi ışık kaynağını barındıran bir fiziksel ortam ile desteklenmiştir. Gömülü sistemi programlayabilmek için .Net ortamında C# programlama dili kullanılarak bir masaüstü uygulaması geliştirilmiştir. Gömülü sistem; Brightness, Contrast, Hue, Saturation, Thresohld, Erode, Dilate, MatchTemplate ve Surf Alghorithm gibi görüntü işleme tekniklerinin kullanıldığı OpenCV kütüphanesi ile verimli çalışabilen Python programlama dili sayesinde programlanmıştır. Gerçekleştirilen ara yüz ile 32 farklı ürün ve her bir ürün üzerinde belirlenebilecek 32 farklı alan için sistem programlanabilmektedir. Kart ile ara yüz arasındaki bağlantı TCP protokolü üzerinde bir Soket uygulaması ile gerçekleştirilmiş böylelikle bağlantı Ethernet ve Wifi üzerinden kablolu ya da kablosuz yöntemle güvenli bir şekilde sağlanmıştır. Ara yüz üzerinden; Odak, Eşik, Yoğunluk, Pozlama gibi parametreler ile esnek şekilde programlanabilen sistem, kameradan alınan canlı ürün görüntüsü ve programda belirtilen referans görüntüsünü hızlı ve doğru bir şekilde ortam değişkenlerinden etkilenmeyecek yüksek verimlilik ile tarayıp karşılaştırmaktadır. Uygulama, üretim süreçlerindeki 'Kalite Kontrol' işleminin minimum zaman ve maliyette yapılmasını sağlarken maksimum performans ve verim sağlayabileceğini öngörmektedir.
Sigortacılık sektöründe makine öğrenmesi ile müşteri kaybı analizi
Hızlı büyüyen ve rekabet gücünün arttığı günümüzde, yeni müşteri edinme çabası ve maliyeti var olan müşteriyi kaybetmeme çabası ve maliyetinden fazla olması, firmaları var olan müşterilerin kaybedilmemesi gerektiği düşüncesine itmiştir. Güçlü rakiplerin olduğu sektörde tüketicilerin belli bir hizmet veya ürün için bir şirketi tercih ederek ihtiyaçlarını devamlı olarak bu şirket üzerinden karşılayan sadık müşteri portföyünü arttırmak amacıyla müşterinin tercih ettiği bir ürün veya hizmeti bırakması ihtimali üzerine analitik çalışmalar yapılmıştır. Mevcut müşterilerin profilleri ve davranışları incelenerek şirketi bırakma ihtimali olan müşterileri bulma, bu müşterilerin memnuniyetlerini arttırmayı hedefleyen müşteri kayıp analizi, stratejik karar verme ve planlama sürecinin en önemli aşamalarından biri olmaktadır. Bu çalışmada telekomünikasyon, bankacılık, online ticaret gibi müşteri sayısı ile gelir miktarının doğru orantılı olduğu sigortacılık sektöründe var olan şirketin verileri kullanılarak bir müşteriye ait içerisinde yaş, cinsiyet, doğum yeri gibi sosyodemogrofik bilgilerin yanı sıra kullanılan araç marka, model bilgilerinin de bulunduğu öznitelikler belirlenmiştir. Belirlenen öznitelikler makine öğrenmesi algoritmalarından Karar Ağacı (Desicion Tree) Algoritması, Rastgele Orman (Random Forest) Algoritması ve K-En Yakın Komşu (K Nearest Neighborhood) Algoritmaları ile terk eden müşterilerin profilleri analiz edilip, terk etme ihtimali olan müşteriler tahmin edilmiştir. Çalışmada en başarılı sonucu veren Rastgele Orman (Random Forest) Algoritması ile bu çalışma bir sınıfa dahil edilip son kullanıcı tarafından sürekli yapılmasına olanak sağlanmıştır
Artırılmış gerçeklik ile montaj kiti bilgilendirme kılavuzu üzerine bir uygulama
Teknolojinin gelişimiyle artırılmış gerçeklik uygulamaları geliştirilmeye başlanmış ve hızla ilerleme kaydetmiştir. AR(Augmented Reality; Artırılmış Gerçeklik) teknolojisi ile sanal ve gerçek dünya nesneleri bir araya getirilerek gerçekleştirilmek istenen olayların inandırıcı olması sağlanmaktadır. Bu teknoloji, insanların hayatlarını kolaylaştırmanın yanı sıra ticari amaçlarla da pek çok alanda gelişim göstermiş ve göstermeye devam etmektedir. Bu tez çalışmasında, artırılmış gerçeklik teknolojilerinden yararlanarak endüstri 4.0 kapsamında sanayi alanında kullanılabilecek her türlü ekipman, makine, elektrik panoları vb. alanlarda çalışanların daha az hata yapması sağlanarak iş kazalarının önüne geçilebilmek için örnek bir uygulama geliştirilmesi amaçlanmıştır. Geliştirilen uygulama da örnek olarak bir montaj kitinin nasıl kullanılacağı artırılmış gerçeklik teknolojisinin katkıları ile rehber haline getirilmiştir. Bu rehber sayesinde belirli bir nesnenin montajlamada ne işlev gördüğü görsel olarak aktarılmaktadır. Bu tez çalışması ile ortaya çıkan uygulamada AR, Unity 3D ve Vuforia teknolojileri kullanılmıştır. Unity 3D sayesinde 3D görseller oluşturularak, kameranın belirlenen nesneleri algılayabilmesi için bu nesnelerin Vuforia veritabanında tutulması sağlanmıştır. Anahtar Kelimeler: Arttırılmış Gerçeklik, Sanal Gerçeklik, Endüstri 4.0, Endüstriyel Artırılmış Gerçeklik
Derin öğrenme yöntemi ile protein ikincil yapı tahmini
Protein yapısı tahmini, biyoinformatik alanındaki çalışmaların merkezi bir odak noktası olmuştur. Son yıllarda, proteinin yapısal bilgisini tahmin etmek için karmaşık makine öğrenmesi ve ardından derin öğrenme yöntemleri gibi birçok istatistiksel yöntem kullanılmıştır. Protein, canlı organizmaların önemli bir parçası olduğundan, protein yapısını ve işlevini anlamak ve değerlendirmek çok önemli hale gelmektedir. Proteinler, amino asit adı verilen yapı taşlarından oluşmaktadır. Protein yapısı büyük ölçüde birincil yapı olarak bilinen amino asit dizileri tarafından belirlenmesine rağmen, protein yapısını tek başına bu dizilerden tahmin etmek zordur. Dolayısıyla, sekanslardan protein ikincil yapı tahmini, proteinin üç boyutlu yapısının tahmini için önemli bir adımdır. Protein ikincil yapı tahmin çalışmalarında birçok yaklaşım kullanılmıştır. Bununla birlikte, günümüze kadar, literatürdeki tekniklerin hiçbiri tam olarak doğru bir sonuç verememiştir, bu da çalışmayı daha zorlu kılmaktadır. Bu tezde, CB513 veri setini kullanarak, derin öğrenme yaklaşımlarından, CNN, RNN, LSTM ve GRU kullanımına ilişkin karşılaştırmalı bir çalışma sağlanmaya çalışılmıştır. Çalışmada ayrıca her bir yaklaşımın performansı analiz edilmiş ve literatürdeki benzer çalışmalarla karşılaştırılmıştır. Bu çalışmada protein ikincil yapının tahmini için geliştirilen CNN, RNN, LSTM ve GRU modelleri sırasıyla %82,54, %81,06, %81,10, %81,48 başarı oranı elde etmiştir.
Reklam faaliyet süreci için uygun çevrimiçi sosyal medya sitesinin bulanık analitik hiyerarşi yaklaşımı ile seçilmesi
Her geçen gün değişen ve gelişen internet ve mobil teknoloji ile insanlar arası etkileşimde sosyal medya büyük bir önem taşımaktadır. Sosyal medya platformları, insanlar arasında iletişimi sağlayabilmenin yanında kullanıcılara birçok farklı ilgi alanları ile bağlantı kurabilmelerini de sağlamaktadır. İnsanların sosyal medya üzerinde etkileşimin artması, işletmelerin pazarlama ve reklam faaliyetlerininde sosyal medya araçlarını benimsemesininde önemli rol oynamaktadır. Böylece sosyal medya pazarlaması işletmeler için geleneksel yöntemlerin yanında günümüzde sıklıkla tercih ettikleri yeni bir pazarlama kanalı haline gelmiştir. Yürütülen reklam faaliyetleri ile işletmeler sosyal medya araçları üzerinden daha büyük hedef kitlelere ulaşmayı sağlamıştır. Sosyal medya platformlarını kullanılarak yapılan ürün tanıtım ve kampanya haberleri tüketiciye daha kolay ve hızlı bir şekilde ulaşabilmelerine imkân sağlamıştır. Ancak sosyal medya platformlarının sayısının artması işletmelerin reklam faaliyetlerini yürütecekleri sosyal medya kanalının belirlenmesinde bir karar verme problemi haline gelmektedir. Bu çalışmada, sosyal medya platformlarından en çok kullanılan Instagram, Twitter, Facebook ve Youtube üzerinden karşılaşılan ürün/hizmet ve reklam kampanyaları ile ilgili sorularla birlikte demografik bilgilerininde sorulduğu bir anket çalışması yapılmıştır. Ankete toplamda 217 kullanıcı cevap vermiştir. Bu veri seti, Bulanık Analitik Hiyerarşi Süreci yöntemi kullanılarak analiz edilmiştir. Analiz sonucu ile, kullanıcıların demografik kırılımlarına göre, işletmelerin reklam faaliyetleri için seçebilecekleri en uygun platformu belirlemeyi hedeflenmektedir.
Gümüş/ons paritesi üzerine derin öğrenme ile finansal tahmin modellemesi geliştirilmesi
Tüm dünyada kabul görmüş altın, gümüş, platin gibi madenler küresel olarak fiyatlarında dalgalanmalar yaşamakta ve yatırımcılar bu ürünleri değerlendirerek kazanç elde etmek istemektedirler. Bu ürünlerin grafik yön tahmini için teknik ve temel analiz yöntemleri kullanılmaktadır. Ayrıca derin öğrenme yöntemlerinin yaygınlaşması ile beraber grafik yön tahmini için daha farklı metotlar uygulamaya konulmuştur. Bu metotlardan en yaygınlarından bazıları ise derin öğrenme algoritmalarıdır. Bu çalışmada derin öğrenme algoritmalarından biri olan LSTM mimarisi ve bir zaman serisi metodu olan ARIMA mimarisi kullanılmıştır. Bu mimariler ile gümüş/ons paritesi üzerinden finansal tahmin modelleri geliştirilmiştir. Eğitim ve test verileri kurulan algoritmalara yüklenerek sistemin öğrenmesi sağlanmış ve gelecek 10 gün için gümüş/ons paritesi tahmin değerleri üretilmiştir. Algoritmaların başarısının doğruluk oranını artırmak için algoritmalar 10 defa çalıştırılmış ve çıkan 10 günlük tahmin verilerinin ortalaması alınmıştır. Bu yöntemin seçilmesinin sebebi algoritmalar her çalıştırıldığında farklı tahminler ve grafikler üretmesidir. Araştırmada elde edilen sonuçlara göre ARIMA mimarisi LSTM mimarisinden daha iyi değerler üretmiştir.
Açık kaynak uzaktan eğitim yazılımlarında altyapı otomasyonu ve çıktıların değerlendirilmesi
Uzaktan eğitim amacıyla kullanılan konferans yazılımları kullanıcıya oldukça basit ve anlaşılır bir arayüz sunsa da arka planında oldukça karmaşık bir yapı yer almaktadır. Böylesine karmaşık yapının sürekliliğini sağlamak bir yana dursun, ihtiyaç duyulduğunda yeni bir ortama aktarılması ve aynı kararlılığı elde etmek için oldukça uzun mesai harcanması gerekmektedir. Bu çalışma, bir üniversitede bulunan uzaktan eğitim altyapısındaki yapının ve yazılımların mümkün olduğunca otomatik bir şekilde kurulumunun gerçekleşmesi, gerekli bakımların yapılması ve gerçekleşen problemlere karşı alınan aksiyonların mümkün olduğunca nasıl otomatik hale getirildiği araştırılacaktır. Bunların yanında bu yapıdan sürekli olarak elde edilen verilerin işlenerek karar mekanizmalarına desteğini gösterecektir. Her geçen gün hızla ilerleyen bilgisayar yazılımları, bu yazılımların yönetilmesi, bakımı, güncellemeleri, çalışma ortamları gibi problemleri beraberinde getirmiştir. Problemlere getirilen çözümler her ne kadar yardımcı olsa da ihtiyaçlara yönelik olarak birçok açıdan yetersiz gelmektedir. Bilgisayar ve bilişim altyapılarında kullanılan bu kaynakların etkili biçimde yönetimi çok önemlidir. Çeşitli nedenlerden ötürü artabilecek kaynak ihtiyaçlarını hızlıca genişletip gerek görülmediğinde daraltılması bu kaynakların maliyetinin yönetiminde oldukça etkilidir. Altyapı maliyetlerinde esneklik önemli olduğu kadar işlemler tekrar ettikçe zahmetli bir hal almaktadır. İhtiyacı gidermek için çeşitli otomasyon araçları bulunsa dahi yapılandırmalar göz önünde bulundurulduğunda her zaman istenilen sonucu verememektedir. Böyle durumlarda yapılandırmanın ihtiyacını karşılayacak çözümlerin bir kereye mahsus oluşturulması gerekmektedir. Elde edilen kazanımlarda neredeyse yüzlerce aşamadan oluşan kurulum ve bakım sürecinin oluşturulan betiklerle ve konfigrasyon araçlarının kullanımıyla bir kaç adıma düşürülerek ciddi anlamda zaman tasarufu sağlandığı açıklanmıştır.
Pandemi döneminde Türkiye'de, kargo firmalarına yapılan şikayetlerin makine öğrenmesi yöntemleri ile analizi
Bu çalışma, Türkiye'de hizmet sektörü içerisinde önemli bir yer tutan lojistik, nakliye ve kargo işletmelerinin Covid-19 salgını sırasında süreçlerini nasıl yönettiklerini keşfetmeye çalışmakta ve olumsuz sonuçlara yönelik çözümler önermektedir. Bu çalışma içerisinde kullanılan veri, pandeminin başladığı tarihten çalışmanın yürütüldüğü tarihe kadar (11.03.2020 – 30.09.2021) online bir şikâyet yönetimi web sitesinden taşımacılık ve kargo sektöründeki işletmeler ile ilgili yapılmış olan ve içerisinde Covid-19 salgını ile ilgili kelimeleri bulunduran şikâyetler Python programlama dilinde web kazıma için kullanılan Scrapy modülü ile toplanmıştır. Toplanan şikâyet verilerinin ilk olarak hangi konular üzerinden en çok şikâyet aldığını belirleyerek: "Gecikti veya Dağıtıma Çıkmadı", "Evde yok notu düşüldü veya Kapıya Getirilmedi", "Telefonlara Cevap Verilmedi", "İade Süreci", "Teslim Alınmadı veya Teslim Edilmedi" ve "Hijyen Kurallarına Uyulmadı" olmak üzere birbirinden farklı 6 kategoriye ait olabileceği saptanmıştır. Ardından, elde edilen tüm içeriğin bir kısmı kategorilendirilerek, belirlenmiş olan 6 kategoriye göre sınıflandırılmış ve eğitim verisi olarak kullanılmıştır. Eğitim verisinin etiketlenmesinde kelime bazlı ve anket yöntemiyle olmak üzere iki farklı etiket ataması yöntemi kullanılmıştır. Kalan içerik, eğitim verisinden elde edilen analizlere göre multilabel sınıflandırma algoritmalarından faydalanılarak sınıflandırılmıştır. Araştırmada elde edilen bulgulara göre en çok şikâyetin kargoların dağıtımı sırasında yaşandığı ve gecikme yaşanan vaka sayısının yüksek olduğu sonucuna varılmıştır.
Benzerliğe dayalı derin siyam ağları ile çok nesneli takipte kişileri yeniden tanımlama
Hareket eden nesneleri tespit ve izleme süreci, bir başlangıç nesne seti alarak zaman içinde birkaç video karesi boyunca hareket ederken nesnelerin izlenmesini içerir. Çoklu nesne izlemede (MOT), bir nesne izleme gerçekleştirme süreci, tespit ve ilişkilendirmeleri kapsar. Nesne izlemenin genel amaçları, ilgili tüm nesneleri yerelleştirerek, tanımlayarak ve bunları video karelerinde izlemeye devam ederek kareler arasında tespit etmeyi ilişkilendirmektir. İyi bir MOT yaklaşımı, tek bir çerçevede birden fazla nesne bulmayı ve bu çerçeveden kimlik bilgilerini çıkarmayı amaçlar. Bir izleyici, karelerde tespit eksik olsa bile nesneleri takip ederek sahnelerdeki nesnelerin her biri için sürekli bir kimliğe sahip olmalıdır. Nesneler tıkandığı veya geçici olarak çerçevenin dışına çıktığı için MOT sorunları zordur. Bu çalışmada, Derin Siyam Ağı kullanılarak benzerlik temelli bir kişiyi yeniden tanımlama çerçevesi önerilmiştir. Çerçeve, tespit yaptıktan sonra kişinin yeniden tanımlanması için bir benzerlik dizisi kullanarak ve video dizisinin her karesi için nesne benzerliğini göz önüne alıyor. MOT16 ve MOT17 kıyaslamalarına dayalı deneysel sonuçlar, önerilen çerçevenin çeşitli izleme ölçümlerinde diğer metotlarla karşılaştırıldığında daha iyi performans gösterdiği gözlemlenmiştir.
Veri madenciliği yöntemleriyle müşteri kaybı analizi: Yazılım sektörü
Rekabet gücünün arttığı ve hızlı büyüyen sektörlerde devamlılığın sağlanması için sadık müşterilerin artırılması önemli bir konudur. Yeni müşteri kazanmak için harcanan maliyet mevcut müşteriyi elde tutmak için harcanan maliyetten çok daha yüksektir ve bu açıdan mevcut müşterilerin davranışları incelenerek, firmayı bırakma ihtimali olan müşteriler belirlenip memnuniyet artırmaya yönelik çalışmaların yapılması gereklidir. Literatürde, müşteri işletmeyi terk etmeden önce bunu fark edebilecek önleyici yaklaşımlar önerilmektedir. Churn (kayıp) analizi yöntemi de bu yaklaşımlardan biridir. Telekominasyon, bankacılık ve daha çok üyelik sisteminin yoğun olduğu sektörlerde tercih edilen kayıp analizi, bu çalışmada farklı olarak yazılım sektöründe hizmet veren özel bir firma verileriyle yapılmıştır. Veri setinde bulunan 17 özellik analiz edilerek müşteri kayıp durumu ile aralarında anlamlı bir ilişki bulunan değişkenler çalışmada kullanılmıştır. Ürün sayısı, cari sayısı, sipariş sayısı, teklif sayısı, fatura sayısı, kasa kullanıcı sayısı, kargo kullanımı, mail kullanımı, özel rapor kullanımı ve kullanıcı sayısı ile müşteri kaybı arasında anlamlı ilişki bulunmuş ve çalışma bu özellikler kullanılarak yapılmıştır. Veri setimiz 1951 kayıttan oluşmaktadır, bu veriler 1463 adet eğitim verisi 488 adet test verisi olacak şekilde 2 parçaya ayrılmıştır. Veri seti incelenerek ve ön işlemler yapılarak analize uygun hale getirilmiştir. Karar Ağaçları, Rastgele Orman, Lojistik Regresyon, K-nn, Naive Bayes ve Yapay Sinir Ağları algoritmaları kullanılarak müşteri kayıp analizi yapılmış ve doğruluk oranları karşılaştırılmıştır. Veriler çapraz doğrulama(cross validation) ile optimize edilerek, tekrar analiz edilmiş ve iki analiz sonucunda da Rastgele Orman(Random Forest) algoritması en iyisonucu veren algoritma olarak bulunmuştur.
Kombi sistemlerinin performans analizi için veri toplama ve zeki veri analizi sistemi
Bu çalışmada, oluşturulmak istenen yeni model bir kombinin sahaya hazırlanmasından önce yapılması gerekli tüm testlerinin olabildiğince hızlı ve güvenilir bir platformda yapılarak en verimli ürünün oluşması amaçlanmıştır. Bu amaç doğrultusunda, yazılım oluşturulmuş ve PCB mikroişlemcisi ile bağlantısı kurulup, anlık veri toplaması yapılmıştır. Toplanan veri kümesi çok büyük olduğu için analiz etmek ve sonuçlarından çıkarım yapmak oldukça güç olacağından Rough set teorisinden (Kaba küme teorisi) faydalanılıp, belirsiz ve bulanık bilginin üstesinden gelinmiştir. Bu projede, oluşturulan program ile elde etmiş olduğumuz veri kümesine Rose programı aracılığı ile Rough set Teoremi uygulanmış ve veriler üzerinde indirgeme gerçekleştirilmiştir. Bu indirgeme hem sayı olarak hem de parametrelerin birbiri ile ilişki mantığı açısından amacımıza çok ciddi hizmet sağlamıştır. İndirgenen veriler ile testler birçok şartta devam ettirilip en kritik alanlar tespit edilip kombi çalışma mantığında gerekli düzenlemeler yapılmıştır. İncelenen ilk benzetimlerde dhw sıcaklığının 87 °C çıktığı yapılan iyileştirmeler sonrasında gerçekleştirilen benzetimlerde dhw sıcaklığı maksimum 62 °C çıktığı belirlenmişir. Ch sıcaklığının ise 102 °C çıktığı yapılan iyileştirmeler sonrasında 62 °C olarak ölçülmüştür. Bunun yanında baca gazı sıcaklığı ise anlık 123 °C olarak ölçülüp yapılan çalışmalar sonrasında ise 67 °C olarak ölçülmüş ve böylece hatalar ortadan kaldırılıp daha güvenli kombiler elde edilmiştir.
Finans sektöründe doğal dil işleme (NLP) ile rapor kümelendirme ve talep bazlı rapor önerileri oluşturma
Yapay zeka alanında yer alan teknolojilerin hızla gelişmesi ile hem akademinin hem de çeşitli sektörlerin ilgileri bu alana çevrilmiştir. Bu bağlamda müşteri ve ürün çeşitliliği fazla olan sektörlerde, yapay zeka teknolojileri arasında yer alan, doğal dil işleme ve makine öğrenmesi çalışmaları oldukça artmıştır. Doğal dil işleme, doküman sınıflandırma - kümeleme, adlandırılmış varlık tanıma, duygu analizi, yazım denetleme, sohbet botları, dil çeviri vb. çalışma konularına sahiptir. Bu çalışmada, finans sektöründe yer alan özel bir bankanın, rapor talep içerikleri kullanılarak derin öğrenme temelli doğal dil işleme ve makine öğrenmesi çalışması yapılmıştır. Çalışma kapsamında rapor talep içeriklerinin, TF-IDF, Word2vec ve Doc2vec kelime gömme yöntemleri ile temsilleri oluşturulmuş, makine öğrenmesi yöntemlerinden olan K-Means, K-Medoids ve Agglomerative kümeleme algoritmaları ile kümelenmiş ve aynı kümede yer alan birbirine en benzer rapor talep içerikleri adreslenmiştir. Çalışmada kümeleme başarıları Silhouette katsayısı, Calinski- Harabasz ve Davies-Bouldin indeksleri ile yorumlanmıştır. Çalışma ile yeni gelen bir rapor talebine benzeyen, daha önce yapılmış bir rapor talebi var ise bu talep & taleplerin adreslenmesi hedeflenmiştir. Çalışma sonucunda, üç kelime gömme yönteminde de en iyi kümeleme sonucu K- Means ile elde edilmiştir. Word2vec ve Doc2vec ile yapılan kümelemede, değerlendirme metriklerinin benzer sonuçlar verdiği, benzerlik çalışmasında ise 3 kelime gömme yöntemi ile elde edilen sonuçların benzer olduğu görülmüştür.
Arabic text summarization using pagerank and word embedding algorithms
Arabic is one of the world's most frequently spoken languages, with over 200 million people using it as their first language, and it is the official language of 26 nations. Although Arabic text summarization (ArTS) has increased in popularity in recent years, the quality of current ATS systems need improvement. Graph-based techniques on Arabic natural language processing have clearly gained popularity in recent years. Because of their ability to arrange large and difficult structures into standard and formal ways, graphs may be used and developed in a helpful way to assist in conquering and minimizing Arabic language challenges. This study proposed a single-document Graph-based Extractive Arabic Text Summarization (GEATS). The PageRank method is used, along with word embedding. The similarity of any two sentences is calculated by ranking the sentences based on cosine similarity. The final score for each sentence is determined using PageRank scoring. Then, the summary includes the sentences with the highest ratings taking into account the compression ratio, which is 40% of the document's sentences. The EASC Corpus is used as a standard corpus to test the performance of this technique. ROUGE-1, ROUGE-2, and BLUE metrics are also employed in the evaluation process. The findings demonstrated that the proposed strategy outperforms state-of-the-art approaches.
Zaman serisi yöntemleri ve XGBoost algoritması ile kömür satış tahmini: Türkiye Tarım Kredi Kooperatifleri uygulaması
Şirketlerin ileriye yönelik doğru kararlar verebilmesi için geçmiş verilerden yararlanmalarına birçok durumda ihtiyaç vardır. Günümüzde yöneticiler geçmiş verilere rahatlıkla ulaşabilmektedir. Firmaların iş süreçlerinde kullanılan gelişmiş kurumsal programlar sayesinde geçmiş kayıtları saklayan büyük veri tabanları oluşmuştur. Satış işlemi firmaların en önemli süreçlerinden biridir. Satış kayıtlarına ulaşmak ve bu kayıtları tahmin amaçlı kullanmak mümkündür. Ürün satışı yapan şirketlerde satılan ürünün tahmininin doğru yapılması, şirket kaynaklarının etkin kullanılmasını sağlayarak maliyetleri düşürmekte ve karlılığı artırmaktadır. Kömür ürünü tonlarca satışı gerçekleşen depolama maliyeti yüksek bir üründür. Türkiye'de kış aylarında ısınma amaçlı kullanımı fazladır. Yaz aylarında gereksiz depolanması maliyetleri artırmakta, ayrıca kömür ürünü gramaj kaybederek satıcıyı zarar ettirmektedir. Kömür ürününün satış tahmininin doğru yapılması firmanın zarar etmesini önlemektedir. İstatistik alanında kullanılan zaman serisi tahmin yöntemleri satış tahmin çalışmalarında yaygın olarak kullanılmaktadır. SARIMAX ve Holt-Winters yöntemleri çalışmalarda tercih edilen popüler zaman serisi tahmin yöntemlerdir. FB-Prophet, Facebook tarafından geliştirilmiş yeni bir zaman serisi tahmin yöntemidir. FB-Prophet yıllık, haftalık ve günlük değişen zaman serisi verilerini tahmin etmek için kullanılır. Satış tahmin çalışmalarında makine öğrenmesi algoritmalarıda kullanılmaktadır. XGBoost, son zamanlarda yapılan makine öğrenmesi tabanlı çalışmalarda öne çıkan ve tahmin çalışmalarında da kullanılan bir algoritmadır. Bu tezin amacı Tarım Kredi Kooperatifleri Sakarya Bölge Birliği'ne bağlı 21 kooperatif tarafından yapılan kömür satışlarının tahminini yapabilmek için ideal tahmin yönteminin bulunmasıdır. Çalışmada 2014-2022 yılları arasındaki kömür ürünü satış verileri kullanılarak yıllık ve 2 yıllık toplam kömür satış miktarı ton olarak tahmin edilmiştir. Tahmin yöntemi olarak SARİMAX, Holt-Winters, FB-Prophet zaman serisi yöntemleri ve XGBoost makine öğrenme algoritması kullanılmıştır. Çalışmada kullanılan yöntemlerin performansları MAE, MAPE, MSE, RMSE, R-Kare, ölçüm yöntemleri ile karşılaştırılmış, XGBoost ve SARİMAX yöntemleri ile uzun süreli tahmin sonucunda başarılı sonuçlar elde edilmiştir. XGBoost yönteminin destekleyici parametreler ile kullanılması diğer yöntemlerden daha iyi sonuçlar vermiştir.
Veri mahremiyetinin ve istatistiki özelliklerin korunmasında makine öğrenimi ile meta sezgisel yöntemlerin entegrasyonu
Bu çalışma, sağlık verileri gibi hassas veri türlerinin gizliliğini koruma konusuna yenilikçi bir yaklaşım sunmaktadır. Geleneksel yöntemlerin veri analiz doğruluğunu düşürme eğilimi dikkate alınarak, makine öğrenimi ve meta sezgisel yöntemlerin entegrasyonu ile hem veri mahremiyetinin sağlanması hem de istatistiki özelliklerin bozulmadan korunması hedeflenmiştir. Çalışmada, genetik algoritmalar ve diferansiyel mahremiyet mekanizmaları temel alınarak sentetik hasta verileri üzerinde deneyler gerçekleştirilmiştir. Öncelikle, farklı epsilon değerleriyle gizlilik seviyeleri optimize edilmiş, ardından sınıflandırma algoritmaları ile veri analizi yapılmıştır. Ayrıca, Principal Component Analysis (PCA) kullanılarak veri boyutu düşürülmüş ve sonuçlar değerlendirilmiştir. Elde edilen sonuçlar, özellikle Laplace mekanizmasının sürekli ve kategorik verilere etkili bir şekilde gizlilik sağlayabildiğini ve genetik algoritmalarla optimize edilmiş parametrelerin doğruluk ve mahremiyeti dengelemede önemli bir rol oynadığını göstermiştir. XGBoost algoritması, entegre edilen veri setlerinde en yüksek doğruluk skorlarını elde etmiştir. Bu çalışma, literatüre, diferansiyel mahremiyet yöntemlerinin meta sezgisel algoritmalarla birleştirilmesi yoluyla, hassas veri türleri üzerinde daha güvenilir ve etkili analiz yöntemleri geliştirilmesine yönelik önemli katkılar sunmaktadır.
Türkçe sağlık sohbet botlarında sbert, claude ve gemini büyük dil modellerinin performans metrikleri üzerinden analitik karşılaştırılması
Bu çalışmada, büyük dil modellerinin (Large Language Models-LLM) Türkçe sağlık sohbet botlarında uygulanabilirliği incelenmiştir. SBERT, Claude ve Gemini modellerinin sağlık alanındaki chatbot uygulamaları için sunduğu performans karşılaştırmalı olarak değerlendirilmiştir. Türkçe dilinin kendine özgü morfolojik zorlukları dikkate alınarak, bu modellerin bağlam uyumlu yanıt üretme yetenekleri test edilmiştir. Çalışmada, modellerin doğruluk, kesinlik, duyarlılık ve F1 skoru gibi performans metrikleri karşılaştırılmış ve bu metrikler üzerinden çıkarımlar yapılmıştır. Bulgular, büyük dil modellerinin Türkçe sağlık chatbotlarında kullanıcı memnuniyeti ve bilgi doğruluğu açısından güçlü bir potansiyel sunduğunu göstermiştir. Ancak, dilin yapısal özellikleri nedeniyle optimizasyon ve özelleştirme süreçlerinin büyük bir öneme sahip olduğu görülmüştür. Bu doğrultuda, gelecekteki çalışmalar için performansı artıracak yöntemler önerilmiştir. Tez, Türkçe sağlık chatbotlarının geliştirilmesine katkı sağlamayı ve büyük dil modellerinin bu alandaki sınırlılıklarını belirlemeyi amaçlamaktadır.
Oyunlaştırma yaklaşımlarının fizyoterapi ve rehabilitasyon bölümü anatomi eğitiminde uygulanması: Anatoedu
Bu çalışma, sağlık bilimleri fakültesinde eğitim gören öğrencilerinde oyunlaştırılmış anatomi dersi uygulamasını değerlendirme amacıyla yapılmış olup tanımlayıcı tipte bir araştırmadır. Çalışmanın hedef grubunu Kocaeli Sağlık ve Teknoloji Üniversitesi Sağlık Bilimleri Fakültesi eğitim gören lisans öğrencilerin anatomi dersi alan Fizyoterapi ve Rehabilitasyon öğrencileri oluşturmuştur (n=42). Veriler "Tanıtıcı Özellikler Formu", "Anatomi Bilgi Formu", "Oyun Deneyimi Ölçeği" ile toplanmıştır. Anatomi bilgi testi puanı oyun uygulaması sonrasında anlamlı olarak yükselmiştir. Öğrencilerin oyun deneyim ölçeğindeki alt boyutlardan en yüksek ortalama Keyif Alma (26.74±3.43), Kendini Verme (22.77±5.85) ve Etkileşim (12.00±1.71) alt boyutlarında görülmüştür. Daha önce eğitsel oyun deneyimi olmayan öğrencilerin Kendini Verme alt boyutu ve Oyun deneyim ölçeği toplam puanları, eğitsel oyun deneyimi olan öğrencilere göre anlamlı düzeyde fark saptanmıştır. Sonuç olarak, öğrencilerin oyunlaştırılmış anatomi dersinden keyif aldıkları ve bilgi düzeyini artırmada etkili olduğu bulunmuştur. Bu kapsamda teorik derslerde yenilikçi yöntemlerden biri olan oyunlaştırmanın kullanımı yaygınlaştırılmalıdır.
ISO/IEC 27001 ve kamu bilgi ve iletişim güvenliği rehberi arasındaki boşluk analizi
Küresel ölçekte artan dijitalleşme, bilgi güvenliğini kamu kurumları için sadece teknik bir gereklilik olmaktan çıkarıp, stratejik bir yönetim alanına dönüştürmüştür. Bu dönüşümle birlikte, uluslararası standartların kurumsal yapılarla uyumlu bir şekilde entegre edilmesi, bilgi varlıklarının korunması açısından kritik hâle gelmiştir. Bu tezde, ISO/IEC 27001:2022 Bilgi Güvenliği Yönetim Sistemi standardı ile Türkiye Cumhuriyeti Cumhurbaşkanlığı Dijital Dönüşüm Ofisi tarafından yayımlanan Kamu Bilgi ve İletişim Güvenliği Rehberi arasındaki yapısal uyum, örtüşmeyen noktalar ve uygulama farklılıkları bütüncül bir yaklaşımla incelenmiştir. Araştırma kapsamında gerçekleştirilen boşluk analizi (gap analysis) ile her iki yapının güvenlik kontrolleri detaylı biçimde karşılaştırılmış; standardın sistematik, risk temelli yaklaşımı ile rehberin kamu özelinde normatif düzenlemeleri arasındaki ilişki değerlendirilmiştir. Elde edilen bulgular, kamu kurumlarının hem ulusal mevzuata uygunluklarını sağlarken aynı zamanda uluslararası denetimlere açık, sürdürülebilir bir bilgi güvenliği altyapısı oluşturabilmeleri için bir yol haritası sunmaktadır. Çalışma, yalnızca teorik bir karşılaştırma değil, aynı zamanda uygulamaya dönük stratejik çıkarımlar da içermesi bakımından literatüre ve kurumsal yönetişime katkı sağlamayı hedeflemektedir.
Uç cihazlarda derin öğrenme tabanlı görüntü sınıflandırmada model optimizasyonu ve enerji verimliliği
Bu çalışma, derin öğrenme tekniklerinin uç cihazlardaki çeşitli uygulamalarını performans ve enerji verimliliği odağında detaylı bir şekilde analiz ederek alandaki bilgi birikimine önemli bir katkı sunmaktadır. Derin öğrenme algoritmalarındaki son yıllardaki dikkate değer ilerlemeler, bu algoritmaların bir araya gelmesiyle ortaya çıkan modellerin hem yüksek hesaplama gücü gereksinimleri hem de yüksek enerji tüketimi sorununu beraberinde getirmiştir. Bu durum, enerji verimliliği konusunda daha fazla araştırma ve geliştirme yapılmasını gerektiren bir durum haline gelmiştir. Çalışma kapsamında, derin öğrenme modellerinin uç cihazlarda verimli bir şekilde çalışabilmesi için model sıkıştırma teknikleri üzerine kapsamlı ve detaylı birçok deney gerçekleştirilmiştir. Bu deneyler, özellikle budama ve nicemleme yöntemleri ile hafif mimarilerin entegrasyonu üzerine derinlemesine bir odaklanma sağlamaktadır. Mobil cihazlardan akıllı sensörlere kadar geniş bir yelpazede yaygın olarak kullanılan MobileNet, EfficientNet ve ShuffleNet gibi hafif ve çağdaş mimarilerin entegrasyonu üzerinde durulmaktadır. Bu önemli çalışmalar, AMD NPU, Google Coral TPU ve NVIDIA Jetson Nano gibi çeşitli donanımlarla sistematik ve detaylı testler yapılarak yürütülmüştür. Her bir test, belirli kriterlere göre özenle planlanmış ve uygulanmış, sonuçlar ise titizlikle analiz edilmiştir. Elde edilen en iyi performans sonuçları, güvenilir verilerle desteklenmekte ve derin öğrenme alanında yeni standartların belirlenmesine büyük katkı sağlamaktadır. Çalışma kapsamda elde edilen bulgular, tez ile birlikte derin öğrenme teknolojilerinin özellikle uç cihazlarda daha erişilebilir hale gelmesi ve verimliliğinin önemli ölçüde artması için kritik bir zemin hazırlamaktadır. Derin öğrenme alanındaki yeni gelişmeler, mobil cihazlardan akıllı sensörlere kadar geniş bir uygulama yelpazesine sahip olup, bu da geleceğin teknolojilerini şekillendirme potansiyelini taşımaktadır. Bu sebeple, bu tez yalnızca mevcut uygulamaları detaylı bir şekilde analiz etmekle kalmamakta, aynı zamanda ileride gerçekleştirilecek araştırmalara ve geliştirme süreçlerine önemli katkılar sunmaktadır. Çalışma, derin öğrenme tekniklerinin ve uygulamalarının gelişimini destekleyen kritik bir kaynak olma niteliğine sahiptir. Uç cihazlarda yapay zeka uygulamalarının etkinliğini artırmaya yönelik olarak ortaya konan bulgular, mühendisler ve akademisyenlerin iş birliğiyle daha ileri seviyelere taşınabilir. Nihayetinde, bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası sunmakta ve aynı zamanda sistemin genişlemesi için sağlam bir temel oluşturmaktadır. Bu durum, ileri düzeydeki çalışmaların zeminini hazırlar ve aynı zamanda endüstrinin ihtiyaçlarını karşılama konusundaki yetenekleri geliştirmeye katkı yapmaktadır. Çalışmanın sağladığı içgörüler, derin öğrenmenin yenilikçi uygulamalarının teşvik edilmesine yardımcı olmakta ve bu sayede teknolojinin evrimi üzerinde kalıcı bir etki bırakmaktadır. Sonuç olarak bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası ve aynı zamanda sistemin ekosisteminin genişlemesi için sağlam bir temel sunmaktadır.
Çok kriterli kurumsal sürdürülebilirlik değerlendirme modeli ve yazılım uygulaması
Tekstil sektörü, önemli çevresel ve sosyal etkileri olan, kaynak yoğun bir sektör olarak küresel çapta kabul görmektedir. Yüksek su ve enerji tüketimi ve karmaşık uluslararası tedarik zincirleri ile karakterize edilen sektör, sürdürülebilirlik uygulamalarında şeffaflık ve hesap verebilirlik gösterme konusunda giderek artan bir baskı altındadır. Küresel Raporlama Girişimi (GRI) gibi uluslararası standartlar sürdürülebilirlik raporlaması için çerçeveler sunsa da, bunlar genellikle tekstil sektörünün kendine has operasyonel özelliklerini ele almak için gereken özgüllükten yoksundur. Sonuç olarak, bu boşluğu dolduracak sektöre özel yaklaşımlara duyulan ihtiyaç giderek artmaktadır. Bu çalışma, tekstil firmalarına özel bir sürdürülebilirlik performans değerlendirme modeli sunarak bu ihtiyacı karşılamayı amaçlamaktadır. Model, sektöre uyarlanmış Anahtar Performans Göstergelerini Çok Kriterli Karar Verme yöntemleriyle entegre ederek ölçülebilir, objektif performans puanları üretmektedir. Hem güvenilir bir değerlendirme yöntemi hem de iyileştirme gerektiren alanların belirlenmesi için pratik bir kılavuz sağlamayı hedeflemektedir. Metodoloji, uluslararası standartlar ve sektöre özgü literatürün kapsamlı incelenmesiyle başlamış; bu doğrultuda oluşturulan ilk KPI listesi, uzman görüşleriyle rafine edilerek çevresel (30), sosyal (31) ve ekonomik (15) olmak üzere üç boyutta sınıflandırılan toplam 76 göstergeye dönüştürülmüştür. Değerlendirmelerde tutarlılığı sağlamak amacıyla her bir gösterge, 3'lü bir ölçek (1 = düşük, 2 = orta, 3 = yüksek) üzerinden puanlanmıştır. Çalışmada her bir performans göstergesinin göreceli önemini belirlemek için Analitik Hiyerarşi Süreci kullanılmıştır. Uzman yargıları ikili karşılaştırmalar kullanılarak ölçülmüş ve öncelik ağırlıkları özdeğer yöntemiyle elde edilmiştir. Karşılaştırmalarda mantıksal tutarlılığı sağlamak için tutarlılık oranları hesaplanmıştır. Gerçek vaka verileri, İzmir, Türkiye'de faaliyet gösteren orta ölçekli bir tekstil şirketi üzerinden elde edilmiştir. Bu verilerden hareketle, sürdürülebilirlik performansını değerlendirmek amacıyla TOPSIS ve Gri İlişkisel Analiz (GRA) yöntemleri uygulanmıştır. Analiz sürecinde ideal, mevcut ve en kötü durum olmak üzere üç senaryo oluşturulmuştur. TOPSIS yönteminde karar matrisi normalize edilmiş ve AHP yöntemiyle belirlenen ağırlıklarla çarpılmıştır. Her senaryonun ideal çözüme olan uzaklığı hesaplanmış; elde edilen yüksek yakınlık puanları, daha güçlü sürdürülebilirlik uyumunu yansıtmıştır. Belirsiz veya eksik verilerle çalışmaya elverişli olan Gri İlişkisel Analiz (GRA) yöntemi ise, gerçek durum ile ideal durum performansları arasındaki örüntü benzerliğini değerlendirmek amacıyla bağımsız olarak uygulanmıştır. Geometrik uzaklıkları esas alan TOPSIS'in aksine, GRA yöntemi sapmaları ilişkisel katsayılara dönüştürerek benzerliği ölçmektedir. Çalışmadan elde edilen bulgular diğer boyutlara kıyasla şirketin özellikle atık yönetimi, emisyon azaltımı ve enerji verimliliği olmak üzere çevre boyutunda en iyi performansı gösterdiğini ortaya koymuştur. Sosyal ve ekonomik boyutlar ise daha fazla değişkenlik göstermiş, iş güvenliğinde güçlü, tedarikçi geliştirme ve paydaş katılımı konularında ise kalıcı zayıflıklar görülmüştür. Nihai sürdürülebilirlik puanları, TOPSIS ve GRA sonuçlarının ortalaması alınarak hesaplanmış ve güçlü yönler ile eksikliklere ilişkin sağlam bir genel bakış sağlanmıştır. Önerilen model, tekstil sektörünün operasyonel dinamikleri ile uyumlu, yapılandırılmış ve esnek bir değerlendirme aracı sunmaktadır. Sürdürülebilirlik değerlendirmesi için etkili bir metodoloji sunarken, gelişen ihtiyaçlar ve bağlamlara göre diğer sektörlere veya genişletilmiş uygulamalara uyarlanmasına da olanak tanımaktadır. Bu araştırmanın önemli bir çıktısı olarak geliştirilen Kurumsal Sürdürülebilirlik Puanı Yazılımı ise modelin teorik yapısını pratik bir karar destek aracına dönüştürmüştür. AHP, TOPSIS ve GRA yöntemlerini tek bir platformda birleştiren bu uygulama manuel hesaplamalardan kaynaklanabilecek hataları ortadan kaldırmış, analiz sürecini hızlandırmış ve sürdürülebilirlik performansının farklı senaryolar altında tekrarlanabilir şekilde değerlendirilmesine olanak tanımıştır.
Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması
Bu tez çalışması, diyabet hastalığının erken teşhisine yönelik olarak çağdaş veri bilimi yöntemleri, istatistiksel ön işleme teknikleri, makine öğrenmesi algoritmaları, sentetik veri üretim sistemleri, belirsizlik tabanlı matematiksel analiz yaklaşımları ve gerçek zamanlı veri akış teknolojilerinin bir araya getirilmesiyle oluşturulan bütüncül bir karar destek sistemi geliştirilmesini amaçlamaktadır. Diyabet, küresel ölçekte hem yaygınlığı hem de yol açtığı uzun vadeli sağlık komplikasyonları nedeniyle günümüz tıbbının en kritik kronik hastalıklarından biridir. Hastalığın erken dönemde yüksek doğrulukla tespit edilmesi, ilerleyen dönemlerde ortaya çıkabilecek kardiyovasküler, nörolojik ve metabolik komplikasyonların önlenmesi açısından büyük önem taşımaktadır. Bu nedenle modern tıpta veri temelli karar destek mekanizmaları gün geçtikçe daha önemli hâle gelmektedir. Bu tez, yalnızca bir makine öğrenmesi modeli oluşturmakla kalmayıp, verinin toplanma anından analiz edilmesine ve sonuçların kullanıcıya gerçek zamanlı olarak sunulmasına kadar uzanan tüm süreci kapsayan çok katmanlı bir mimari ortaya koymaktadır. Böylece klasik sınıflandırma yaklaşımlarının ötesinde, gerçek zamanlı ve klinik olarak uygulanabilir bir çözüm hedeflenmiştir. Tez kapsamında kullanılan Pima Indians Diabetes veri seti, tıbbi veri setlerinde yaygın olarak görülen eksik veri, dengesiz sınıf yapısı ve ölçüm hataları gibi temel problemleri içerdiği için çalışmanın başlangıç noktası olmuştur. Veri setinde bazı fizyolojik ölçümlerin sıfır değer içerdiği tespit edilmiş; glikoz, insülin veya cilt kalınlığı gibi değerlerin sıfır olmasının biyolojik olarak mümkün olmaması nedeniyle bu veriler eksik veya hatalı veri olarak değerlendirilmiştir. Bu nedenle sistematik bir veri ön işleme süreci yürütülmüştür, aykırı değerlerin belirlenmesi için IQR (Interquartile Range) yöntemi kullanılmış ve dağılımı bozan uç değerler gerektiği şekilde düzeltilmiştir. Bu işlemler sonucunda veri setinin istatistiksel bütünlüğü artırılmış ve makine öğrenmesi modellerinin daha doğru bir temelde eğitilmesi mümkün hâle gelmiştir. Veri setinin önemli problemlerinden biri olan sınıf dengesizliği ise SMOTE (Synthetic Minority Over-sampling Technique) algoritması ile giderilmiştir. Pozitif sınıfın düşük temsili, modellerin negatif sınıfa eğilim göstermesine neden olduğundan SMOTE aracılığıyla azınlık sınıfı veri uzayı içinde artırılmış ve dengeli bir eğitim kümesi oluşturulmuştur. Ayrıca veri setinin genişletilmesi amacıyla CTGAN (Conditional Tabular GAN) yöntemi uygulanmış ve veri seti 2000 gözleme çıkarılmıştır. CTGAN'ın karmaşık dağılımları öğrenebilme kapasitesi sayesinde sentetik verilerin özgün veri setiyle tutarlı bir yapıda üretildiği görülmüş, bu durum modelin genelleme becerisini artıran önemli bir faktör olmuştur. Bu aşamalar, çalışmanın sonraki bölümleri için güçlü bir veri tabanı oluşturmuştur. Veri önişleme sürecinin başarıyla tamamlanmasının ardından, tez çalışmasının ikinci önemli bileşenini oluşturan belirsizlik analizi aşamasına geçilmiştir. Bu kapsamda, Kaba Kümeleme Teorisi (Rough Set Theory – RST) kullanılarak veri kümesi üzerinde açıklanabilirlik temelli bir bilgi çıkarımı yapılmıştır. RST, özellikle kategorik veriler üzerinde çalışmaya uygun olan ve belirsizlik içeren veri kümelerinde hem indirgeme işlemleri hem de karar kuralları üretme kapasitesi ile bilinen güçlü bir matematiksel yöntemdir. Bu nedenle veri setindeki sürekli değişkenler klinik açıdan anlamlı aralıklara bölünerek kategorik forma dönüştürülmüştür. Kategorik dönüşümün ardından C# dili ile özel olarak geliştirilen RST yazılımı kullanılmış; reduct, core, pozitif bölge ve karar kuralları hesaplanmıştır. Bu analizler sonucunda hiçbir özniteliğin tamamen gereksiz olmadığı, tüm değişkenlerin diyabet teşhisine belirli düzeyde katkı sağladığı görülmüştür. Reduct sonuçlarının bu biçimde çıkması, diyabetin çok boyutlu yapısını ve tek bir parametre üzerinden açıklanamayacak kadar karmaşık bir hastalık olduğunu ortaya koymaktadır. Ayrıca RST'nin oluşturduğu "Eğer … ise … olur" yapısındaki karar kuralları, makine öğrenmesi modellerinin genellikle eksik bıraktığı açıklanabilirlik ihtiyacına yanıt veren önemli bir çıktı üretmiştir. Bu kurallar, özellikle klinik çalışanların sınıflandırma sonuçlarını daha rahat değerlendirebilmesi açısından önemli bir avantaj sağlamaktadır. Belirsizlik analizi bileşeninden sonra tesis edilen sistemin omurgasını oluşturan çok katmanlı yazılım mimarisine geçilmiştir. Bu mimari, temel olarak üç ana bileşenden oluşmaktadır: (1) C# tabanlı kullanıcı arayüzü, (2) Apache Kafka tabanlı gerçek zamanlı veri iletim sistemi ve (3) Java tabanlı analiz katmanı. Bu mimari yapı, verinin sisteme girişinden analiz sonuçlarının veritabanına kaydedilmesine kadar uzanan süreci tamamen otomatikleştiren bir yaklaşım sunmaktadır. C# tarafında geliştirilen kullanıcı arayüzü, laborantın hastaya ait ölçümleri sisteme girmesi için kullanıcı dostu bir platform sağlamaktadır. Ancak bu arayüz klasik CRUD işlemleriyle veriyi doğrudan veritabanına yazmak yerine, Kafka Producer bileşeni aracılığıyla veriyi Kafka'ya iletmektedir. Kafka, büyük ölçekli veri akışları için tasarlanmış yüksek performanslı bir mesajlaşma platformu olduğundan, sistemin gerçek zamanlı çalışması için kritik bir rol üstlenmektedir. Kafka Producer bileşeni, her yeni hasta verisini JSON formatında Kafka topic'ine iletmekte ve veri akışını başlatmaktadır. Topic yapısı, gelen verilerin sıralı ve tutarlı biçimde işlenmesini sağlar. Java tarafında çalışan Kafka Consumer bileşeni ise bu mesajları anında algılamakta ve analiz sürecini başlatmaktadır. Bu yapı, sistemin olay tetiklemeli (event-driven) olarak çalışmasını mümkün kılmaktadır. Consumer bileşeninin veriyi algılamasıyla birlikte Java tabanlı analiz katmanı devreye girer ve makine öğrenmesi algoritmaları otomatik olarak çalıştırılır. Bu süreç, klasik veri tabanı sorgulamalarından çok daha hızlı ve daha ölçeklenebilir bir mekanizma sunmaktadır. Java tabanlı analiz katmanında yer alan makine öğrenmesi algoritmaları (Naive Bayes, KNN, KNC, Logistic Regression, AdaBoost ve Ensemble), manuel olarak kodlanmış olup gerçek zamanlı veri akışına uyumlu çalışacak şekilde optimize edilmiştir. Bu algoritmaların manuel olarak geliştirilmesi, hem performans üzerinde daha fazla kontrol sağlamış hem de hazır kütüphanelerin getirdiği kısıtlamalardan kaçınılmasına olanak tanımıştır. Bu analiz aşamasında özellikle KNN ve Ensemble modellerinin yüksek doğruluk performansı sergilediği gözlemlenmiştir. Ensemble modeli, farklı algoritmaların güçlü yönlerini bir araya getirerek daha kararlı ve yüksek doğruluklu sonuçlar üretmesi bakımından sistemin en başarılı sınıflandırıcılarından biri olarak öne çıkmıştır. Her yeni veri Kafka üzerinden geldiğinde bu algoritmalar otomatik olarak çalıştırılmış ve tahmin sonuçları elde edilmiştir. Analiz süreci tamamlandığında sonuç MSSQL veritabanına kaydedilmiş ve kullanıcı arayüzü üzerinden anında görüntülenebilir hâle getirilmiştir. Böylece verinin girişinden sonuçların elde edilmesine kadar geçen süreç tamamen otomatik, senkronize ve gerçek zamanlı bir yapıya kavuşmuştur. Bu mimarinin özellikle klinik ortamlarda hızlı karar verme gerektiren senaryolarda önemli avantajlar sunduğu düşünülmektedir. Bu tezde önerilen çok katmanlı ve yüksek performanslı mimari yalnızca tek bir sınıflandırma problemini çözmek için değil, aynı zamanda modern sağlık bilişimi sistemlerinin nasıl kurgulanması gerektiğine yönelik daha geniş bir bakış açısı sunmak amacıyla tasarlanmıştır. Bu mimari, verinin üretildiği noktadan analiz sonuçlarının kullanıcıya iletilmesine kadar geçen sürecin her aşamasını optimize eden bir yapı ortaya koymaktadır. C# tabanlı kullanıcı arayüzünden başlayan veri akışı, gerçek zamanlı veri iletimini mümkün kılan Kafka sistemi üzerinden Java tabanlı analiz katmanına ulaşmakta; analiz tamamlandıktan sonra sonuçlar MSSQL veritabanına kaydedilmekte ve kullanıcıya geri dönmektedir. Bu akış içinde veri, hiçbir aşamada gereksiz şekilde bekletilmemekte veya yavaşlatılmamaktadır. Bu nedenle sistem hem hız hem de güvenilirlik açısından klinik uygulamalara uygun bir yapı sergilemektedir. Analiz katmanında kullanılan makine öğrenmesi algoritmalarının her biri farklı veri davranışlarını modelleme kapasitesine sahiptir. KNN algoritmasının örüntü temelli yaklaşımı, sağlık verilerinin çeşitli alt gruplarını başarılı şekilde ayırt edebilirken; Logistic Regression daha lineer ilişkilerin hâkim olduğu alanlarda dengeli sonuçlar üretebilmektedir. AdaBoost algoritmasının zayıf sınıflandırıcıları birleştirerek daha güçlü bir model oluşturması ise veri setindeki karmaşık bölgelerin daha etkili şekilde çözümlenmesini sağlamaktadır. Ensemble modelinin diğerlerine kıyasla daha başarılı performans sergilemesinin temel nedeni, birden fazla algoritmanın güçlü yönlerini harmanlayarak daha kararlı bir tahmin gücü sunmasıdır. Bu durum, özellikle sağlık verilerinin heterojen yapısıyla uyumludur; çünkü sağlık verileri çoğu zaman tek bir modelin açıklamakta zorlanacağı karmaşık ilişkiler içerir. RST'nin sunduğu karar kuralları, makine öğrenmesi algoritmalarının genellikle eksik kaldığı açıklanabilirlik konusuna önemli bir katkı sağlamıştır. RST ile üretilen kurallar, veri setindeki hangi kategori kombinasyonlarının diyabet riskini artırdığını açık biçimde göstermektedir. Örneğin belirli BMI değerleri, belirli glikoz aralıkları veya belirli yaş sınıfları birlikte değerlendirildiğinde yüksek riskin ortaya çıktığı görülebilmektedir. Bu tür kurallar, modelin neden belirli bir sonucu ürettiğini açıklamak açısından değerlidir ve klinik karar desteği süreçlerinde hem şeffaflığı hem de kullanıcı güvenini artıran bir unsur olarak öne çıkmaktadır. Gerçek zamanlı uçtan uca bu sistemin güçlü yönlerinden biri, laborant tarafından girilen tüm verilerin analiz sürecinde herhangi bir manuel müdahale gerektirmeden işlenmesidir. Kafka tabanlı olay tetiklemeli yapı sayesinde sistem, veri girişi yapıldığı anda analiz sürecini başlatmakta, kullanıcıyı bekletmeden sonuç üretmekte ve bu sonuçları veritabanına kaydederek kullanıcıya sunmaktadır. Bu yapı, özellikle yoğun klinik ortamlarda zamandan tasarruf sağlamakta ve insan hatasını en aza indirmektedir. Ayrıca sistemin modüler yapısı, yeni algoritmaların kolayca eklenmesine, iş akışının genişletilmesine ve veritabanı şemasının ihtiyaçlara göre güncellenmesine olanak tanımaktadır. Bu nedenle geliştirilen sistem yalnızca diyabet teşhisine yönelik bir araç değil, aynı zamanda farklı hastalık türleri için uyarlanabilir bir platform niteliği taşımaktadır. Sonuç olarak bu tez çalışması, diyabet teşhisinin doğruluk, hız, açıklanabilirlik ve gerçek zamanlı veri işleme kapasitesi açısından modern bir yaklaşım sunmaktadır. Geliştirilen mimari, veri önişleme süreçlerinden sentetik veri üretimine, belirsizlik analizi yöntemlerinden gerçek zamanlı makine öğrenmesine kadar pek çok teknolojiyi tek bir çatı altında birleştirmekte ve uçtan uca bir çözüm üretmektedir. Bu yapı, sağlık bilişimi alanında gelecekte geliştirilecek sistemler için hem güçlü bir referans hem de potansiyeli yüksek bir başlangıç noktası oluşturmaktadır. Sistem, özellikle sağlık kuruluşlarında hızlı risk değerlendirmesi gerektiren durumlarda kullanılabilecek pratik bir karar destek mekanizması sunmakta ve klinik personelin daha doğru ve zamanında kararlar almasına yardımcı olmaktadır.
Dijital karbon ayak izinin optimizasyonu için uç cihazlarda yapay zeka ve makine öğrenmesi uygulamaları
Günümüzde, yapay zeka (YZ) uygulamaları hayatımızın birçok alanına derinlemesine nüfuz etmiş durumdadır ve bu durum, özellikle teknolojinin hızlı bir şekilde gelişmesi ile, birçok farklı sektörde önemli değişiklikler ve yenilikler getirmiştir. Özellikle, nesnelerin interneti (Internet of Things -IoT) cihazları ile entegre edilen derin öğrenme (DÖ) modellerinin etkileri, akıllı evler, akıllı şehirler, sağlık hizmetleri, ulaşım sistemleri ve endüstriyel otomasyon gibi çeşitli alanlarda yaygın bir şekilde hissedilmektedir. Bu gelişmeler, bu alanlarda büyük bir ilerleme kaydedilmesini sağlamış ve aynı zamanda enerji verimliliği, otomasyon ve zengin kullanıcı deneyimi açısından önemli avantajlar sunmuştur. Ancak, bu teknolojik ilerlemelerin beraberinde bazı çevresel etkileri de getirdiği gözlemlenmiştir. Özellikle, IoT cihazları üzerinde çalıştırılan derin öğrenme modellerinin enerji tüketimi ve bu durumun dolayısıyla yaratmış olduğu karbon ayak izi, son yıllarda dikkat çekici bir endişe kaynağı haline gelmiş ve bu konuda çeşitli araştırmalar yapılması gerekliliği ortaya çıkmıştır. Bu tez çalışması, Raspberry Pi 5 (CPU), NVIDIA Jetson Xavier NX (GPU), Google Coral USB Accelerator (TPU) ve Khadas VIM3 Pro (NPU) gibi birbirinden farklı ve oldukça ilginç donanım mimarilerine sahip toplamda dört farklı IoT platformunda, MobileNetV2, ShuffleNetv2, SqueezeNet ve ResNet18 gibi son derece popüler ve yaygın bir şekilde kullanılan derin öğrenme modellerinin enerji tüketimlerinin yanı sıra, bu modellerin performans metrikleri olarak gecikme süreleri ile doğruluk derecelerinin kapsamlı bir biçimde karşılaştırmalı incelemesini ve değerlendirilmesini hedeflemektedir. Ayrıca bu çalışma, bu derin öğrenme modellerinin enerji tüketimindeki değişimlerin yanı sıra karbon ayak izinin de nasıl etkilendiği konusunda derinlemesine bir inceleme yapacaktır. Bu araştırmanın önemli bir bileşeni olarak, quantization, pruning ve knowledge distillation gibi çeşitli optimizasyon tekniklerinin bu modellerin enerji tüketimi ve karbon ayak izi üzerindeki etkileri, gerçek yaşamdan alınan bir örnek olan akıllı ev uygulaması çerçevesinde (özel olarak enerji tüketiminin izlenmesi) değerlendirilecektir. Optimizasyon sürecinde kullanılan yöntemler arasında niceleme (quantization), budama (pruning), bilgi damıtma (knowledge distillation) ve ağırlık kümeleme (weight clustering) gibi çeşitli etkili teknikler bulunmaktadır ve bu stratejilerin uygulanmasıyla enerji verimliliği sağlanması amaçlanmaktadır. Bu tekniklerin enerji tüketimi, işlem süresi ve model doğruluğu üzerindeki etkileri son derece detaylı bir biçimde ele alınmış olup, en iyi sonuçların ışığında IoT cihazlarında enerji verimliliği ile yüksek performans arasında en uygun dengeyi sağlamak maksadıyla kapsamlı bir analiz gerçekleştirilmiştir. Bu sayede elde edilen veriler hem akademik hem de endüstriyel uygulamalar için önemli çıktılar sunmayı hedeflemektedir. NPU, TPU ve GPU gibi donanımlarda uygulanan optimizasyon tekniklerinin etkileri karşılaştırmalı olarak sunulmuş ve çevresel etkiler açısından en etkili çözüm önerileri derinlemesine tartışılmıştır. Çalışmanın sonuçları, yapay zeka modellerinin hem performanstan ödün vermeden hem de enerji verimliliği sağlayarak karbon ayak izini azaltabileceğini açık bir şekilde göstermektedir. Böylece, IoT cihazlarının kullanımındaki çevresel etkiler minimize edilerek, sürdürülebilir bir dijital geleceğe ulaşmak için önemli bir adım atılmış olacaktır ve bu durum, teknoloji ve çevre dostu yaklaşımlar arasında bir denge kurmak adına kritik bir öneme sahiptir.
802.11ax teknolojisi tabanlı kurumsal kablosuz ağların performans analizi ve iyileştirilmesi
Wi-Fi teknolojisi, günümüzde hem bireysel hem de kurumsal kullanımda kritik bir öneme sahiptir. Artan cihaz sayısı ve veri talepleri, özellikle kurumsal kablosuz ağların performans ve güvenilirlik açısından optimize edilmesini zorunlu kılmaktadır. Bu çalışmada, kurumsal kablosuz ağların performansını artırmaya yönelik kapsamlı bir analiz ve iyileştirme çalışması gerçekleştirilmiştir. Çalışmada, Wi-Fi ağlarının sinyal gücü, sinyal-gürültü oranı (SNR), veri hızı, ağ kapasitesi ve kanal çakışması gibi temel performans parametreleri detaylı bir şekilde değerlendirilmiştir. Analiz süreci, A, B ve C adı verilen üç ana binadan oluşan bir kurumsal tesiste, Ekahau AI Pro yazılımı ve Ekahau Sidekick cihazı kullanılarak gerçekleştirilmiştir. Elde edilen veriler, belirli alanlarda sinyal gücü seviyesinin -85 dBm seviyelerine düştüğünü ve bunun ağın kapsama alanını olumsuz etkilediğini ortaya koymuştur. B-C binasının zemin katında, dolaşım (roaming) için ikincil sinyal seviyelerinin yetersiz olduğu tespit edilmiştir. Kampüs genelinde SNR seviyelerinin ortlama 30 dB ve üzeri olduğu gözlemlenmiş ve bu değerlerin ideal bağlantı sağladığı belirlenmiştir. Analiz sırasında, bazı alanlarda aynı kanalda yayın yapan erişim noktalarının sayısının 6'ya kadar çıktığı belirlenmiştir. Bu durum, özellikle yoğun parazitin olduğu bölgelerde ağ performansının düşmesine neden olabilecek bir etken olarak değerlendirilmiştir. Veri hızı 2.4 GHz frekans bandında 1 - 300 Mbps, 5 GHz bandında ise 1 - 585 Mbps arasında değişiklik göstermiştir. Analiz sonuçları doğrultusunda gerçekleştirilen iyileştirme çalışmalarında ise müdahale edilebilirliğin daha yüksek olduğu 5 GHz frekans bandına odaklanılmıştır. Wi-Fi sinyal gücünü zayıflatan birçok faktör bulunmaktadır. Erişim noktalarının yanlış yerleştirilmesi, zayıf Wi-Fi sinyalinin başlıca nedenleri arasında yer alırken; mesafenin etkisi ve iç duvarların sinyal gücü üzerindeki zayıflatıcı etkisi de önemli faktörlerdendir. Tesiste, sinyal seviyesi düşük olan alanlarda sinyal gücü iyileştirmesi için erişim noktalarının konumları ve yönleri yeniden düzenlenmiş, ayrıca ek erişim noktaları eklenmiştir. İyi bir Wi-Fi ağı, minimum erişim noktası sayısı ile maksimum alanı kapsayabilmelidir ve erişim noktalarının doğru şekilde yerleştirilmesi, iyi bir kapsama alanı elde etmede kilit bir unsurdur. Tesisin öne çıkan problemi olan kanal çakışması, 2.4 GHz frekans bandında sınırlı kanal yapısı nedeniyle bu bandın yayınlarının devre dışı bırakılmasıyla çözülmüştür. 5 GHz frekans bandında ise, çakışmayı önlemek için kanallar 20 MHz ile sınırlandırılmış ve erişim noktalarına statik, kanal çakışmasını engelleyici bağımsız atamalar yapılmıştır. Bu iyileştirme adımları, ağ performansının artırılmasında ve kullanıcı deneyiminin iyileştirilmesinde önemli bir katkı sağlamıştır. Çalışma, kurumsal kablosuz ağların performans analizi ve iyileştirilmesi konusunda önemli veriler sunmaktadır.
Makine öğrenmesi algoritmaları kullanılarak sürücü davranışlarının yakıt verimliliği üzerindeki etkisi ve elektrikli araçlara eğilimin tespiti
Bu çalışma, sürücü davranışlarının yakıt tüketimi ve enerji verimliliği üzerindeki etkilerini incelemeyi ve elektrikli araçların benimsenmesini etkileyen faktörleri analiz etmeyi amaçlamaktadır. Çalışmada, 304 katılımcının demografik özellikleri, sürüş alışkanlıkları ve elektrikli araçlara yönelik tutumlarını kapsayan çevrimiçi bir anketten elde edilen veriler kullanılmıştır. Toplanan veriler, makine öğrenimi teknikleriyle analiz edilerek sürücü davranışlarının yakıt verimliliğine ve elektrikli araç ilgisine nasıl etki ettiği değerlendirilmiştir. Analizler, elektrikli araçlara olan ilginin bilgi seviyesi, maliyet algısı ve altyapı erişimi gibi faktörlere bağlı olarak değiştiğini göstermiştir. Yaş gruplarına göre ilgi seviyelerinde farklılıklar bulunmuş, 30-39 yaş grubunun en yüksek ilgiyi gösterdiği tespit edilmiştir. Bilgi seviyesi ve şarj erişilebilirliğinin artmasıyla ilgi seviyesinin düzenli bir şekilde yükseldiği gözlemlenmiştir. Bunun yanı sıra, sürüş deneyimi, agresif sürüş alışkanlıkları ve yakıt tüketimi farkındalığı arasındaki ilişkiler de değerlendirilmiş ve daha bilinçli sürüş tekniklerinin yakıt verimliliğini artırdığı ortaya konmuştur. Çalışmada Random Forest, XGBoost, Lojistik Regresyon ve SVM gibi makine öğrenimi modelleri uygulanmış ve sınıf dengesizlikleri SMOTE yöntemiyle giderilmiştir. XGBoost modeli %100 doğruluk oranıyla en başarılı sonuçları sağlamıştır. Elde edilen bulgular, sürdürülebilir sürüş alışkanlıklarının teşvik edilmesi ve elektrikli araçların yaygınlaştırılmasına yönelik stratejiler geliştirilmesi için önemli çıkarımlar sunmaktadır.