Çankaya GCRIS Standart veritabanının içerik oluşturulması ve kurulumu Research Ecosystems (https://www.researchecosystems.com) tarafından devam etmektedir. Bu süreçte gördüğünüz verilerde eksikler olabilir.

Bilgi Teknolojisi Bölümü Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12416/298

Browse

Browsing Bilgi Teknolojisi Bölümü Tezleri by Author "Bilgisayar Mühendisliği"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Master Thesis
    Bir Seyahat Öneri Sisteminde Modeller, Veri Stratejileri ve Hiperparametre Ayarını Keşfetmek
    (2024) Erkal, Necati; Saran, Ayşe Nurdan; Bilgisayar Mühendisliği
    Öneri sistemlerinin önemi son dönemde giderek artmaktadır. Verilerin karmaşıklığı nedeniyle kullanıcıların beğenebileceği bir öneride bulunmak giderek zorlaşıyor. Özellikle seyehat öneri sistemlerinde bir sonraki şehri önermek önemli ve zor bir görevdir. Çeşitli çalışmalara göre derin öğrenmeyi öneri sistemlerinde kullanmak önerilerin doğruluğunu arttırmaya ve karmaşık verileri ele almaya yardımcı olmaktadır. Bu tez önerilen derin öğrenme destekli seyehat öneri sistemi için yeni mimarileri, veri ve hiperparametre ayarlama tekniklerini ortaya koymaktadır. NVIDIA ekibinin WSDM WebTour 2021 yarışmasında kazanan öneri sistemi bu çalışmada kullanıldı. Kazanan çözümü anlamak için algoritma ve veri seti analiz edilip, çalışmayı geliştirmek için yeni çözümler önerilmiştir.
  • Thumbnail Image
    Master Thesis
    Gizliliği Koruyan Federated Öğrenme ile Giriş Tespitini Geliştirme: Farklı Mahremiyet ve Artırımlı Öğrenme Entegrasyonu
    (2025) Asal, Ali Sadeq Hussein; Saran, Ayşe Nurdan; Bilgisayar Mühendisliği
    Siber güvenlikte, Saldırı Tespit Sistemleri (IDS), ağları ve sistemleri kötü niyetli faaliyetleri tespit etmek için tarar ve hassas veriler tehlikeye girmeden tehditleri tanımlamaya yardımcı olur. Makine öğreniminin (ML) tanıtılması, IDS'yi otomatik ve akıllı tehdit algılama mekanizmaları sağlayarak geliştirmiştir. Ancak, Federated Learning (FL) gibi dağıtılmış ortamlarda ML modellerinin eğitimi, model parametrelerinin analizi yoluyla hassas bilgileri açığa çıkarabilir. FL, verileri yerelleştirerek belirli gizlilik sorunlarını hafifletir, ancak gerçek bir gizlilik koruması için yeterli değildir ve geliştirilmesi gereklidir. Özellikle, Artırımlı Öğrenme (IL), IDS'yi yeniden eğitime ihtiyaç duymadan yeni siber güvenlik tehditlerine uyum sağlama yeteneği sunarak iyileştirir. Bu, hesaplama açısından maliyeti düşük tutar ve yeni saldırı davranışlarına hızla uyum sağlar. Özellikle, Federated Differential Privacy Enhanced Model Aggregation adlı bir yöntem öneriyoruz; bu yöntem, federated ML bağlamında hem gizliliği hem de doğruluğu artırmayı hedeflemektedir. Bu yöntem, bir global modelin başlatıldığı ve istemci tarafında eğitimle daha da geliştirildiği bir sunucu-istemci mimarisi kullanır ve güncellemeler güvenli bir şekilde birleştirilir. Ayrıca, veri gizliliğini artırmak için gradyanlara gürültü ekleyen DP-SGD optimizasyonuyla eğitilmiş çok katmanlı bir algılayıcı (MLP) kullandık. Performansı değerlendirdik ve deneysel sonuçlar, önerdiğimiz yaklaşımda sınıf artımlı öğrenmenin doğruluğunun %92,4'e ve özellik artımlı öğrenmenin %99,4'e ulaştığını göstermektedir. Bu sonuçlar, modelimizin yeni verileri iyi bir şekilde öğrenebildiğini ortaya koymaktadır. Süreç, gizliliği koruyucu ve verimli kalmakta olup farklı veri kümesi türleri üzerinde iyi performans sergilemektedir. Bu nedenle, modern çağda bir saldırı tespit sistemi (IDS) için geçerli bir aday olduğuna inanıyoruz.
  • Thumbnail Image
    Master Thesis
    Matris Çözümlemesi Tabanlı Öneri Sistemlerinin Geliştirilmesi: Seyahat Öneri Sistemleri Üzerine Karşılaştırmalı Bir Çalışma
    (2024) Mat, Abdullah Uğur; Saran, Ayşe Nurdan; Bilgisayar Mühendisliği
    Öneri sistemlerinin etkisi ve yararlılığı artmaya devam ettikçe, çeşitli uygulamalardaki önemi giderek daha belirgin hale gelmektedir. Bu nedenle, artan talep ve beklentileri karşılayacak hem verimli hem de yüksek doğruluğa sahip öneri sistemlerinin tasarımı ve uygulanması hayati önem taşımaktadır. Bu çalışma, bir seyahat tahmini öneri sistemleri yarışmasında birincilik ödülü alan bir modele odaklanmaktadır. Amacı, kullanılan modelin veri seti ile olan korelasyonu ve uygulanan azaltılmış veri setinin başarı oranı üzerindeki etkisinin model performansını etkileyip etkilemediğini araştırmaktır. Kaynak kullanımını azaltmak amacıyla veri setinde değişiklikler yapılmıştır. Genelde kullanılan yöntemlerin aksine, veri seti rastgele ve seçici azaltma yöntemleri kullanılarak beşte bir oranına kadar azaltılmış ve sonuçlar gözlemlenmiştir. Veri setinin rastgele azaltılması başarı oranında düşüşe neden olurken, yöntembilimsel azaltma yani seçimli azaltma başarı oranını önemli ölçüde artırmıştır. Orijinal modelde kullanılan derin öğrenme algoritmaları yerine, aynı ilkeleri kullanan başka bir algoritma olan Long Short-Term Memory (LSTM) kullanılmıştır. Gated Recurrent Unit (GRU) ve LSTM algoritmalarının veri seti üzerindeki etkileri de araştırılmıştır. Bu veri setleri için GRU algoritması, LSTM'den daha doğru sonuçlar üretmiştir. Embedding katmanlarında yeni modeller geliştirilmiş ve sonuçlar gözlemlenmiştir. Ayrıca, model tarafından kullanılan optimizatör değiştirilmiş ve diğer optimizatörlerin performansı değerlendirilmiştir. Optimizatörler, donanım üzerinde geniş bir yelpazede etkiler göstermiştir. Orjinal modelin elde ettiği başarı 0.5664 iken bu çalışmada yapılan deneylerde en yüksek ve en muteber 0.6654 başarıma ulaşılmıştır. Modellerde, optimizatörlerde ve özellik mühendisliğinde yapılan değişikliklerin etkili öneri sistemlerinin sürdürülebilirliği açısından yararlı olabileceğini savunuyoruz.