Browsing by Author "Arslan, Serdar"

Now showing 1 - 12 of 12

Citation - WoS: 14
Citation - Scopus: 18
Application of Bilstm-Crf Model With Different Embeddings for Product Name Extraction in Unstructured Turkish Text
(Springer London Ltd, 2024) Arslan, Serdar; 325411; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Named entity recognition (NER) plays a pivotal role in Natural Language Processing by identifying and classifying entities within textual data. While NER methodologies have seen significant advancements, driven by pretrained word embeddings and deep neural networks, the majority of these studies have focused on text with well-defined grammar and structure. A significant research gap exists concerning NER in informal or unstructured text, where traditional grammar rules and sentence structure are absent. This research addresses this crucial gap by focusing on the detection of product names within unstructured Turkish text. To accomplish this, we propose a deep learning-based NER model which combines a Bidirectional Long Short-Term Memory (BiLSTM) architecture with a Conditional Random Field (CRF) layer, further enhanced by FastText embeddings. To comprehensively evaluate and compare our model's performance, we explore different embedding approaches, including Word2Vec and Glove, in conjunction with the Bidirectional Long Short-Term Memory and Conditional Random Field (BiLSTM-CRF) model. Furthermore, we conduct comparisons against BERT to assess the efficacy of our approach. Our experimentation utilizes a Turkish e-commerce dataset gathered from the internet, where traditional grammatical and structural rules may not apply. The BiLSTM-CRF model with FastText embeddings achieved an F1 score value of 57.40%, a precision value of 55.78%, and a recall value of 59.12%. These results indicate promising performance in outperforming other baseline techniques. This research contributes to the field of NER by addressing the unique challenges posed by unstructured Turkish text and opens avenues for improved entity recognition in informal language settings, with potential applications across various domains.
Citation - WoS: 7
Citation - Scopus: 6
Bitcoin Price Prediction Using Sentiment Analysis and Empirical Mode Decomposition
(Springer, 2025) Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Cryptocurrencies have garnered significant attention recently due to widespread investments. Additionally, researchers have increasingly turned to social media, particularly in the context of financial markets, to harness its predictive capabilities. Investors rely on platforms like Twitter to analyze investments and detect trends, which can directly impact the future price movements of Bitcoin. Understanding and analyzing Twitter sentiments can potentially provide insights into future Bitcoin price movements and can shed light on how investor sentiment affects cryptocurrency markets. In this study, we explore the correlation between Twitter activity and Bitcoin prices by examining tweets related to Bitcoin price sentiments. Our proposed model consists of two distinct networks. The first network exclusively utilizes historical price data, which is further decomposed into various components using the Empirical Mode Decomposition method. This decomposition helps mitigate the impact of irregular fluctuations on Bitcoin price predictions. Each of these components is then separately processed by Long Short-Term Memory (LSTM) networks. The second network focuses on modeling user sentiments and emotions in conjunction with Bitcoin market data. User opinions are categorized into positive and negative classes and are integrated with historical data to predict the next-day price using LSTM networks. Finally, the outputs of each network are combined to form the ultimate prediction values. Experimental results demonstrate that Twitter sentiment can effectively helps us predict Bitcoin price trends. Furthermore, to validate our proposed model, we compared it with several state-of-the-art methods. The results indicate that our approach outperforms these existing models in terms of accuracy. © 2025 Elsevier B.V., All rights reserved.
Çevre Bilimleri Alanında Sıfır-Örnekli ve Az-Örnekli Adlandırılmış Varlık Tanıma
(2024) Demirtaş, Kerem Mert; Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Doğal dil işlemede yeni mimariler, modelin bilgisini farklı görevlere aktarabilmeyi sağlar. Bu aktarımlı öğrenme sayesinde modeli bazı görevler için yeniden eğitme ihtiyacı ortadan kalkmıştır. Aktarımlı öğrenme, önceden eğitilmiş bir Büyük Dil Modeli'ni ince ayar yaparak sağlanabilir. Bu çalışmada sonraki cümleyi tahmin etmek için eğitilmiş bir model olan BERT'in daha sade bir versiyonu olan DistilBERT üzerinde ince ayar yapılarak, metinsel veriler üzerinde önemli bir bilgi erişim görevi olan Adlandırılmış Varlık Tanıma görevinin yapılması sağlanmıştır. Aktarımlı öğrenme, modelin daha önceden edindiği bilgileri daha önce görmediği alanlara aktarabilmeyi de sağlar. Bu bağlamda, çevre bilimleri alanına özgü bir veri kümesi oluşturduk. Ayrıca, belirli varlıkları tanımak için çevre bilimleri alanındaki varlıklar için özel varlık etiketleri tanımlanmıştır. Modelin transfer öğrenme yeteneğini değerlendirmek için oluşturulan veri kümesi üzerinde sıfır atışlı, bir atışlı ve on atışlı öğrenme prosedürleri gerçekleştirilmiştir. Transfer öğrenimini iyileştirmek için modeli genel bir Türkçe veri kümesi üzerinde önceden eğittik. Son olarak, modelin sıfır atışlı ve birkaç atışlı kurulumlardaki tahmin performansını iyileştirmek için bir büyük dil modeli kullanılarak oluşturulan çevre bilimleri alanına özgü veriler, oluşturduğumuz veri kümesiyle birleştirilmiştir. Çalışmada, modeli genel veri kümesiyle önceden eğitme işlemi ve yapay olarak oluşturulan veri kümesini tanıtma işlemi ayrı ayrı ve birlikte değerlendirilmiştir. Ayrıca, eğitim veri kümesinde anlamsal olarak ilişkili varlıkların, modelin tahmin yeteneği üzerindeki etkisi incelenmiş olup, ilişkili varlıkların eğitim verisine eklenmesi sonucu tüm atış seçeneklerinde tahmin performansının iyileştiği görülmüştür. Testlerin değerlendirmesi umut verici sonuçlar göstermekte ve transfer öğrenimi açısından iyileştirmelere ışık tutmaktadır.
Derin Öğrenme ve Çok Boyutlu İndeksleme Kullanılarak İçerik Tabanlı Görüntü Alma
(2024) Uzel, Ömer; Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Son yıllarda yaşanan teknolojik gelişmeler ile donanım ve yazılım maliyetlerindeki düşüş, görsel arama uygulamalarını hem popüler hem de vazgeçilmez bir hale getirdi. Dolayısıyla, görsel sorgular aracılığıyla görüntülerin geniş veri tabanlarından hızlı ve hassas bir şekilde alınması kritik bir görev haline geldi. Video karesi düzeyinde veri tabanı aramaları yürütülen sistemlerle karşılaştırıldığında, arama performansını önemli ölçüde artıran yeni bir system sunuyoruz. Önceden eğitilmiş bir Evrişimli Sinir Ağı (CNN) modelinden yararlanarak, verimli indeksleme için düşük seviyeli özellikleri çıkarmak ve depolamak amacıyla denetimsiz görüntü alma süreçlerini kullanıyoruz. Hızlı ve etkili erişimi kolaylaştırmak için, Bakış Noktası Ağacı (VP Tree) olarak bilinen düşük seviyeli özelliklerden yararlanan bir indeksleme yapısı uyguluyoruz. Bu özelliklerden faydalanabilmek için, onları daha düşük boyutlu bir alanda temsil edecek boyut küçültme tekniklerini kullanıyoruz. Karşılaştırmalı görüntü veri kümesi üzerinde gerçekleştirilen deneylerimiz, bu yaklaşımın, K-En Yakın Komşu (KNN) araması olarak bilinen bir arama yöntemiyle karşılaştırıldığında daha hızlı ve doğru erişime yol açtığını göstermektedir. Ayrıca, önerilen tekniği iki gerçek video veri kümesini kullanarak KNN'e karşı değerlendiriyoruz ve bu teknik, sürekli olarak KNN'den daha iyi performans gösteriyor.
Citation - Scopus: 6
Design of Frameless Gimbal Motor for Uav Applications
(International Organization on 'Technical and Physical Problems of Engineering', 2022) Arslan, S.; İskender, İres; Iskender, I.; Arslan, Serdar; 133746; Elektrik-Elektronik Mühendisliği; Bilgisayar Mühendisliği; 06.03. Elektrik-Elektronik Mühendisliği; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Recently, application areas of the Unmanned Aerial Vehicle (UAV) systems have started to expand very rapidly due to the fact that offering more effective, economical, reliable and safe solutions compared to manned air platforms, satellites and/or various ground platforms. However, desire to develop higher performance, resourceful, lighter, small and low powered payload make the gimbal platforms mandatory part of the UAVs in a short time and their role is getting increased day by day. In parallel with the increasing demand for precise stabilization, robustness, lightness and agility in gimbal systems, it has become an important trend to use more-electric (ME) customed systems instead of traditional market products. The electric motors that control the speed and position of the gimbal system are simply referred to as gimbal motors. Related design study focuses on designing direct-drive in-runner frameless gimbal motor with the following features; 8.5 VAC line voltages, 24-slot/28-pole combination, 60 rpm, 80 mN.m. Permanent magnet synchronous motor topology is determined to offer higher torque density, higher precision and fast response required for gimbal platforms. The selecting criteria of dimensions, performance parameters, materials, machine type with rotor structures and motor duty cycle are also explained. The gimbal motor is performed analytically in Ansys RMxprt with parametric assignments, statistically and sensitively tuned in Maxwell 2D and optimized in Maxwell 3D by finite element method (FEM) optimetric convergence approach with magnetostatic and transient solutions to get the final machine shape. This study is currently part of the gimbal system to be produced for medium sized surveillance UAV. Since the gimbal motor has been prototyped, all dimensions given are valid. © 2022, International Organization on 'Technical and Physical Problems of Engineering'. All rights reserved.
Enhancing Content-Based Retrieval Through an End-to-End Approach Utilizing Deep Learning and Multidimensional Indexing
(Springer London Ltd, 2025) Uzel, Omer; Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Recent advancements in technology, coupled with reductions in hardware and software costs, have propelled visual search applications into the spotlight, making them both popular and indispensable. Consequently, the rapid and precise retrieval of images from vast databases through image queries has become a critical task. We introduce a novel end-to-end retrieval architecture that significantly enhances retrieval performance when compared to a baseline system that conducts database searches at the video frame level. Leveraging a pre-trained convolutional neural network model, we employ unsupervised image retrieval processes to extract and store low-level features for efficient indexing. To facilitate swift and effective access, we implement a tree-based indexing structure known as VP-Tree. This structure utilizes the extracted low-level features. To make these features compatible with our system, we employ dimension reduction techniques to represent them in a lower-dimensional space. Our experiments, conducted on three benchmark datasets, demonstrate that VP-Tree consistently outperforms k-nearest neighbor (KNN) search in terms of retrieval accuracy and efficiency. Specifically, for image data set, VP-Tree achieves a precision of 56.3903, an F1-score of 68.703, and an area under the curve (AUC) of 93.518719, all slightly surpassing KNN. Similarly, for news video data set, VP-Tree attains a precision of 38.704011, an F1-score of 55.029674, and an AUC of 64.6412, again outperforming KNN. For documentary data set, VP-Tree achieves a notable improvement with a precision of 73.511723, an F1-score of 84.734013, and an AUC of 80.981328, demonstrating superior performance over KNN. In addition to accuracy, we evaluated retrieval time across different dataset sizes. While KNN performs slightly faster on smaller datasets, VP-Tree scales significantly better as dataset size increases. For 100,000 images, VP-Tree reduces retrieval time from 79.77 to 54.34 ms, and for 200,000 images, it improves performance from 108.75 to 44.63 ms, confirming its efficiency in large-scale retrieval scenarios. These results highlight VP-Tree as a robust and scalable alternative to traditional KNN-based methods, ensuring both accuracy and efficiency in large-scale image retrieval tasks.
Citation - WoS: 29
Citation - Scopus: 42
A Hybrid Forecasting Model Using Lstm and Prophet for Energy Consumption With Decomposition of Time Series Data
(Peerj inc, 2022) Arslan, Serdar; 325411; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
For decades, time series forecasting had many applications in various industries such as weather, financial, healthcare, business, retail, and energy consumption forecasting. An accurate prediction in these applications is a very important and also difficult task because of high sampling rates leading to monthly, daily, or even hourly data. This high-frequency property of time series data results in complexity and seasonality. Moreover, the time series data can have irregular fluctuations caused by various factors. Thus, using a single model does not result in good accuracy results. In this study, we propose an efficient forecasting framework by hybridizing the recurrent neural network model with Facebook's Prophet to improve the forecasting performance. Seasonal-trend decomposition based on the Loess (STL) algorithm is applied to the original time series and these decomposed components are used to train our recurrent neural network for reducing the impact of these irregular patterns on final predictions. Moreover, to preserve seasonality, the original time series data is modeled with Prophet, and the output of both sub-models are merged as final prediction values. In experiments, we compared our model with state-of-art methods for real-world energy consumption data of seven countries and the proposed hybrid method demonstrates competitive results to these state-of-art methods.
Kapılı Tekrarlayan Hücreler Tabanlı Bulanık Zaman Serileri Tahminleme Modeli
(2023) Arslan, Serdar; 325411; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Zaman serisi tahminleme hava durumu, iş dünyası, satış verileri ve enerji tüketimi tahminleme gibi bir çok alanda uygulama alanına sahiptir. Bu alanlarda tahminleme yaparken kesin sonuçlar elde etmek çok önemlidir ama aynı zamanda zaman serilerinin karmaşık ve de belirsizlik içeren veriler olması nedeniyle çok zordur. Günümüzde, derin öğrenme metotları bu alanda klasik metotlara göre daha iyi sonuçlar vermektedir. Fakat literatürde bulanık zaman serileri tahminleme konusunda çok az çalışma vardır. Bu çalışmada, zaman serilerindeki karmaşıklığın ve belirsizliğin doğurduğu problemleri yok etmek için Yinelemeli sinir Ağları ile bulanık time serilerini bir arada kullanan bir model ortaya konmuştur. Bu çalışmada, Kapılı Tekrarlayan Hücreler kullanarak geçmiş veriler ile bulanık verilerin üyelik değerleri birleştirilerek tahminleme değeri hesaplanmıştır. Ayrıca, bu çalışmadaki model ilk seviye bulanık ilişkileri ele alabildiği gibi, çoklu seviye bulanık ilişkileri de kapsamaktadır. Testlerde literatürde var olan çalışmalar ilgili model ile iki açık veri seti ile karşılaştırılmış olup bahsi geçen modelin daha iyi veya benzer sonuçlar verdiği gözlemlenmiştir. Ayrıca model Covid-19 verileri kullanılarak da test edilmiş ve Uzun-Kısa Süreli Bellek modellerinden daha iyi sonuç vermiştir.
Citation - WoS: 1
Mm-Food: a High-Dimensional Index Structure for Efficiently Querying Content and Concept of Multimedia Data
(Ios Press, 2023) Yazici, Adnan; Arslan, Serdar; 325411; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
The semantic query problem is commonly called the semantic gap and is one of the significant problems in multimedia data retrieval. In this study, we focus on multimedia data retrieval by combining semantic information with data content to solve the semantic gap problem effectively. The main idea behind the combination of low-level content descriptors and the concept of multimedia data is to represent the content information with the semantic information by adding a low-level content descriptor as a new dimension to the index structure. This new dimension is represented by constructing an array index structure that uses a fuzzy clustering algorithm. Thus, a new high-dimensional index structure, named MM-FOOD, supporting querying of multimedia data, including fuzzy querying, is presented in this paper. This proposed index structures construction and query algorithms are explained throughout this paper. Our experiments show that our indexing mechanism is considerably efficient compared to the basic indexing approach, which stores low-level content and semantic concept descriptors in separate structures when the data size is large.
Citation - WoS: 1
Citation - Scopus: 1
Redefining Osint Software Architecture With System-Centric Architecture Design: a Framework Shaped by Qaw, Add, and Atam
(Ieee-inst Electrical Electronics Engineers inc, 2025) Yurtalan, Gokhan; Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
This study develops a novel software architecture for Open Source Intelligence (OSINT). The primary architectural drivers of the OSINT architecture are identified using the Quality Attribute Workshop (QAW), and an end-to-end OSINT software architecture design is implemented in accordance with Attribute-Driven Design (ADD). The architecture is extensively analyzed with metric evaluations and the Architecture Tradeoff Analysis Method (ATAM), confirming critical quality attributes such as performance, reliability, functional suitability, and security. The design decisions taken within this architectural framework are detailed in the article through module view, component and connector view, and allocation view representations. The proposed architecture uses an on-premise Large Language Model (LLM) to explore the potential for deeper and more reliable information processing capabilities in OSINT analyses and presents a framework that enhances semantic depth and analytical capabilities. The architecture not only amplifies the semantic and analytical capabilities of OSINT systems but also sets a precedent for future architectural endeavors in intelligence systems design. This paper presents a framework that not only meets contemporary needs but also anticipates future demands in the rapidly evolving field of OSINT.
Türkçe Kısa Metinlerde Duruş Tespiti: Rusya-ukrayna Savaşı Örneği
(2024) Arslan, Serdar; Fırat, Eray; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Son yıllarda sosyal medya, çeşitli konulardaki halkın görüşlerini anlamak için önemli bir bilgi kaynağı haline gelmiştir. Bu nedenle, bu verilerden otomatik bilgi çıkarmak öneminin arttığı bir alan haline gelmiştir. Doğal dil işleme alanının alt görevlerinden biri olan görüş belirleme, otomatik bilgi çıkarma için kritik bir konudur. Duruş tespiti, kullanıcının belirli bir konu, olay veya kişi hakkındaki tutumunu otomatik olarak belirler. Bu çalışmada, Rusya-Ukrayna Savaşı'na yönelik sosyal medya kullanıcılarının tutumlarını belirleme görevine odaklanan Türkçe etiketli bir veri kümesi oluşturulmuş ve bu veri kümesinde çeşitli makine öğrenimi yöntemleri değerlendirilmiştir. Bu çalışma için 8215 tweet Twitter'dan toplandı ve temizlendi. Veri kümesi daha sonra Rusya ve Ukrayna olmak üzere iki hedefle etiketlendi. Stance Detection görevi için GloVe ve FastText kelime gömme ile Support Vector Machines, Random Forest, k-Nearest Neighbor, XGBoost, Long-Short Term Memory (LSTM) ve Gated Recurrent Unit (GRU) modelleri kullanılmıştır. Ayrıca, duruş tespiti için transformer tabanlı bir yaklaşım da kullanılmıştır. Veri kümesinin hedefler arasındaki dengesizliği dikkate alındığında, bu algoritmalarla birlikte örnek azaltma ve örnek artırma yöntemleri de kullanılmıştır. Deney sonuçları, BERT tabanlı modellerin diğer tüm modelleri geride bıraktığını göstermektedir. Bu sonuçların yanı sıra, LSTM ve GRU da BERT tabanlı modelin sonuçlarına oldukça benzer sonuçlar üretmiştir. Yeni oluşturulan Türkçe veritabanı, bu araştırma alanı için değerli bir kaynak olarak kabul edilebilir ve gelecekte transformer tabanlı yaklaşımlarla birlikte kullanma potansiyeline sahiptir. Özetle, bu çalışma, Türkçe metin bağlamında duruş tespiti araştırma alanını ilerletmektedir.
Türkiye’de Covıd-19 Vakalarının Farklı Önlemler Altında Tahminlemesi
(2024) Arslan, Serdar; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Korona virüs salgını 2019 sonunda başladı ve tüm dünyayı etkisi altına aldı. Türkiyede aşılama süreci 2021 senesini başlarında başlatıldı ama çok yavaş ilerledi. Bu yüzden, bu süreçte Türk Hükümeti virüs yayılımını engellemek için çeşitli önlemler aldı. Bu çalışmada, bu önlemlerin virüs yayılımına olan etkisini anlamak için beş farklı tahminleme modeli (ARIMA, Prophet, NARNN, Yığıt LSTM ve çiftyönlü LSTM) gerçek dünya verileri ile kullanıldı ve karşılaştırıldı. Test sonuçları önlemlere göre parçalanan veri setinde küçük olanlar için ARIMA ve Prophet’in diğer modellere göre iyi sonuçlar verdiğini gösterdi. Veri setinin büyüklüğü arttıkça derin öğrenme yöntemlerinin daha iyi sonuçlar ortaya koyduğu gözlemlendi. Fakat, önlemlere göre ayırmadan tüm veri setini tek bir seferde kullandığımızda bu modellerin performanslarının düştüğü gözlemlendi.