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

Lisansüstü Eğitim Enstitüsü

Permanent URI for this communityhttps://hdl.handle.net/20.500.12416/9485

Browse

Browsing Lisansüstü Eğitim Enstitüsü by Subject "Bilgisayar Mühendisliği Bilimleri-bilgisayar ve Kontrol"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Master Thesis
    Kredi Kartı Dolandırıcılığı Tespiti için Federated Learning: Kontrollü Gürültü Entegrasyonu ile Gizlilik Koruyucu Yaklaşım
    (2025) Maqadas, Rusul Mahdı Abdulhadı Al; Saran, Murat
    E-ödeme teknolojisinin hızla artmasıyla birlikte, kartlar önemli araçlardan biri olarak öne çıkmaktadır. Ancak, bu büyüme dolandırıcılık saldırılarının riskini de beraberinde getirerek ilgili tarafların zarar görmesine ve kayıplar yaşamasına neden olabilir. Bankalar, varlıklarını korumak ve düzenleyici kurallara uymak için güçlü dolandırıcılık tespit sistemleri kurmayı hedeflemektedir. Bu nedenle, güvenlik ve bütünlük gereksinimlerini karşılayan bir model geliştirmek kritik öneme sahiptir. Bu araştırma projesinde, Derin Sinir Ağı (DNN) ve AdaBoost ile topluluk öğrenimi gibi gelişmiş Makine Öğrenimi (ML) modelleri tanıtılarak, veri setlerindeki dengesiz yapıyı dengeleme yöntemleriyle dolandırıcılık tespit edilmiştir. Ayrıca, veri gizliliğini koruyarak bankalar arasında Federated Learning (FL) aracılığıyla iş birliği içinde öğrenme kolaylaştırılmıştır. Bu çalışmada, FL modeli, öğrenme sürecini sabote etmeye çalışan bankaların kötü niyetli eylemlerine karşı dayanıklılığı değerlendirmek için farklı oranlarda etiket tersine çevirme saldırılarına karşı test edilmiştir. Modeller, bir Irak bankasından alınan gerçek bir veri seti ve tanınmış Kaggle kredi kartı veri seti üzerinde test edilmiştir. Yöntemlerin tüm yönlerini kapsayacak bir dizi performans metriği ile değerlendirilmiştir. Sonuçlar, Random Forest (RF) ve AdaBoost ile topluluk öğreniminin her iki veri setinde de dikkate değer bir performans sergilediğini göstermiştir. Ayrıca, FL cosine tabanlı yöntem, mevcut Federated Average yönteminden daha iyi sonuçlar vermiştir. Son olarak, RF+AdaBoost ile FL cosine birleşimini içeren önerilen yaklaşım, özel bir banka veri setinde doğrulama yapıldığında %96.47 doğruluk ve %94.58 geri çağırma oranı ile mevcut yöntemi geride bırakmıştır. Bu çalışma, dolandırıcılık tespiti alanında gerçek veri setlerinin eksikliğini ele alarak akademik literatüre katkıda bulunmuştur.
  • Thumbnail Image
    Master Thesis
    Türkiye'de Bilgisayar Mühendisliği ve Bilgisayar Bilimleri Yüksek Lisans Programlarındaki Araştırma Eğilimlerinin Konu Modelleme Teknikleri Kullanılarak Belirlenmesi: Lda, Top2vec, And Bertopıc
    (2025) Al-Jumaili, Marwan Tareq Shakir; Saran, Murat
    Bu tez, konu modelleme tekniklerinin uygulanması yoluyla Türkiye'deki Bilgisayar Mühendisliği ve Bilgisayar Bilimleri Yüksek Lisans programlarındaki araştırma eğilimlerinin belirlemeyi hedeflemektedir. Tez çalışmasında, yök tez veritabanı aracılığıyla elde edilen 2020-2024 yılları arasında Türkiye'de yayınlanan 6.174 Bilgisayar Mühendisliği ve Bilgisayar Bilimleri Yüksek Lisans tezinin araştırma konularını belirlemek için BERTopic, Top2Vec ve LDA metodolojileri kullanılmıştır. Araştırma sonuçlarına göre hem LDA hem de BERTopic tekniklerinin tutarlılık skoru en iyi sonuçları verirken, LDA çapraşıklık metriği açısından üstün performans göstermiştir. Bulgular, 2020'deki tezlerin ağırlıklı olarak veri analizi ve yazılım uygulamalarına odaklandığını, makine öğreniminin ise 2021'de öne çıkan bir araştırma alanı olduğunu ortaya koymaktadır. 2022'de, görüntü işleme ve makine öğrenimi konuları, 2023'te ise makine öğrenimi ve algoritma teorisi konuları öne çıkmaktadır. Son olarak, 2024 yılında en popüler konular yapay zekâ ve doğal dil işleme olmuştur. Bu çalışmanın sonuçları, üniversite yöneticilerine akademik ve araştırma gündemlerini bilgisayar mühendisliği ve bilgisayar bilimleri araştırmalarının gelişen ulusal ortamıyla uyumlu hale getirmek için veri odaklı bir metodoloji ve ileriye dönük içgörüler sağlamaktadır.
  • Thumbnail Image
    Master Thesis
    Ultrason Görüntüleme ile Alkolik Olmayan Yağlı Karaciğer Hastalığı Teşhisinde Öz-Denetimli Öğrenme
    (2025) Buktash, Ali Abdulameer Buktash; Görür, Abdül Kadir
    Arka Plan: Alkolik olmayan yağlı karaciğer hastalığı, karaciğerle ilişkili morbiditenin önde gelen nedenlerinden biridir ve erken teşhis edilip tedavi edilmemesi durumunda karaciğer fibrozisi, siroz ve karaciğer kanseri gibi ciddi karaciğer hasarlarına ilerleyebilir. Ultrason görüntüleme, teşhis için yaygın olarak kullanılan girişimsel olmayan bir tanı aracıdır. Ancak, görüntüleme cihazlarındaki farklılıklar ve etiketlenmiş veri setlerinin yetersizliği, otomatik teşhis için genelleştirilebilir makine öğrenimi modellerinin geliştirilmesini zorlaştırmaktadır. Amaç: Bu tez, etiketli verilere olan bağımlılığı en aza indirirken tanısal doğruluğu artırmak amacıyla, Öz-Denetimli Öğrenme (Self-Supervised Learning, SSL) yöntemlerinden özellikle Bootstrap Your Own Latent (BYOL) ve Simple Contrastive Learning of Visual Representations (SimCLR) yöntemlerinin kullanımını araştırmayı amaçlamaktadır. Bu sayede radyologların görüntüleri etiketlemek için harcadığı zaman ve maliyet düşürülebilecektir. Yöntemler: BYOL ve SimCLR, etiketlenmemiş görüntülerden iyi kaliteli görüntü temsilleri öğrenmek için kullanılmıştır. Model boyutunun sınıflandırma performansına etkisini ölçmek için ResNet-50 ve ResNet-101 mimarilerkullanılmıştır. Ayrıca, varsayılan ve uyarlanmış veri artırma (augmentation) yöntemleri, dengeli ve dengesiz sınıf dağılımı protokolleri ve farklı mini yığın (batch) boyutları ile birlikte, değişen yüzdelerde etiketli veriler kullanılarak hem doğrusal (linear) hem de hassas ayar (fine-tuning) değerlendirmeleri gerçekleştirilmiştir. Bulgular: BYOL ve ResNet-50 kullanılarak önerilen özel veri artırma yöntemi ve dengeli sınıf dağılımı protokolü ile en yüksek doğruluk elde edilmiştir. Üç farklı rastgele alt küme üzerinde yapılan doğrusal değerlendirme sonucunda, etiketlerin sırasıyla %100, %10 ve %1'i kullanıldığında ortalama doğruluk oranları %91.71, %90.91 ve %86.64 olarak elde edilmiştir. Bu, etiketlerin küçük bir kısmı ile eğitilen denetimli öğrenme modeline kıyasla istatistiksel olarak anlamlı bir farktır (P < 0.05). Ayrıca, %10 ve %1 etiket kullanıldığında, denetimli öğrenme modeline kıyasla %10.47 ve %16.47 daha yüksek doğruluk sağlanmıştır. Bunun yanı sıra, biri-dışarıda çapraz doğrulama yöntemi kullanıldığında, tam etiketli veri ile BYOL modeli ortalama %97.81 doğruluk ve 0.971 AUC değerlerine ulaşmıştır. Çalışmanın önemli bir bulgusu, önerilen özel veri artırma yönteminin performansı önemli ölçüde artırmasıdır; test edilen tüm yöntemler arasında en yüksek doğruluk ve AUC değerleri bu yöntemle elde edilmiştir. Ayrıca, BYOL'un sınıf dengesizliğinin üstesinden gelme konusunda SimCLR'den daha başarılı olduğu gözlemlenmiştir. Sonuç: Özel veri artırma yöntemiyle kullanılan BYOL, etiketlere bağımlı olmadan yüksek kaliteli görüntü temsilleri öğrenebilir. Bu durum, özellikle sınırlı anotasyona sahip veri setleri için, tıbbi görüntüleme uygulamalarında öz-denetimli öğrenmenin potansiyelini ortaya koymaktadır.