Bilgisayar Mühendisliği Bölümü Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12416/58

Browse

Now showing 1 - 20 of 268

Parmak İzi Biyometrik Kimliklendirme için Derin Öğrenme Modeli
(2025) Abdulkarım, Anas Jalal Abdulkarım; Sever, Hayri
This thesis concerns the development, training, and testing of a deep learning model that recognizes fingerprints. We will use convolutional neural networks (CNNs) to carry out identification and verification activities. The study uses two different fingerprint sets containing various types of fingerprints, including contact-based and contactless images. These sets include the FVC2006 (DB1, DB2, DB3, and DB4) and the Hong Kong Polytechnic University Fingerprint Images Database. The study involves improving fingerprint images, extracting features from those images, and training a CNN classifier that can effectively handle the two different modalities. First, the FVC2006 DB1 Electric-Field dataset is investigated to study contact-based fingerprint recognition. The second stage considers the PolyU 2D-to-contact dataset, which consists of contact-based and contactless fingerprint images. Discriminative features with the potential for accurate fingerprint matching and classification are extracted using effective methods such as Gabor filters, orientation analysis, and texture descriptors. The single-point detection that was also studied includes core and delta detection, which is important for reliable fingerprint classification and matching. Some of the metrics used to measure the performance of the proposed system are classification accuracy, equal error rate (EER), and receiver operating characteristic (ROC) curves. The system attained classification accuracies of 92.76% on the v FVC2006 (DB1) dataset and 93.75% on the PolyU dataset. The EER values for the FVC2006 and PolyU datasets were 14.26% and 2.99%, respectively, demonstrating the efficiency of the CNN method for fingerprint recognition. This work contributes to the growing field of fingerprint biometrics by providing information about issues and processes in cross-modality fingerprint recognition. The results demonstrate the advantages of CNNs in enhancing the performance of fingerprint classification systems, particularly with regard to different acquisition methods and datasets.
Derın Arap Duygusu Arap Toplumsal Söylemınde Duygu Analızının İncelenmesı
(2025) Hamadani, Salam Ali Saloom Al; Sever, Hayri
Son yıllarda, çok modlu duygu analizi; metin, ses ve görsel gibi çeşitli kaynaklardan veri toplayarak insan duygularını anlama ve tanıma konusunda güçlü bir araç hâline gelmiştir. Geleneksel yöntemlerin yalnızca tek bir girdi türüne dayanmasının aksine, bu sistemler dil, ses tonu ve yüz ifadelerini aynı anda değerlendirerek insan ifadesinin tamamını anlamayı amaçlar. Bu bütüncül yaklaşım, duygu tanıma doğruluğunu önemli ölçüde artırmakta ve bireysel duyguların daha derinlemesine ve doğru bir şekilde tahmin edilmesini sağlamaktadır. İngilizce için çok modlu modellerin ve veri kümelerinin geliştirilmesinde önemli ilerlemeler kaydedilmiş olmasına rağmen, Arapça duygu analizi hâlâ geride kalmaktadır. Arapçanın karmaşık sözdizimi, çok sayıda lehçesi ve kendine özgü gramer yapısı, duygu tanımayı özellikle zorlaştırmaktadır. Ayrıca, Arapça için kapsamlı, büyük ve ayrıntılı bir çok modlu veri kümesinin eksikliği bu alandaki ilerlemeyi sınırlamaktadır. Bu çalışma, Arapçanın dilsel özelliklerine etkili şekilde uyum sağlayabilen ve duygu analizinin doğruluğunu artırmayı hedefleyen derin öğrenme modellerinin inşasını amaçlamaktadır. Bu tez, metin, ses ve görsel medyanın gelişmiş derin öğrenme çerçeveleri ile entegrasyonu yoluyla çok modlu duygu ve his analizi yöntemlerinin etkinliğini incelemektedir. Araştırma, özellikle CMU-MOSI, MELD ve Arapça Çok Modlu Veri Kümeleri üzerinde, duygu analizinin doğruluğunu artırmayı amaçlamaktadır.Çalışmada, Multimodal Transformer (MULT) gibi gelişmiş modeller; erken ve geç füzyon süreçleriyle birlikte kullanılarak farklı girdi türlerinden duygu analizi bilgilerini hassas bir şekilde yakalama ve yorumlama imkânı sunulmuştur. Sonuç olarak, bu tez CMU-MOSI, MELD ve Arapça Çok Modlu Veri Kümeleri üzerinde gerçekleştirilen özel değişikliklerle duygu ve his tanımlama doğruluğunu artırmaya yönelik kapsamlı bir analiz sunmaktadır. Özellikle CMU-MOSI veri kümesinde DeBERTa, Whisper ve ViT özellik çıkarıcılarıyla güçlendirilmiş MULT modeli kullanılarak doğruluk oranı %80.0'dan %84.89'a yükselmiş ve %4.89'luk bir artış sağlanmıştır. MELD veri kümesinde ise erken füzyon stratejisi doğruluk oranını %67.33'ten %69.89'a çıkararak %3.80'lik bir iyileşme sağlamıştır. Kaynakların sınırlılığı ve dil çeşitliliği nedeniyle başlangıçta zorluklar barındıran Arapça çok modlu veri kümesinde, transformer tabanlı füzyon yöntemlerinin benimsenmesi doğruluğu %63.46'dan %72.73'e yükseltmiş ve %9.27'lik bir gelişme sağlamıştır. Toplu olarak değerlendirildiğinde, bu iyileştirmeler yalnızca doğruluk oranlarını artırmakla kalmayıp aynı zamanda hata oranlarını ve yanlış sınıflandırmaları da azaltarak, çok modlu füzyon ve transformer mimarilerinin farklı dilsel ve kültürel bağlamlarda üstünlüğünü kanıtlamaktadır.
Developing Arabic Sign Language Recognition System
(2025) Juboorı, Mohammed Khaleel Naser Al; Taşel, Faris Serdar
Bu çalışma, hem geleneksel makine öğrenimi hem de derin öğrenme tekniklerini kullanarak Arap İşaret Dili (ArSL) tanımlaması için eksiksiz bir çözüm önermektedir. 31 sınıfı kapsayan 7.857 ArSL resminden oluşan bir veri kümesinde, geleneksel sınıflandırıcıları (SVM, Random Forest) kullanarak çeşitli özellik çıkarma yöntemlerini (HOG, SIFT, SURF, LBP) derin öğrenme modelleri CNN, MobileNet+Transformer ile karşılaştırdık. Araştırmalarımız, SVM-RBF ile HOG özelliklerinin diğer çıkarma tekniklerinden SIFT, SURF ve buna bağlı olarak büyük ölçüde daha iyi performans gösterdiğini buldu. Bu, uygun özellik mühendisliğinin geleneksel model performansını ne kadar önemli ölçüde artırabileceğini göstermektedir. Google Colab'ın donanım kısıtlamaları olmasına rağmen, MobileNet+Transformer modelimiz yalnızca 20 epoch'un ardından %76 doğruluk elde etti ve şaşırtıcı bir şekilde 100 epoch'un daha uzun bir eğitimden sonra %98'e ulaştı. Amerikan (%99,22), İrlanda (%99'dan fazla) ve Alman (%97,5) gibi çeşitli işaret dilleri için performansı son teknoloji sistemleri geride bırakıyor. Bellek sınırlarının ötesine geçmek için diğer teknolojik ince ayarlar arasında etkin bellek yönetimi, çözünürlük ölçekleme ve toplu boyut azaltma kullandık. Sonuçlarımız, derin öğrenme modellerinin hiyerarşik gösterimleri otomatik olarak öğrendiğini, dolayısıyla olay içinde bile insan mühendisliğini ortadan kaldırdığını, geleneksel yaklaşımların karmaşık özellik çıkarımına ihtiyaç duyduğunu göstermektedir. Bu çalışma, ArSL tanıma konusunda içgörülü bir analiz sunar ve uygun yaklaşımlarla, kısıtlı işlem kapasitesiyle bile uluslararası standartlarla aynı seviyede performansın mümkün olduğunu gösterir.
Hepatitis C Virüsü Makine Öğrenimi Teknikleri Kullanarak Tahmini
(2025) Ibrahim, Alhasan Salih Ibrahim; Görür, Abdül Kadir
Hepatit C virüsünün enfeksiyonu, etkili ve doğru tanı yaklaşımlarının geliştirilmesini gerektirebilecek küresel ölçekte önemli bir tıbbi alan zorluğudur. Geleneksel tanı teknikleri, yaygın olarak kullanılsa da, genellikle doğruluk, erişilebilirlik ve maliyet etkinliği açısından sınırlamalara sahiptir. Bu çalışma, karaciğer HCV'sinin erken teşhisi için makine öğrenimini kullanan bir tahmin modeli önermektedir; veri kümesindeki sınıf dengesizliği sorununu ele almak için Ekstra Ağaçlar Sınıflandırıcısı ile Sentetik Azınlık Aşırı Örnekleme Tekniği bir arada kullanılmaktadır. Üç serbest erişilebilir veri seti, HCV-EGY, ILPD, HCV, hem eğitim hem de değerlendirme için kullanılmıştır, böylece çeşitli nüfus grupları arasında sağlamlık ve genelleştirilebilirlik sağlanmıştır. Bu çalışmanın modeli, hem HCV hem de HCV-EGY veri setlerinde %98 doğruluk elde ederken, ILPD %95 doğruluk elde etmiştir. geleneksel tanı yöntemlerinin performansını aşarak, erken HCV tespitini iyileştirmede makine öğreniminin etkinliğini göstermektedir. Özellik önemliliği analizi, sınıflandırma sürecini önemli ölçüde etkileyen ana biyomarkerleri belirlemek için gerçekleştirildi. Yorumlanabilirlik bileşeni, HCV enfeksiyonu ile bağlantılı biyolojik belirteçler hakkında içgörüler sunarak, tanı kriterlerinin ve tedavi stratejilerinin geliştirilmesine yardımcı olabilir. Bu çalışma, ileri düzey makine öğrenimi tekniklerinin uygulanması yoluyla klinik ortamlarda invaziv olmayan, veri odaklı tanı yöntemlerinin potansiyelini vurgulamaktadır. Sonuçlar, makine öğrenimi modellerinin HCV'nin erken teşhisinde sağlık profesyonellerine yardımcı olmak için güvenilir, verimli ve yorumlanabilir araçlar olarak işlev görebileceğini göstermektedir. Bu araştırma, tıbbi teşhislerde yapay zeka destekli metodolojiler için mevcut kanıtları güçlendirerek, daha doğru ve erişilebilir hastalık tespit çerçevelerinin geliştirilmesini kolaylaştırmaktadır.
Makine Öğrenimi ile Siyanoakrilat Yapıştırıcı Ameliyatı Sonrası Varis Tekrarının Tahminine Yönelik Model Geliştirilmesi
(2025) Ahmed, Ruaa Saad Ahmed; Tokdemir, Gül
Varis hastalığı, yaygın görülen bir vasküler bozukluk olup, sıklıkla siyanoakrilat yapıştırıcı tedavisi gibi minimal invaziv yöntemlerle tedavi edilmektedir. Ancak, nüks önemli bir sorun olmaya devam etmekte ve tedavi sonrası prognozun iyileştirilmesi için öngörücü modellerin geliştirilmesini zorunlu kılmaktadır. Bu çalışma, siyanoakrilat yapıştırıcı tedavisini takiben varis hastalığının nüksünü tahmin etmek amacıyla makine öğrenmesi tabanlı bir öngörü modeli oluşturmayı hedeflemektedir. Bu kapsamda, on yıllık bir dönemi kapsayan ve 430 hastaya ait ultrason raporları, kan test sonuçları ve kronik hastalık göstergelerini içeren bir veri seti bir tıp merkezinden temin edilmiştir. Veri ön işleme sürecinde eksik veriler tamamlanmış, SMOTE ve SMOTEENN yöntemleri kullanılarak dengesiz veri sınıfları dengelenmiştir. Öznitelik seçimi için RFE yöntemi uygulanmış ve karar ağaçları tabanlı önem sıralaması hesaplanmıştır. Çalışmada lojistik regresyon, karar ağaçları, destek vektör makineleri, Random Forest, XGBoost ve CatBoost gibi farklı sınıflandırıcılar eğitilmiş ve test edilmiştir. Eğitim ve test aşamaları için veriler %80 eğitim, %20 test olarak bölünmüş ve 5 katlı çapraz doğrulama yöntemi kullanılmıştır. Model performansı doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1-skoru ve ROC-AUC gibi değerlendirme metrikleri ile ölçülmüştür. Elde edilen vii sonuçlar, CatBoost ve XGBoost yöntemlerinin diğer sınıflandırıcılara kıyasla çok daha yüksek performans gösterdiğini ortaya koymaktadır. Venöz ölçümler, kronik hastalık göstergeleri ve belirli kan test parametreleri, klinik karar sürecini iyileştirebilecek en önemli öngörücü değişkenler arasında yer almaktadır. Geliştirilen model, yüksek riskli hastaların belirlenmesine yardımcı olarak erken müdahale stratejilerinin geliştirilmesini sağlayacaktır. Ancak, bu çalışmanın en önemli sınırlamalarından biri, yalnızca tek bir kuruma ait hasta verilerine dayanmasıdır. Gelecekteki çalışmalar, modelin daha geniş ve çeşitli veri kümeleri üzerinde doğrulanmasını sağlamalı ve tahmin doğruluğunu daha da iyileştirmek için derin öğrenme teknikleri ve çok modlu veri kaynaklarının entegrasyonunu araştırmalıdır. Bu araştırma, makine öğrenmesinin vasküler hastalık yönetimindeki potansiyelini vurgulamakta ve klinik uygulamalarda veri odaklı ilerlemelerin önünü açmaktadır.
Kablosuz Sensör Ağlarında Sekreter Kuşu Optimizasyon Algoritması Kullanarak Yerelleştirme
(2025) Saedi, Osama Abd Ali Ibrahım Al; Bostan, Atila
Kablosuz sensör ağları, tıp, bilim ve mühendislik alanlarındaki uygulamalarına duyulan acil ihtiyaç nedeniyle gün geçtikçe araştırmacıların ve yazarların dikkatini çekmektedir. Kablosuz sensör ağları, Nesnelerin İnterneti için hayati öneme sahiptir. Bu ağlar, verileri izlemek, takip etmek, kontrol etmek ve tespit etmek için hedeflenen bir alana dağıtılmış sensörlerden veya düğümlerden oluşur. Kablosuz sensör ağlarıyla karşı karşıya olan düğüm dağıtımı, enerji tüketimi, veri toplama ve düğüm yerelleştirmesi gibi birçok zorluk vardır. Bu çalışma, bu ağlarda belirli bir zamanda meydana gelen belirli bir olaydan çıkarılan verileri toplamak büyük önem taşıdığından, WSN'lerde yerelleştirmeye odaklanmaktadır. Burada, konumları bilinmeyen ağdaki sensörlerin fiziksel konumlarını tahmin etmek için yerelleştirmenin rolü ortaya çıkmaktadır. Dahası, bu konumların koordinatlarını bu ağlarda optimum rotayı belirlemek için kullanma potansiyeli, böylece enerji tüketimini en aza indirir ve bireysel düğümlerin ömrünü uzatır, bu nedenle yerelleştirme, kaynak açısından kısıtlı WSN'lerdeki en kritik zorluklardan birini temsil eder. Birçok araştırmacı, yerelleştirme sorunlarını performansı ve doğruluğu artırmak için optimizasyon sorunları olarak görmektedir. Yerelleştirme sorununu ele almanın en iyi yaklaşımı, klasik yöntemlerden daha fazla etkinlik gösteren sürü zekası algoritmalarını kullanmayı içerir. Bilim insanları, metasezgisel algoritmalara dayalı sürü zekasının, karmaşık optimizasyon görevlerinde ve dinamik çok modlu ortamlarda geleneksel optimizasyon yöntemlerinden daha iyi performans gösterdiğine dair oldukça önemli kanıtlar sundular, çünkü bunlar büyük bir alanda çözüm alanını keşfetme, değişen koşullara uyum sağlama, belirsizlikle başa çıkma ve çok amaçlı optimizasyon problemlerinde daha fazla esnekliğe sahip olma gibi dikkate değer bir yeteneğe sahipler ve karmaşık değişikliklere gerek kalmadan işleme izin veriyorlar. Bu çalışma, Afrika'daki Sekreter Kuşu'nun sürü davranışını simüle eden önerilen Sekreter Kuşu Optimizasyon algoritmasını kullanarak kablosuz sensörlerin yerini tahmin etmeyi amaçlamaktadır. Önerilen algoritmanın ve parçacık sürüsü optimizasyon algoritmasının (PSO) etkinliği arasında bir karşılaştırma yapıldı; simülasyon sonucu, SBOA'nın PSO'dan daha doğru olduğunu ve düğüm yerelleştirmesinde daha yüksek performansa sahip olduğunu gösterdi.
Akıllı Ulaşım Sistemlerinde Trafik Akışı Tahmini için LSTM ve Gradyan Yükseltme ile Hibrit Bir Topluluk Yaklaşımı
(2025) Jumaili, Sufian Hamid Salih Al; Görür, Abdül Kadir
Arka Plan: Trafik akışı tahmini, modern ulaşım sistemlerinin karşı karşıya olduğu en kritik sorunlardan biridir. Bu konu, trafik sıkışıklığının azaltılması, trafik ışıklarının optimizasyonu ve kentsel hareketliliğin geliştirilmesi açısından büyük önem taşımaktadır. Ancak, trafik akışlarının zamansal durumlar, meteorolojik koşullar ve özel olaylar gibi değişkenlerden etkilenerek dinamik ve doğrusal olmayan bir yapı sergilemesi, tahmin sürecini oldukça karmaşık hale getirmektedir. İstatistiksel modeller ve tekil makine öğrenimi yaklaşımları gibi geleneksel yöntemler, trafik verilerinde mevcut olan karmaşık zamansal bağımlılıkları ve doğrusal olmayan ilişkileri yeterince yakalayamamaktadır. Amaç: Bu tez, geleneksel trafik akışı tahmin modellerinin sınırlılıklarını önerilen yeni bir hibrit model ile aşmayı hedeflemektedir. Bu amaçla, Gradient Boosting, LightGBM ve Uzun Kısa Süreli Bellek (LSTM) ağlarının güçlü yönlerini bir araya getiren önerilen hibrit yaklaşım ile tahmin doğruluğu ve dayanıklılığının artırılması amaçlanmaktadır. Yöntem: Çalışmada, Huawei Münih Araştırma Merkezi (HMRC) tarafından yayımlanan Karayolu Trafik Tahmin Veriseti kullanılmıştır. Veri seti, 56 gün boyunca altı kentsel kavşakta toplanmış zamansal trafik akışı ölçümlerini içermektedir. Veri seti ön işleme tabi tutulmuş ve parametrik yöntemler, Makine Öğrenimi (ML) teknikleri, Derin Öğrenme (DL) mimarileri ve kollektiv (ensemble) öğrenme modelleri dahil olmak üzere çeşitli modellerin eğitim ve test aşamalarında . kullanılmıştır. Model performansı; Ortalama Mutlak Hatası (MAE), Kök Ortalama Kare Hatası (RMSE), R-kare (R²), Ortalama Mutlak Yüzde Hatası (MAPE) ve Açıklanan Varyans Skoru (EVS) gibi standart regresyon metrikleri ile değerlendirilmiştir. Bulgular: Önerilen hibrit model, tüm temel modelleri daha yüksek doğruluk ve güvenilirlik ile geride bırakmıştır. Model, R² = 0.9684, MAE = 8.27 ve RMSE = 12.54 değerlerine ulaşarak parametrik, makine öğrenimi ve derin öğrenme modellerine kıyasla tüm değerlendirme kriterlerinde üstün performans sergilemiştir. Gradient Boosting, LightGBM ve LSTM gibi tekil modellere kıyasla daha kararlı sonuçlar üretmiş ve hata oranlarını önemli ölçüde azaltmıştır. Bu durum, farklı öğrenme paradigmalarının sinerjisiyle elde edilen kazanımlara işaret etmektedir. Ayrıca hibrit model, yoğun ve seyrek trafik zamanları gibi değişken trafik desenlerinde dahi yüksek performans sergileyerek değişen trafik koşullarına karşı dayanıklılığını kanıtlamıştır. Bulgular, topluluk öğrenme yöntemlerinin derin öğrenme teknikleri ile birlikte uygulandığında, kentsel trafik akışının karmaşık zamansal ve doğrusal olmayan dinamiklerini başarıyla modelleyebildiğini ve böylece tahmin edilebilirlik ile genellenebilirliğin optimize edildiğini ortaya koymaktadır. Sonuç: Tez bulguları, trafik akışı tahmini ve kentsel ulaşım yönetimi açısından önemli katkılar sunmaktadır. Önerilen hibrit yöntem, birden fazla modelleme yaklaşımını bütünleştirerek trafik akışı davranışını daha eksiksiz ve doğru şekilde yansıtan bir çözüm sunmaktadır. Bununla birlikte, çalışmada verideki gürültü ve gerçek zamanlı uygulama gereksinimleri gibi geleceğe yönelik araştırma alanlarına da dikkat çekilmiştir. Özetle, bu tez çalışması, akıllı ulaşım sistemleri (AUS) alanına hibrit yöntemlerin etkinliğini göstererek anlamlı bir katkı sağlamaktadır. Önerilen hibrit model, AUS alanında yapılacak gelecekteki araştırmalar için yeni bir referans noktası oluşturmaktadır.
Yazılım Tanımlı Geniş Alan Ağı (SD-WAN): Çalışma Prensibi, Avantajları, Mimarisi ve Yarattığı Fırsatlar
(2024) Çiçek, Emre; Preveze, Barbaros; Özyer, Sibel Tarıyan
Gelişen teknoloji ile birlikte hizmetlerin dijitalleşmesi, hizmet sağlayıcıların ve kullanıcıların son yıllarda içinden geçmekte olduğu önemli bir dönüşüm sürecidir. Artan veri, cihaz çeşitliliği ve hizmet talepleri karşısında geleneksel ağ yönlendirme yöntemleri yerine yeni ve gelişmiş yönlendirme yöntemlerine olan ihtiyaç artırmıştır. Çünkü bulut teknolojileri ve programlanabilir yapılar sebebi ile geleneksel yapının yönetilebilirliği ve yeni teknolojiler ile bütünleşmiş yapıda çalışması zorlaşmıştır. İnternet servis sağlayıcıları tarafından sağlanan WAN bağlantılarından daha fazla güvenilirlik, çeviklik ve performans beklendiği için artık yeterli değildir. Yazılım Tanımlı Ağların (SDN) programlanabilirliği, sanallaştırma veya bulut tabanlı servislerle birlikte çalışabilmesi ve düşük maliyetli olması, dijital dünyanın veri trafiğinin daha verimli ve düşük maliyetle yönetilmesini mümkün kılmıştır. Bu çalışmada SD-WAN teknolojisinin çalışma yapısı, geleneksel mimariye göre etkileri, yerel alan ağlarına veya internet servis sağlayıcılarına göre avantajları ve geleceğe yönelik yaratacağı fırsatlarla ilgili karşılaştırmalar yer almaktadır.
Yazılım Profesyonellerinin Karşılaştığı Engellerin Belirlenmesi ve İşe Bağlılıklarını Etkileyen Faktörlerin Araştırılması
(2024) Gülten, Arzu Kaya; Tokdemir, Gül
Son yıllarda yazılım alanında çalışan devir oranındaki artışlar yazılım profesyonelleri için yeni endişeler doğurmaktadır. Bu durum bağlılıkla ilişkilendirilebilir. Bağlılık düzeyi çalışanların çalışma motivasyonunu etkiler. Bu motivasyon ise üretkenliği ve kaliteyi etkiler. Bu nedenle bağlılık, bir işe olan bağlanmayı araştırmak için önemli bir kavramdır. Yazılım profesyonelleri çalışma hayatlarında sıklıkla bazı sorunlarla karşılaşırlar ve bu sorunlar üretkenliklerini etkiler. Bu sorunları ve yazılım profesyonelleri üzerindeki etkilerini araştırmak, üretkenliği artırmak açısından hem kuruluşlar hem de çalışanlar için önemli bir konudur. Bu çalışma, yazılım profesyonellerinin karşılaştığı engelleri ve iş bağlılığı arasındaki ilişkileri araştırmayı amaçlamaktadır. Çalışma iki aşamadan oluşmaktadır: Mülakat ve Anket. Öncelikle 20 yazılım profesyoneliyle görüşmeler yapılmış ve 314 yazılım profesyoneline anket uygulanmıştır. Daha sonra iş bağlılığı, iş güvencesizliği, kariyer güvencesizliği, başa çıkma stilleri ve engeller arasındaki ilişkiler analiz edilmiştir.
Sivil Havacılık için Entegre Bir Bilgi Güvenliği Modeli Geliştirme: Risk Değerlendirmesi ve Azaltma Stratejileri için Kapsamlı Bir Çerçeve
(2024) Özdemir, Farukcan; Saran, Murat
Bu tez, modern hava taşıtlarındaki bilgisayar tabanlı sistemlerin bütünlüğüne, gizliliğine ve kullanılabilirliğine odaklanarak sivil havacılıkta bilgi güvenliğini artırmak için entegre bir bilgi güvenliği modeli önermektedir. Araştırma, havacılık teknolojilerini inceleyerek, kritik sistemlere yönelik potansiyel tehditleri tespit etmeyi ve azaltmayı amaçlamaktadır. Çalışma, aviyonik, uçuş veri ağları, mobil sistemler ve elektronik uçuş çantalarının yanı sıra yer tabanlı sistemlerin bilgi güvenliği alanındaki bir analizini içermektedir. Havacılık personelleri ile gerçekleştirilen anket çalışması ile havacılık operasyonlarını etkileyen bilgi güvenliği konularında eğitim, farkındalık, tehditler ve çözümler konusunda öneriler toplanmış ve ihtiyaç duyulan bilgi güvenliği modeli anlaşılmaya çalışılmıştır. Bu bütüncül yaklaşım sayesinde tez, havacılık altyapısının giderek dijitalleşmesinin yarattığı zorlukları ele alan bir bilgi güvenliği modeli geliştirmeyi amaçlamaktadır. Ortaya çıkan modelin ulusal havacılık siber güvenlik bilgi tabanına önemli ölçüde katkıda bulunması ve değerli içgörüler sağlaması beklenmektedir. Nihayetinde bu çalışma, gelişen siber tehditlere karşı, paydaşların dijital farkındalıklarını güçlendirerek, sivil havacılığın genel emniyetini ve güvenilirliğini artırmayı amaçlamaktadır.
Derin Sinir Ağları Kullanılarak Müzik Duygu Tanımlaması
(2024) Püre, Hakan; Görür, Abdül Kadir
Müzik günümüzde milyarlarca dolarlık ekonomik değer taşımaktadır. Müziğin hissettirdiği duygunun doğru şekilde tespit edilmesi için doğru sınıflandırma yapılması gerekmektedir. Bu çalışmada müzikten duygu tespitinin ve sınıflandırmasının doğruluğunu artırmak amacıyla derin sinir ağlarını kullanarak müzik duygu tanıma (MER) konusunda kapsamlı bir araştırma sunmaya çalışmaktayız. Farklı ülkelerin müzikleri üzerine birçok çalışma yapılmış olmasına rağmen, Türk müziği üzerine çok az çalışma bulunmaktadır. Bu nedenle çalışmamızı, Türkçe şarkılardan oluşan bir veri seti kullanarak geliştirdik. Araştırmamızda, çeşitli ses özelliklerinin, melodi, armoni, ritim, karmaşık desenleri ile bu özelliklerin tetiklediği duygular arasındaki ilişkileri keşfetmek için derin öğrenme mimarilerini (CNN, LSTM) ve makine öğrenme algoritmasını (RFC) kullandık. Çalışmamızdaki ilk hedefimiz sinyal bazında modifikasyonlar yaparak model geliştirme aşamasında daha kararlı bir veri seti üretmekti. Modelimizi kabul edilebilir bir doğruluk seviyesine getirdikten sonra modeli daha az iş yükü gerektirecek seviyede basitleştirmek ise nihai hedefimizdi. Ses özelliklerinin karakterize edilmesini sağlamak amacıyla LibROSA kütüphanesi kullanılmıştır. Modelin farklı müzik türleri arasında dayanıklılığını ve genelleme yeteneğini artırmak için gaussian gürültü ekleme ve alçak geçirgen filtrelerin uygulandığı veri artırma stratejileri kullanılmıştır. Modellerin performansına odaklanarak veri setimiz içindeki müzik dosyalarının mutluluk, üzüntü, öfke ve rahatlama gibi duygusal durumlarını tahmin edilmesindeki etkinliklerini göstermeye çalıştık. Kullandığımız veri artırma stratejileriyle model performansını hem doğruluk hem de verimlilik açısından önemli ölçüde artırmayı başardık. Buna ek olarak farklı ses dosyalarının işlenmesi sürecinde karşılaşılabilen uyumsuzluk problemlerinin de tamamen ortadan kalktığını gözlemledik. Özetle, bu çalışma sadece müzik duygu tanıma alanına birçok teknik katkı sağlamakla kalmayıp, aynı zamanda teknoloji, psikoloji ve müzikoloji alanlarının kesişim noktasında gelecekteki araştırmalara destek olabilecek çıktılar elde ettiğimizi düşünüyoruz.
Derin Öğrenme ve Çok Boyutlu İndeksleme Kullanılarak İçerik Tabanlı Görüntü Alma
(2024) Uzel, Ömer; Arslan, Serdar
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.
Çevre Bilimleri Alanında Sıfır-Örnekli ve Az-Örnekli Adlandırılmış Varlık Tanıma
(2024) Demirtaş, Kerem Mert; Arslan, Serdar
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.
Duygu Analizinde Makine Öğrenimi Yaklaşımı: Yapay Zeka Sohbet Robotlarına İlişkin Kamu Algısından Elde Edilen İçgörüler
(2025) Şahin, Zeki; Şener, İrge
Son yıllarda, yapay zeka ve doğal dil işleme teknolojilerindeki gelişmeler, kullanıcılarla etkileşim kuran sohbet botlarının yaygın olarak benimsenmesini sağlamıştır. ChatGPT ve Gemini AI gibi büyük dil modelleri, geniş bir kullanıcı kitlesi tarafından günlük etkileşimlerde kullanılmaktadır. Ancak, bu modellerin kamuoyundaki algısını ve kullanıcı duyarlılığını anlamak için kapsamlı bir duygu analizi gerekmektedir. Bu çalışma, Twitter'da ChatGPT ve Gemini AI hakkında yapılan paylaşımları analiz ederek, bu yapay zeka modellerinin kullanıcılar tarafından nasıl algılandığını belirlemeyi amaçlamaktadır. Çalışmada, kural tabanlı duygu analizi (SpaCy ve TextBlob) ve derin öğrenme tabanlı duygu analizi (BERTweet) omak üzere iki farklı duygu analizi yöntemi karşılaştırılmıştır. Yapılan analizler sonucunda, BERTweet'in duygu sınıflandırmasında daha başarılı olduğu gözlemlenmiş ve analiz sürecinde referans modeli olarak kabul edilmiştir. Daha sonra, Random Forest, Support Vector Machine (SVM), Logistic Regression ve LightGBM gibi çeşitli makine öğrenimi modelleri kullanılarak duygu tahminleri yapılmıştır. Bu modeller, DistilBERT, RoBERTa ve GloVe gibi üç farklı gömme yöntemiyle eğitilmiştir. Sonuçlar, Logistic Regression ve RoBERTa bileşeninin en yüksek doğruluk oranını sağladığını (%81,8) ortaya koymuştur. Çalışmanın temel bulguları şunlardır: 1. ChatGPT ve Gemini AI'nin duygu dağılımı farklılık göstermektedir. ChatGPT hakkında daha fazla negatif içerik bulunurken, Gemini AI'nin daha fazla olumlu içerikle ilişkilendirildiği gözlemlenmiştir. 2. En yaygın negatif geri bildirimler, ChatGPT için bilgi doğruluğu ve kullanım kısıtlamaları, Gemini AI için ise Google ekosistemine entegrasyon ve güvenilirlik konuları olmuştur. 3. Kelime bulutu ve frekans analizleri, her iki modelle ilgili duygu temalarını belirlemede önemli içgörüler sağlamıştır. Elde edilen sonuçlar, yapay zeka tabanlı sohbet botlarının geliştirilmesi, kullanıcı memnuniyetinin artırılması ve gelecek nesil yapay zeka sistemlerinin tasarımına yönelik değerli bilgiler sunmaktadır. Gelecek çalışmalar, zaman serisi analizi, çok modlu duygu analizi ve coğrafi bazlı kullanıcı eğilimleri gibi daha derinlemesine araştırmaları içerebileceği değerlendirilmektedir.
Coğrafi Verilerde Veri Kalitesi Problemleri ve Bunların Kamusal Karar Alma Süreçlerindeki Etkileri
(2024) Baş, Berk; Görür, Abdül Kadir
Güvenilir ve İsabetli kararların alınması elbette karar alma süreçlerinin doğru bir şekilde kurgulanması ve uygulanmasına bağlıdır. Bu kurgunun ise en temelinde ise hiç şüphesiz kullanılan veriler bulunmaktadır. Dolayısı ile karar alma süreçlerinde kullanılacak verilerin eksiksiz, gerçeğe uygun ve tutarlı olması alınan kararların da o nispette güvenilir ve isabetli olmalarına yardımcı olacaktır. Verilerin, bu koşulları taşıdığını ifade etmek için kullanılan kavrama veri kalitesi, bu koşulları taşımalarının ganati edilmesi sürecine ise veri kalitesi süreci adı verilmektedir. İşte bu bağlamda veri kalitesi süreci için, verilerin amaç için uygun hale getirilebilmesi adına kalite problemlerinin belirlenmesi, ekibin bu çalışmaya hazırlanması, çalışmaların icra ve otomatize edilmesidir demek yanlış olmayacaktır.
Classification of darknet activities using neural networks
(2023) Aktan Ten, Büşra
Tehditlere maruz kalmadan önce ağı karakterize ederek analiz yapmak oldukça önemlidir. Bu çalışmada darknet ağ trafiği analizi yapılarak darknet ağı 2 katmanlı yapay sinir ağı modellerinde inceleme gerçekleştirilerek tespit ve karekterize edilmiştir. İlk katmanda verinin iyi huylu mu yoksa darknet verisi trafiğimi ayırt edilmekte, ikinci katmanda ise trafiğin oluşturduğu Browsing, P2P, Chat, Email, Transfer, Audio Stream, Video Stream ve VOIP kategorilerinden hangisine ait olduğu tespiti yapılmaktadır. RNN, LSTM ve MLP veri algoritma modelleri ile deneyler yapılmıştır. GAN ile yeni veri setleri üretilerek diğer yöntemlerin eğitim verisi olarak kullanılmıştır. LSTM ve MLP algoritmaları ikinci katmanda hem çoklu kategori hem de ikili kategorili olarak tekrar kurgulanmıştır. MLP model de özellik seçimi algoritması uygulanmıştır. CICDarknet2020 veri seti kullanılmıştır. Model doğruluk değerlerine göre RNN darknet trafiği tespitinde 0.98, ikinci katmanda ise 0.86 oranında başarı elde edilmiştir. LSTM modelinde sırasıyla 0.99 ve 0.71 doğruluk değerleri elde edilmiştir. Ayrı ayrı modellenen kategorilerin ortalama doğruluk değerleri 0.92 olarak elde edilmiştir. MLP modelinde, sırasıyla 0.99 ve 0.78 değerleri gözlemlenmiştir. Özellik seçimi algoritma modeli ile aynı çıktılar elde edilmiştir. ikili kategori modelinde ortalama olarak %96 doğruluk değerleri sağlanmıştır.
Stance detection in Turkish dataset on Russia-Ukraine war
(2023) Fırat, Eray
Sosyal medya son yıllarda çeşitli konulardaki kamuoyu görüşlerini anlamak için temel bir bilgi kaynağı haline gelmiştir. Bu nedenle, sosyal medyadan elde edilen verilerden otomatik bilgi çıkarmanın önemi artmıştır. Doğal dil işleme alt görevlerinden biri olan duruş tespiti de, otomatik bilgi çıkarımı için önemli bir konudur. Duruş tespiti, kullanıcının belirli bir konu, olay veya kişiye karşı tutumunu otomatik olarak belirler. Bu çalışmada, Rusya-Ukrayna Savaşı'na ilişkin sosyal medya kullanıcılarının duruşlarını tespit etmeye odaklanan Türkçe etiketlenmiş veri seti oluşturulmuş ve bu veri seti üzerinde çeşitli makine öğrenimi yöntemleri test edilmiştir. Bu çalışma için Twitter'dan toplanmış Türkçe metinler içinden Rusya ve Ukrayna olmak üzere iki hedefle etiketlenmiş 8215 tane metin-hedef çifti ile yeni bir veri seti oluşturulmuştur. Bu veri setine Destek Vektör Makineleri, Rastgele Orman, k-En Yakın Komşu, XGBoost, Uzun-Kısa Süreli Bellek (LSTM) ve Kapı Özyinelemeli Geçitler (GRU) modelleri GloVe ve Fastext kelime gömme yöntemi ile uygulanmıştır. Veri seti hedefler arasında dengesiz olduğu için, bu algoritmalarla eksik örnekleme ve aşırı örnekleme yöntemleri de kullanılmıştır. Destek Vektör Makineleri yöntemi ile, Rusya için 0.73 ve Ukrayna için 0.81 F1 puanıyla en iyi sonuçlaın alındığı görülmüştür. Bu sonuçlara ek olarak, LSTM ve GRU yöntemlerinden elde edilen sonuçlar Destek Vektör Makineleri algoritmasının sonuçlarına oldukça yakındır. Yeni oluşturulan bu Türkçe veri seti, duruş tespiti araştırma alanı için değerli bir kaynak olarak değerlendirilebilir ve gelecek çalışmalarda bu veri seti ile transformer tabanlı yaklaşımlar kullanılabilir. Genel olarak, bu çalışma Türkçe metin kullanarak duruş tespiti araştırma alanını katkıda bulunmaktadır.
Predictive modeling for botnet detection: A new dataset and machine learning approach
(2023) Budak, Kadir İlker
Teknolojinin gelişmesiyle birlikte çevrimiçi hizmetlerin önemi giderek artmıştır. Saldırganlar, botnet'lerden oluşan zombi ağını yöneterek, sistem ve ağlara kapasitelerinden fazla istekte bulunur, böylece hizmetlerin yavaşlamasını veya kesintiye uğramasını hedefler. Bu tür saldırılara DDOS (Dağıtılmış Hizmet Reddi saldırısı) adı verilir. DDOS saldırılarının tespiti ve önlenmesi için literatür çalışması yapılmış ve birçok farklı teknikle karşılaşılmıştır. Yapılan araştırmalar sonucunda Makine Öğrenmesi ve DDOS davranış tespiti konularına ağırlık verilmiştir. Machine Learning ile Davranış tabanlı DDOS tespiti için yapılan bu çalışmada, CTU-13 veri seti ve yerel ortamda oluşturulan sanal veri seti kullanılmıştır. Veri setleri üzerine normalizasyon işlemleri uygulanarak çalışma için hazır hale getirilmiştir. Makine Öğrenemsi için 5 farklı algoritma kullanılmış ve algoritmalar üzerinde parametre ayarı yapılmıştır. Çoklu regresyon, topluluk öğrenimi ve özellik çeşitleme gibi farklı yöntemlerin sonuca etkisi değerlendirilmiştir. İyileştirmelerin sonuçlar üzerindeki etkileri tartışılmıştır. Genel olarak Random Forest ve Decision Tree başarılı algoritmalar olarak öne çıkmaktadır. Naive Bayes ve Support Vector Machine, bu senaryo için başarısız olmuştur. Topluluk öğrenim yönteminde birlikte çalışan iki algoritmanın sonuca olumlu etkisi olmuştur. Sanal veri setinin en önemli sonucu, ip adresi özelliğinin kullanımının sonuca olumlu bir katkısının olmamasıdır.
An autoML tool for software vulnerability prediction
(2023) Gürcan, Tarık
Özellikle son yıllarda büyük miktarda verinin daha erişilebilir hale gelmesi ve finans, sağlık, lojistik ve teknoloji gibi sektörlere önemli faydalar sağlaması nedeniyle makine öğreniminin yaygınlaşması kaçınılmaz olmuştur. Farklı sektörlerde kullanılmaya başlayan makine öğrenmesi uygulamalarının hayata geçirilmesi ihtiyacı hızlı ve verimli bir şekilde artmaktadır. Ancak geleneksel yöntemleri kullanarak bir makine öğrenimi modeli oluşturmak için gereken derin teknik bilgi ve kodlama becerilerine herkes yetkin olmayabilir. Bu nedenden dolayı kodsuz veya az kodlu platformlar daha fazla ilgi görmeye başlamıştır. Bu platformlar, kullanıcıların veri kümelerini yüklemesine, modeli oluşturmaya yönelik özellikleri tanımlamasına ve hatta teknik olmayan arayüzlerle modeli eğitmesine ve değerlendirmesine olanak tanır. Bu sayede karmaşık kod yazma ihtiyacını ortadan kaldırarak daha geniş bir kitlenin makine öğrenimi projelerine dahil olmasını mümkün kılar. Bu tezde, diğer kodsuz platformlara ek olarak çalışma zamanı sınırlama ve model bozulma analizi gibi temel özellikleri sunan, yazılım zafiyet analizi için kodsuz makine öğrenimi tahmin modellerinin gerçekleştirilmesine olanak sağlayan bir platform geliştirilmiştir. Bu platform, PPDaaS (Prediction Platform as a Service) olarak adlandırılmıştır ve "Yazılım Güvenlik Açığı" ve "OpenML" veri kümeleriyle tahmin modellerini eğitmek için kullanılmıştır. Başlangıçta platform, AutoML platformları için kullanılan kıyaslama verileriyle test edildi. Sınıflandırma algoritmalarının performansı, makine öğrenimi algoritmaları arasında adil bir karşılaştırma yapmak için "OpenML yetişkin" veri kümesine bir zaman sınırı konularak değerlendirildi. Platform, amaçlanan AutoML işlevleri açısından test edildikten sonra Yazılım Güvenlik Açığı verilerindeki model bozulmasını bulmak için kullanıldı. Son olarak geliştirilen PPDaaS platformuna ilişkin geri bildirimler son kullanıcılardan da toplandı. Sonuçlar geliştirilen PPDaaS platformunun yazılım sektöründe kendine yer bulabileceğini göstermektedir.
Multi-objective software project cost estimation using recent machine learning approaches
(2023) Derya, Doğay
Yazılım projeleri, çeşitli sektörlerdeki şirketlerin günlük operasyonlarında dahi günden güne stratejik önem kazanmaktadır. Artan ihtiyaçla birçok şirket gerek kendi bünyesinde, gerekse farklı sektörlerin ihtiyacına yönelik olarak projeler yaratarak yazılımlar geliştirmektedir. Yazılım projeleri için ihtiyaç duyulan işgücünü doğru tahmin etmek, proje maliyetlerini doğru tahmin etmek ve zamanında tamamlanmasını sağlamak için çok önemlidir. 1970'lerden bu yana, yazılım efor tahmini alanı, literatürde kapsamlı araştırmaların konusu olmuştur. Başlangıçta uzman görüşü gibi algoritmik olmayan yöntemler kullanılırken, sorunlar karmaşıklaştıkça, teknoloji ve donanım özellikleri çeşitlendikçe farklı çözüm yaklaşımlarına olan ihtiyaç da ortaya çıkmıştır. Bu zorlukların üstesinden gelmek için regresyon ve model tabanlı tahmin gibi algoritmik yöntemler geliştirilmiştir. Son yıllarda ise, özellikle son on yılda olmak üzere teknolojideki gelişmelerle birlikte, Makine Öğrenimi tabanlı modelleri ve Yapay Zekayı yazılım maliyet tahminine uygulamaya yönelik artan bir ilgi olmuştur. Bu çalışmanın odak noktası, yazılım projeleri bağlamında Makine Öğrenimi tabanlı tahmin yöntemlerini keşfetmektir. Amaç, bu yöntemlerin yazılım maliyet tahminini nasıl iyileştirebileceğini araştırarak, etkinliklerini analiz etmektir.

Browse

Recent Submissions