Görür, Abdül Kadir
Loading...
Profile URL
Name Variants
Gorur, Abdul Kadir
Görür, A.K.
Görür, A.K.
Job Title
Dr. Öğr. Üyesi
Email Address
agorur@cankaya.edu.tr
Main Affiliation
Bilgisayar Mühendisliği
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Files
Sustainable Development Goals
3
GOOD HEALTH AND WELL-BEING
1
Research Products
4
QUALITY EDUCATION
1
Research Products
11
SUSTAINABLE CITIES AND COMMUNITIES
1
Research Products
This researcher does not have a Scopus ID.
Documents
8
Citations
35
Scholarly Output
17
Articles
3
Views / Downloads
1147/12
Supervised MSc Theses
8
Supervised PhD Theses
0
WoS Citation Count
16
Scopus Citation Count
41
WoS h-index
2
Scopus h-index
4
Patents
0
Projects
0
WoS Citations per Publication
0.94
Scopus Citations per Publication
2.41
Open Access Source
2
Supervised Theses
8
Google Analytics Visitor Traffic
| Journal | Count |
|---|
Current Page: 1 / NaN
Scopus Quartile Distribution
Competency Cloud
Scholarly Output Search Results
Now showing 1 - 10 of 17
Conference Object Citation - Scopus: 5Deep Learning Methods With Pre-Trained Word Embeddings and Pre-Trained Transformers for Extreme Multi-Label Text Classification(Institute of Electrical and Electronics Engineers Inc., 2021) Erciyes, N.E.; Görür, A.K.In recent years, there has been a considerable increase in textual documents online. This increase requires the creation of highly improved machine learning methods to classify text in many different domains. The effectiveness of these machine learning methods depends on the model capacity to understand the complex nature of the unstructured data and the relations of features that exist. Many different machine learning methods were proposed for a long time to solve text classification problems, such as SVM, kNN, and Rocchio classification. These shallow learning methods have achieved doubtless success in many different domains. For big and unstructured data like text, deep learning methods which can learn representations and features from the input data wtihout using any feature extraction methods have shown to be one of the major solutions. In this study, we explore the accuracy of recent recommended deep learning methods for multi-label text classification starting with simple RNN, CNN models to pretrained transformer models. We evaluated these methods' performances by computing multi-label evaluation metrics and compared the results with the previous studies. © 2021 IEEEConference Object Citation - Scopus: 4Plagiarism Detection in Learning Management System(Institute of Electrical and Electronics Engineers Inc., 2017) Sabonchi, A.K.S.; Görür, A.K.Learning Management Systems has become one of the teaching tool same as the pen, pencil, blackboard, book, and notebook. Learning Management System (LMS) is defined and types that are derived from this system such as those focused only on the curriculum and those focuses on the management of the education system, and the combination of both are explained. The properties and features that must exist are identified and showed so that it can be called a learning management system. The name and the experiences of countries in terms of the use of this system as well as the benefits resulting from the user experiences have motivated schools and educational institutions to start the establishment of such systems. The main purpose of this study is, an online plagiarism detection system will be developed and integrated into Moodle so that it can be used by teachers to detect cheating and plagiarism cases in students submitted answers. © 2017 IEEE.Master Thesis Coğrafi Verilerde Veri Kalitesi Problemleri ve Bunların Kamusal Karar Alma Süreçlerindeki Etkileri(2024) Baş, Berk; Görür, Abdül KadirGüvenilir 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.Article Self-Supervised Learning With BYOL for Non-Alcoholic Fatty Liver Disease Diagnosis Using Ultrasound Imaging(Springer London Ltd, 2025) Buktash, Ali; Gorur, Abdul KadirPurpose:The study aims to evaluate the effectiveness of Bootstrap Your Own Latent (BYOL), a self-supervised learning method for diagnosing NAFLD from ultrasound images using limited labeled data, which represents a novel approach in this domain. Self-supervised learning provides an alternative approach to traditional supervised learning by learning useful representations from unlabeled data, thereby reducing the time and cost required by radiologists to annotate images.Methods:The pre-trained ResNet-50 and ResNet-101 on the labeled ImageNet dataset were used for BYOL pre-training on ultrasound images without relying on labels. The training was conducted using default and custom augmentation, as well as balanced and imbalanced class distribution protocols. The model was then evaluated using linear and fine-tuning protocols with varying percentages of labeled data. The model was trained using three shuffled subsets, each trained 10 times. The custom augmentation set was derived by testing various augmentation settings using 100% and 1% of the labels to enhance feature learning.Results:BYOL with ResNet-101 and using the proposed custom augmentation set achieved average accuracies of 93.44%, 92.29%, and 88.49% using 100%, 10%, and 1% of the training labels across three shuffled datasets. In addition, our proposed method attained an average accuracy of 96.9% using patient-specific leave-one-out cross-validation (LOOCV).Conclusion:BYOL, with the proposed custom augmentation set, can learn effective image representations without relying on a large amount of labeled data, thereby enhancing scalability since unlabeled images are easier to acquire. It surpasses BYOL with default augmentation and training under supervised learning, especially with a low-labeled data regime.Master Thesis Akıllı Ulaşım Sistemlerinde Trafik Akışı Tahmini için LSTM ve Gradyan Yükseltme ile Hibrit Bir Topluluk Yaklaşımı(2025) Jumaili, Sufian Hamid Salih Al; Görür, Abdül KadirArka 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.Master Thesis Uydu Görüntüleri Kullanılarak Kasırga Sonrası Hasarlı Binaların Sınıflandırılmasını İyileştirme(2025) Al-sumaidaee, Sarah Muayad Ismael; Görür, Abdül KadirÖzellikle afet sonrası senaryolarda, bina hasarını değerlendirmek için etkili ve doğru yöntemlere olan ihtiyaç giderek artmaktadır. Geleneksel manuel inceleme zaman alıcı ve insan hatasına açık olduğundan, otomatik sistemlere olan ihtiyaç artmaktadır. Gelişmiş derin öğrenme modellerinden yararlanmak, görüntü sınıflandırmasının doğruluğunu ve hızını artırarak afetlere zamanında müdahaleye katkıda bulunabilir. Bu çalışma, görüntü verilerini kullanarak bina hasarı sınıflandırması için gelişmiş bir derin öğrenme modeli geliştirmeye odaklanmaktadır. Önerilen model, hem küresel hem de yerel özellikleri etkili bir şekilde yakalamak için transfer öğrenmesi için ResNet50'yi özel bir Evrişimli Sinir Ağı (CNN) ile birleştiren hibrit bir mimariden yararlanmaktadır. Kullanılan veri kümesi, farklı koşullar altında etiketlenmiş bina görüntülerini içermekte ve eğitim ve değerlendirme için çeşitli bir küme sağlamaktadır. Değerlendirme sonuçları, dengeli veri kümesinde %98,9, dengesiz veri kümesinde ise %98,01 doğruluk göstermiştir. Önerilen model, çeşitli modellerden daha iyi performans göstermiş ve farklı veri dağılımlarında sağlamlık göstermiştir. Çalışma, görüntü tabanlı sınıflandırma görevleri için transfer öğrenmesi ve özel olarak tasarlanmış CNN'leri birleştiren hibrit modellerin etkinliği hakkında bilgiler sunmaktadır.Publication Production and retrieval off rough classes in multi relations(IEEE Computer Soc, 2007) Tolun, Mehmet R.; Sever, Hayri; Görür, Abdül KadirOrganizational memory in today's business world forms basis for organizational learning, which is the ability of an organization to gain insight and understanding from experience through experimentation, observation, analysis, and a willingness to examine both successes and failures. This basically requires consideration of different aspects of knowledge that may reside on top of a conventional information management system. Of them, representation, retrieval and production issues of meta patterns constitute to the main theme of this article. Particularly we are interested in a formal approach to handle rough concepts. We utilize rough classifiers to propose a preliminary framework based on minimal term sets with p-norms to extract meta patterns. We describe a relational rule induction approach, which is called rila. Experimental results are provided on the mutagenesis, and the KDD Cup 2001 genes data sets.Conference Object Citation - WoS: 9Citation - Scopus: 20Multi-Label Classification of Text Documents Using Deep Learning(Ieee, 2020) Mohammed, Hamza Haruna; Dogdu, Erdogan; Gorur, Abdul Kadir; Choupani, RoyaRecently, studies in the field of Natural Language Processing and its related applications continue to mount up. Machine learning is proven to be predominantly data-driven in the sense that generic model building methods are used and then tailored to specific application domains. Needless to say, this has proven to be a very effective approach in modeling the complicated data dependencies we frequently experience in practice, making very few assumptions, and allowing the information to talk for themselves. Examples of these applications can be found in chemical process engineering, climate science, healthcare, and linguistic processing systems for natural languages, to name a few. Text classification is one of the important machine learning tasks that is used in many digital applications today; such as in document filtering, search engines, document management systems, and many more. Text classification is the process of categorizing of text documents into a given set of labels. Furthermore, multi-label text classification is the task of categorization of text documents into one or more labels simultaneously. Over the years, many methods for classifying text documents have been proposed, including the popularly known bag of words (BoW) method, support vector machine (SVM), tree induction, and label-vector embedding, to mention a few. These kinds of tools can be used in many digital applications, such as document filtering, search engines, document management systems, etc. Lately, deep learning-based approaches are getting more attention, especially in extreme multi-label text classification case. Deep learning has proven to be one of the major solutions to many machine learning applications, especially those involving high-dimensional and unstructured data. However, it is of paramount importance in many applications to be able to reason accurately about the uncertainties associated with the predictions of the models. In this paper, we explore and compare the recent deep learning-based methods for multi-label text classification. We investigate two scenarios. First, multi-label classification model with ordinary embedding layer, and second with Glove, word2vec, and FastText as pre-trained embedding corpus for the given models. We evaluated these different neural network model performances in terms of multi-label evaluation metrics for the two approaches, and compare the results with the previous studies.Master Thesis Ultrason Görüntüleme ile Alkolik Olmayan Yağlı Karaciğer Hastalığı Teşhisinde Öz-Denetimli Öğrenme(2025) Buktash, Ali Abdulameer Buktash; Görür, Abdül KadirArka 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.Master Thesis Hepatitis C Virüsü Makine Öğrenimi Teknikleri Kullanarak Tahmini(2025) Ibrahim, Alhasan Salih Ibrahim; Görür, Abdül KadirHepatit 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.
