Arslan, Serdar
Loading...
Profile URL
Name Variants
Arslan, Serdar
Arslan, S.
Aslan, Serdar
Arslan, S.
Aslan, Serdar
Job Title
Dr. Öğr. Üyesi
Email Address
sarslan@cankaya.edu.tr
Main Affiliation
06.01. Bilgisayar Mühendisliği
Bilgisayar Mühendisliği
06. Mühendislik Fakültesi
01. Çankaya Üniversitesi
Bilgisayar Mühendisliği
06. Mühendislik Fakültesi
01. Çankaya Üniversitesi
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Files
Sustainable Development Goals
13
CLIMATE ACTION
0
Research Products
8
DECENT WORK AND ECONOMIC GROWTH
0
Research Products
3
GOOD HEALTH AND WELL-BEING
1
Research Products
15
LIFE ON LAND
0
Research Products
17
PARTNERSHIPS FOR THE GOALS
0
Research Products
14
LIFE BELOW WATER
0
Research Products
4
QUALITY EDUCATION
0
Research Products
11
SUSTAINABLE CITIES AND COMMUNITIES
0
Research Products
6
CLEAN WATER AND SANITATION
0
Research Products
10
REDUCED INEQUALITIES
0
Research Products
9
INDUSTRY, INNOVATION AND INFRASTRUCTURE
1
Research Products
12
RESPONSIBLE CONSUMPTION AND PRODUCTION
0
Research Products
2
ZERO HUNGER
0
Research Products
1
NO POVERTY
0
Research Products
7
AFFORDABLE AND CLEAN ENERGY
2
Research Products
5
GENDER EQUALITY
0
Research Products
16
PEACE, JUSTICE AND STRONG INSTITUTIONS
0
Research Products
Documents
12
Citations
113
h-index
5
Documents
11
Citations
72
Scholarly Output
18
Articles
12
Views / Downloads
56/0
Supervised MSc Theses
3
Supervised PhD Theses
2
WoS Citation Count
73
Scopus Citation Count
105
WoS h-index
4
Scopus h-index
5
Patents
0
Projects
0
WoS Citations per Publication
4.06
Scopus Citations per Publication
5.83
Open Access Source
6
Supervised Theses
5
Google Analytics Visitor Traffic
| Journal | Count |
|---|---|
| Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi | 2 |
| Biomedical Signal Processing and Control | 1 |
| Computational Economics | 1 |
| Düzce Üniversitesi Bilim ve Teknoloji Dergisi | 1 |
| IEEE Access | 1 |
Current Page: 1 / 3
Scopus Quartile Distribution
Competency Cloud
18 results
Scholarly Output Search Results
Now showing 1 - 10 of 18
Doctoral Thesis İnce Ayarlanmış RAG Bileşenlerini Kullanarak Türkçe Veri Setleri için Yeni Bir Füzyon Yöntemi ile Yeniden Sıralama Konfigürasyonu(2025) Bıkmaz, Erdoğan; Arslan, SerdarBu çalışma, Türkçe için, özellikle de tıp alanında, Retrieval-Augmented Generation (RAG) sistemlerinin çok dilli yeteneklerindeki boşluğu ele almaktadır. Büyük Dil Modellerinin (LLM'ler) yükselişi ve yaygın uygulamalarıyla, halüsinasyonları azaltmak ve yanıt doğruluğunu artırmak için, harici bilgilere dayalı retrieval (geri çağırma) bileşenlerinin kullanımı kritik bir hale gelmiştir. Ancak, mevcut retrieval bileşenlerinin çoğu (embedding'ler ve reranker'lar dahil olmak üzere) ağırlıklı olarak İngilizce veri setleri üzerinde eğitilmiştir, bu da çok dilli ve alana özgü yetenekler açısından önemli bir sınırlamayı ortaya koymaktadır. Bu durumu ele almak için, bu çalışma kapsamında Türkçe tıbbi bir veri seti olan Pubmed-RAG-TR ve popüler bir Türkçe RAG veri seti olan WikiRAG-TR [36] kullanılarak retrieval bileşenleri ince ayar (fine-tuning) ile geliştirilmiştir. Ayrıca, LLM'ler için bağlam oluşturmayı iyileştirmek amacıyla yeni bir RRF (Reciprocal Rank Fusion) tabanlı reranker pipeline'ı geliştirilmiştir. Deneysel sonuçlar, retrieval bileşenlerinin alana özgü veri setleri üzerinde ince ayar yapılmasının, retrieval ve post-retrieval kalitesini önemli ölçüde artırdığını ve LLM yanıtlarının doğruluğunu iyileştirdiğini göstermiştir. Çalışma, alana özgü semantiğin retrieval ve reranking modellerine dahil edilmesinin, çok dilli bağlamlarda RAG sistemlerinin performansını önemli ölçüde artırabileceği sonucuna varmaktadır.Article Kapılı Tekrarlayan Hücreler Tabanlı Bulanık Zaman Serileri Tahminleme Modeli(2023) Arslan, SerdarZaman 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.Master Thesis Attention Mekanizmaları ve Hibrit ViT-ResNet Mimarisi ile Gemi Görüntülerinin Çok Sınıflı Sınıflandırılması(2025) Ergün, Berkay; Arslan, SerdarBu tezde, gemi görüntülerinin çok sınıflı sınıflandırılması için Vision Transformer (ViT) ve ResNetRS50 tabanlı hibrit bir model geliştirilmiştir. ViT yüksek seviyeli anlamsal bilgileri, ResNetRS50 ise düşük ve orta seviyeli mekânsal özellikleri çıkarmakta; bu iki yapı, dikkat (attention) mekanizmaları ve Gated Fusion katmanı ile birleştirilmektedir. Eğitim sürecinde MixUp ve CutMix veri artırma yöntemleri, Focal Loss ile bilgi aktarımı (distillation) kaybı, OneCycleLR zamanlayıcı, otomatik karma hassasiyet (AMP) ve model ağırlıklarının üssel hareketli ortalaması (EMA) kullanılmıştır. Sekiz gemi sınıfından oluşan veri kümesi üzerinde yapılan deneyler, önerilen mimarinin hem doğruluk hem F1 skoru açısından tek başlı CNN veya ViT modellerinden daha yüksek performans gösterdiğini ortaya koymuştur. Sonuçlar, hibrit mimariler ve dikkat tabanlı füzyon stratejilerinin gemi sınıflandırma problemlerinde etkin bir çözüm sunduğunu göstermektedir.Article Citation - WoS: 37Citation - Scopus: 55A Hybrid Forecasting Model Using Lstm and Prophet for Energy Consumption With Decomposition of Time Series Data(Peerj inc, 2022) Arslan, SerdarFor 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.Master Thesis Derin Öğrenme ve Çok Boyutlu İndeksleme Kullanılarak İçerik Tabanlı Görüntü Alma(2024) Uzel, Ömer; Arslan, SerdarSon 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.Article Citation - WoS: 1Citation - Scopus: 1Advancing Nanomaterials Research: a Comprehensive Review of Artificial Intelligence Applications in Geotechnical Properties(Techno-Press, 2024) Cemiloglu, A.; Zhu, L.; Arslan, S.; Nanehkaran, Y.A.; Azarafza, M.; Derakhshani, R.This article explores the role of artificial intelligence (AI) in predicting nanomaterial properties, particularly its significance within geotechnical engineering. By analyzing multiple AI-based studies, the review concentrates on the forecasting of nanomaterial-altered soil characteristics and behaviors. Encouraging findings from these studies underscore AI’s ability to accurately predict the geotechnical properties of nanomaterials, though challenges remain, particularly in quantifying nanomaterial percentages and their implications across various applications. Future research should address these challenges to enhance the accuracy of AI-based prediction models in geotechnical engineering. Nonetheless, the growing adoption of AI for predicting nanomaterial properties demonstrates its potential to revolutionize geotechnical engineering. AI’s capacity to uncover intricate patterns and relationships beyond human capabilities enables more precise soil behavior predictions, fostering innovative solutions to geotechnical challenges. Its ability to process vast datasets, adapt to various scenarios, and continuously learn from new information makes AI an indispensable tool for understanding nanomaterial properties and their impact on soil behavior. In summary, the integration of AI and geotechnical engineering represents a pivotal advancement in comprehending nanomaterial properties and their practical applications. As research advances and AI technologies evolve, transformative progress in geotechnical engineering is expected. By harnessing AI’s capabilities, researchers can unlock groundbreaking insights, drive innovation, and shape a more resilient and sustainable future for the geotechnical engineering industry. © 2024 Techno-Press, Ltd.Master Thesis Çevre Bilimleri Alanında Sıfır-Örnekli ve Az-Örnekli Adlandırılmış Varlık Tanıma(2024) Demirtaş, Kerem Mert; Arslan, SerdarDoğal 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.Article Citation - WoS: 17Citation - Scopus: 23Application of Bilstm-Crf Model With Different Embeddings for Product Name Extraction in Unstructured Turkish Text(Springer London Ltd, 2024) Arslan, SerdarNamed 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.Article Enhancing Content-Based Retrieval Through an End-to-End Approach Utilizing Deep Learning and Multidimensional Indexing(Springer London Ltd, 2025) Uzel, Omer; Arslan, SerdarRecent 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.Article Citation - WoS: 1Citation - Scopus: 1Redefining 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, SerdarThis 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.
