Görür, Abdül KadirTalabani, Nawar Fayq Arıf2025-12-052025-12-052025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTf66D1qx5WAGphZeSUcGiVm5VNHmM04j_euwHEL3xyzdhttps://hdl.handle.net/20.500.12416/15768Dijital reklamcılık çağında, kullanıcı etkileşimini doğru bir şekilde tahmin etmek, reklam yerleşimlerini optimize etmek ve geliri maksimize etmek açısından oldukça önemlidir. Bu araştırma, reklam tıklama tahminlerini geliştirmek amacıyla topluluk öğrenme (ensemble learning) algoritmalarını kullanan Geliştirilmiş Bir Reklamcılık Çerçevesi sunmaktadır. Çalışma, veri ön işleme, özellik mühendisliği ve korelasyon analizini içeren yapılandırılmış bir yaklaşımı takip ederek en uygun özellik seçimini sağlamıştır. Verisetleri eğitim ve test olarak ikiye ayrılmış; modeller, çeşitli değerlendirme metrikleri kullanılarak eğitilmiş ve test edilmiştir. Değerlendirme ve test süreci; demografik veriler, cihaz bilgileri ve reklam etkileşim kayıtları gibi çeşitli bilgileri içeren üç veri seti üzerinde gerçekleştirilmiştir. XGBoost, AVAZU veri setinde 0.9333 ve DIGIX veri setinde 0.9743 AUC skoru ile en yüksek başarıyı göstermiştir. Öte yandan, AdaBoost, dengelenmiş Online Advertising Campaign veri setinde %98.52 F1 skoru ve 0.9926 AUC değeri ile en iyi performansı göstermiştir. Sonuçlar, topluluk modellerinin kullanıcı davranışlarındaki karmaşık örüntüleri yakalama konusundaki etkinliğini ortaya koyarak daha doğru reklam hedeflemesine olanak sağladığını göstermektedir.In the era of digital advertising, accurately predicting user engagement is crucial for optimizing ad placements and maximizing revenue. This research introduces an Enhanced Advertising Framework utilizing ensemble learning algorithms to improve ad click predictions. The study followed a structured approach, beginning with data preprocessing, feature engineering, and correlation analysis, ensuring optimal feature selection. The datasets were divided into training and test sets, where models were trained and evaluated using several metrics. The evaluation and testing were conducted using three datasets containing a variety of information, including demographic data, device information, and ad interaction records. XGBoost achieved the highest AUC on AVAZU dataset (0.9333) and DIGIX dataset (0.9743), while AdaBoost excelled on balanced Online Advertising Campaign dataset with an F1-score of 98.52% and AUC of 0.9926. The results highlight the effectiveness of ensemble models in capturing complex patterns in user behavior, leading to more accurate ad targeting.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTopluluk ÖğrenmeÖğe SeçimiÖn Kestirim ModelleriComputer Engineering and Computer Science and ControlEnsemble LearningFeature SelectionPrediction ModelsMaster Thesis