Search

Dijital reklamcılık düşük reklam maliyetleri, hızlı ve etkili tüketici geri bildirimi, artan verimlilik ve ayrıntılı müşteri tabanı oluşturma avantajlarından dolayı şirketler için giderek daha önemli hale gelmektedir. Geleneksel reklamcılıkta daha çok sezgiye ve tecrübeye dayanan içerik üretme, dijital reklamcılıkta veriye dayalıdır. Böylece tüketicilerin dijital izlerine göre kişiselleştirilmiş hedef reklamlar sunulmaktadır. Hedef reklamcılık, dijital reklamcılığın odağına yerleşirken, bu alanda geliştirilen yöntemler hem şirketler hem de araştırmacılar için yeni ufuklar açmaktadır. Dijital reklamcılıkta hedefli reklamların sunulmasında teklif verme makineleri veya kişiye özel fiyat ve promosyon sunan fiyatlandırma motoru, genel olarak gelişmiş bir makine öğrenmesi algoritmasıyla gerçekleştirilmektedir. Makine öğrenmesi, şirketlere reklam üzerinde daha fazla kontrol gücü verirken, en önemli tartışma konusu ise reklamların kişiselleştirilmesi ve bunun sonucu olarak veri gizliliği ihlallerinin yaşanabilmesidir. Bu makale, makine öğrenmesi algoritmaları ile hedef reklamcılığın işletmelere sağladığı faydalar yanında, veri gizliliği endişelerine de odaklanarak konuyu bütüncül bir yaklaşımla ele almaktadır. Makalede hedef reklamcılığın getirdiği yüksek karlılığı korurken, tüketicilerin veri gizliliği endişesiyle satın alma davranışından vazgeçmelerini engelleyecek adımların neler olduğu tartışılmıştır. Sonuç olarak tüketici verilerinin dijital reklamcılıkta kullanılmasının önemi ortaya çıkmıştır. Bununla birlikte makine öğrenmesi algoritmaları ile kişiye özgü veri gizlilik ayarlarının yapılarak mahremiyetin, tüketicinin gizlilik sınırları çerçevesinde yapılandırılması gerektiği vurgulanmaktadır. Böylece şirketlerin hem kârlılığı koruması hem de veri gizliliği nedeniyle tüketici kayıplarının önüne geçmesi mümkün olacaktır., Digital advertising provides great advantages such as lower advertising costs, fast and reliable feedbacks from customers, increased efficiency, and the ability to create detailed databases of customers, which make it increasingly more important for companies. Production of contents is mainly based on intuition and experience in conventional advertising, while it is based on data in digital advertising. This makes it possible to offer targeted advertisements that are customized according to the digital trails of consumers. Targeted advertising has become the focus of digital advertising, and methods that have been developed in this field open new horizons both for companies and researchers. To provide targeted advertisements for digital advertising, bidding machines or pricing engines that offer customized prices and promotions are typically generated by means of a machine learning algorithm. Machine learning provides companies with more power to control advertisements; but the most important issue of debate is the customization of advertisements and therefore the possibility that data privacy is compromised. This paper discusses the issue with a holistic approach by focusing on the concerns of data privacy in addition to the benefits of targeted advertisements and machine learning algorithms for businesses. This paper also discusses the steps that would prevent consumers from not proceeding with a purchase due to concerns about data privacy, while maintaining the high level of profitability gained thanks to targeted advertisements. As a result, the importance of using consumer data in digital advertising was emphasized. However, privacy should be configured within the limits of consumer privacy by making personal data privacy settings with machine learning algorithms. Thus, it will be possible for companies both to protect their profitability and prevent consumer losses due to data privacy.

Date of Conference: 16-19 May 2016 Conference Name: IEEE 24th Signal Processing and Communications Applications Conference, SIU 2016 In this paper, we study multi-class classification of tweets, where we introduce highly efficient dimensionality reduction techniques suitable for online processing of high dimensional feature vectors generated from freely-worded text. As for the real life case study, we work on tweets in the Turkish language, however, our methods are generic and can be used for other languages as clearly explained in the paper. Since we work on a real life application and the tweets are freely worded, we introduce text correction, normalization and root finding algorithms. Although text processing and classification are highly important due to many applications such as emotion recognition, advertisement selection, etc., online classification and regression algorithms over text are limited due to need for high dimensional vectors to represent natural text inputs. We overcome such limitations by showing that randomized projections and piecewise linear models can be efficiently leveraged to significantly reduce the computational cost for feature vector extraction from the tweets. Hence, we can perform multi-class tweet classification and regression in real time. We demonstrate our results over tweets collected from a real life case study where the tweets are freely-worded, e.g., with emoticons, shortened words, special characters, etc., and are unstructured. We implement several well-known machine learning algorithms as well as novel regression methods and demonstrate that we can significantly reduce the computational complexity with insignificant change in the classification and regression performance.

Nesnelerin internetini (internet of things - IoT) oluşturan cihazlar ve bu cihazları birbirine bağlayan ağlar hızlı bir şekilde yaygınlaşmaktadır ve evrim geçirmektedir. Buna paralel olarak, IoT cihazlarına ve ağlarına yönelik saldırılar da hız kesmeden artmaya devam etmektedir. Bu derleme çalışmasında, genel olarak IoT ağlarındaki anormallik tabanlı saldırıları tespit etmek ve azaltmak için önerilen, makine öğrenimi ve derin öğrenme modellerinden oluşan güncel yaklaşımlar özetlenmiştir. Önerilen yaklaşımlar hakkında kısa bilgiler verilmektedir ve bu yaklaşımların avantajlarından ve dezavantajlarından bahsedilmektedir. Bu çalışmanın ana hedefi olarak, önerilen yaklaşımlarda kullanılan makine öğrenimi ve derin öğrenme modelleri ile ilgili, üç araştırma sorusunun yanıtı aranmaktadır. Bu araştırma sorularından birincisi, “IoT güvenliğinde kullanılan makine öğrenimi ve derin öğrenme modelleri, hangi metriklerle değerlendirilmektedir? “, ikincisi, “IoT güvenliği açısından, makine öğrenimi ve derin öğrenme modellerinde hangi veri kümeleri kullanılmaktadır? “ ve üçüncüsü ise, “IoT güvenliğinde hangi makine öğrenimi ve derin öğrenme modelleri kullanılmaktadır ve bunların uygulama alanları nelerdir? “. Bu çalışmada son olarak, incelenen çalışmalardaki eksiklikler tespit edilmektedir. Böylece, IoT güvenliği ile ilgili gelecekteki çalışmalar için bir bakış açısı sağlanmaktadır, Internet of things (IoT) devices and networks connecting these devices are rapidly spreading and evolving. In parallel, attacks against IoT devices and networks continue to increase unabated. In this review, current approaches, consisting of machine learning and deep learning models, which are recommended to detect and mitigate anomaly-based attacks in IoT networks in general, are summarized. Brief information about the proposed approaches is given, and the advantages and disadvantages of these approaches are mentioned. As the main objective of this paper, answers to three research questions about machine learning and deep learning models used in the proposed approaches are sought. The first of these research questions is, “With which metrics are machine learning and deep learning models used in IoT security evaluated? “, the second is, “In terms of IoT security, which datasets are used in machine learning and deep learning models? “ and the third is, “Which machine learning and deep learning models are used in IoT security and what are their application areas? “. Finally, deficiencies encountered in the studies are noted. Thus, a perspective is provided for future work on IoT security.

This paper reports the location estimation on Mobile networks using Base Station (BTS) data. Processed data have been collected from the field as TA (Timing Advance), RSRP (Reference Signal Received Power), and RSRQ (Reference Signal Received Quality) measurements. We also gathered the corresponding Global Positioning System (GPS) to the measurements. Location estimation results compared to the actual location. We gathered the accurate sites of the users to increase the service quality of the BTS. This article was produced from the thesis titled “Location Estimation on Mobile Networks.” Bu makale, Baz İstasyonu (BTS) verilerini kullanarak Mobil ağlarda konum tahminini raporlamaktadır. İşlenen veriler sahadan TA (Timing Advance), RSRP (Reference Signal Received Power) ve RSRQ (Reference Signal Received Quality) ölçümleri olarak toplanmıştır. Ölçümlere karşılık gelen Global Konumlandırma Sistemi (GPS) verileri de toplanmıştır. Lokasyon tahminleri gerçek lokasyonla (GPS) karşılaştırılmıştır. Baz istasyonunun hizmet kalitesini artırmak amaçlanmıştır. Bu makale “Mobil Ağlarda Lokasyon Tahmini” başlıklı tezden üretilmiştir.

Ekonometri ve makine öğrenmesi geniş kullanım alanlarına ve tekniklere sahiptir. Bu çalışmada ekonometride bağımlı değişkenin nitel özellik gösterdiği durumda kullanılan nitel tercih modelleri ile makine öğrenmesinde kullanılan sınıflandırma algoritmalarına yer verilmiş olup, bu doğrultuda ekonometri ile makine öğrenmesi arasında nasıl bir köprü kurulabileceğinin araştırılması amaçlanmıştır. Büyük verilerin ekonometride yarattığı sorunlar ve makine öğrenmesinin yapabileceği katkılar araştırılmış ve kestirim tabanlı sınıflandırma algoritmalarının çekimser kaldığı nedensellik araştırmalarındaki konumu incelenerek ekonometrinin sağlayabileceği katkılar ortaya konulmuştur. Both econometrics and machine learning operate in a broad area of study. Therefore, this paper limits the scope to where the dependent variable is categoric and investigates the relationship between discrete choice models and classification algorithms. In particular, we address the challenges of big data in econometrics and the contributions of machine learning. The article also gives an overview of why classification algorithms have abstained from causality and how the machine learning community could benefit from econometrics

Üretimplanlama için doğru bir talep tahminin yapılması oldukça önemli birparametredir. Müşterilerin gelecekteki talep eğilimleri, piyasa durumu vemevsimsellik gibi birçok faktörden etkilenebilir. Üretim planlama, işletmelerinhedefleri doğrultusunda üretim politikaları, üretim programları ve üretimleilgili süreçlerin planlanmasıdır. Doğru bir talep tahmini yapmak oldukça kritikbir öneme sahip olup kaynakların daha verimli kullanılmasına olanaksağlayabilecektir. Talep tahmin metotları, kantitatif ve kalitatif olarak ikiana başlık altında toplanır. Kantitatif tahmin metodu, insanların kenditecrübelerinden oluşan bilgiye dayanak olarak tahmin yapma yöntemidir.Kalitatif metot ise, sayısal verilerin matematiksel modellemelerledesteklenerek ortaya çıkan sonuçlara dayanarak tahmin yapma yöntemidir. Yapaysinir ağları modeli kantitatif tahmin metotlarının arasında yer alır. Buçerçevede, makine öğrenme yöntemleri özellikle destek vektör makinesi, en yakınn-komşu, regresyon ve yapay sinir ağları ve bayes ağları gibi metotlar vealgoritmaların kullanılması uygun olabilir. Bu makalede yapay sinir ağlarımetodu kullanılarak talep tahmini problemi minimum hatayı veren sinir ağlarıylaçözülmüştür. Yapay sinir ağları metodu, belirli değişkenlere bağlı olan bir taleptahminini önceki örneklerin verileriyle yapay sinir ağlarının öğretilmesiyleileriye dönük doğru talep tahmini yapması hedeflenmektedir., Demand forecastingrepresents an important part of production planning because itcan estimate the future demand of products and services and the amount ofresources that needs to be allocated in order to accomplish that demand. As thedemands can vary as the times passes, the production plan must beable to face those variations. Demand estimation methods are classified undertwo main headings: quantitative and qualitative. The quantitative estimationmethod is a method of estimating the basis of knowledge of people's ownexperiences. The qualitative method is the method of estimating the numericaldata based on the results obtained by supporting the mathematical modeling.Artificial neural network model is among quantitative estimation methods.Therefore, it may be appropriate to use methods and algorithms such as machinelearning methods, especially support vector machine, nearest n-neighbor,regression and artificial neural networks and Bayesian networks. In this paper,we focus on the mining of the time series formed by all the past results usingan artificial neural network-based simulation system that is ableto identify an appropriate production forecast. The results ofthe production simulations are used as historical data in order toforecast the future demands and the amount of time needed to satisfy them. Thetime series forecast results show that data mining can be used in this domainin order to extract patterns that can be used to optimizethe production process.

Bilişim sistemlerinde meydana gelen hızlı gelişmeler, verilerin organizasyonların karar verme sürecinde etkin bir şekilde kullanımına olanak sağlamaktadır. Ham verilerin işlenmesi ve analiz edilerek karar verme süreçlerine dahil edilmesi, kamu kurum ve kuruluşlarında daha etkin yönetim, performans ölçümü ve kamu kaynaklarının etkin kullanımı gibi konularda büyük önem taşımaktadır. Bu çalışma kapsamında İzmir İtfaiye Daire Başkanlığı'nın karar verme süreçlerini doğrudan destekleyebilecek yapıda bir sistem tasarlanmıştır. Çalışma, İtfaiye Daire Başkanlığı'ndan yetkili kişilerle sürekli fikir alışverişi yapılarak, tamamen itfaiyenin ihtiyaçları gözetilerek gerçekleştirilmiştir. Karar vericilere karar verme süreçlerinde destek olmayı, anlık ve geleceğe yönelik çıkarımlarla var olan verilerden yararlı bilgiler elde etmeyi amaçlayan web tabanlı bir uygulama geliştirilmiştir. Uygulamanın geliştirilmesi aşamasında İzmir İtfaiye Daire Başkanlığı tarafından oluşturulmuş, kâğıt üzerinde tutulan ve arşivlerde saklanan İtfaiye Yangın Raporu formlarının dijitalleştirilmesi sağlanmıştır. Dijitalleştirilerek veri tabanına kaydedilen formlardan, çeşitli sorgular ve analizler yapılarak itfaiyenin mevcut durumu ve performansı ortaya konulmuştur. Ayrıca geleceğe yönelik tahminlemeler de yapılarak uygulama, mevcut durumun ve performansın yanında, ileriye dönük bilgiler de sunan bir sistem haline getirilmiştir. Geleceğe yönelik tahminlemeler yapılırken zaman serisi analizlerinden ve makine öğrenmesi tekniklerinden yararlanılmıştır. Tüm sorgu, analiz ve tahminlemeler web uygulamasında çeşitli grafikler, haritalar ve sayısal değerler olarak karar vericilere raporlanmıştır. İtfaiye Yangın Raporu formlarının arşivlerde değil veri tabanında saklanması; verilerin kaybolma, deforme olma ve karar verme sürecine etkin olarak katılamaması gibi olası risklerin önüne geçilmesinde önemli bir role sahiptir. Uygulama, veri tabanına kaydedilen ham verilerin yararlı bilgilere dönüştürülmesiyle özellikle stok yönetimi, insan kaynakları yönetimi, itfaiye istasyonu yer seçimi gibi konularda karar verme desteği sağlayacaktır. The rapid development of information systems enables the efficient use of data in decision-making process of organizations. The processing and analysis of raw data and including them in decision-making processes have a great importance for more effective management, performance measurement and effective use of public fundings in public institutions and organizations. Within the scope of this study, a system was designed to support the decision-making processes of the Izmir Fire Department directly. The study was carried out by constantly exchanging ideas with the authorized persons of the Fire Department and taking into consideration the needs of the fire brigade. A web-based application, which aims to support the decision-maker in the decision-making process and to obtain useful information from the existing data by making instant and future inferences, was developed. During the development process of the application, the Fire Report forms, which were created, kept on paper and stored in archives by Izmir Fire Department, were digitized. The current situation and performance of the fire brigade has been revealed by making various queries and analyzes from the forms which are saved to database by digitizing them. In addition, by making forecasts for the future, the application has been turned into a system that provides forward-looking information and shows the current situation and performance. Time series analysis and machine learning techniques were used to make predictions for the future. Queries, analyzes and predictions in this web application were reported to the decision maker with graphs, numerical values and maps. Keeping fire reports forms into databases instead of archives has an important role to prevent risks such as absence of data, having deformed data, and non-particpation of data into decision making process effectively. The application will provide support for decision-making on issues such as stock management, human resource management, fire station location selection, by converting raw data into useful information. 101

Early diagnosis of breast cancer disease is critical forpatients to recover from this disease entirely as it is a common disease allover the world. In order to facilitate the diagnosis of the disease, medicaldoctors can benefit from computer-aided expert systems. In this paper, a scorefusion method based on generalized regression neural network (GRNN) and feedforward neural network (FFNN) has been proposed so as to split breast cancerdata samples into benign or malignant classes. The proposed method is tested onthe Wisconsin Diagnostic Breast Cancer (WDBC) dataset. The utilities of thesebasic neural networks and the proposed method are examined and comparative performanceresults are presented. The experimental results show that the proposed methodis promising for the diagnosis of breast cancer and may be used as an assistingtool in the decision-making of medical professionals., Meme kanseri tüm dünyada yaygın birhastalık olması sebebiyle hastalığın erken teşhisi, hastaların bu hastalıktantamamen kurtulabilmeleri açısından kritik öneme sahiptir. Hastalığın teşhisinikolaylaştırmak için tıp doktorları bilgisayar destekli uzman sistemlerdenyararlanabilmektedir. Bu çalışmada meme kanseri veri örneklerini iyi huylu veyakötü huylu sınıflarına ayırmak için genel regresyon sinir ağı (Generalized RegressionNeural Network-GRNN) ve ileri beslemeli sinir ağı (Feed Forward Neural Network-FFNN)temelli bir skor füzyon yöntemi önerilmiştir. Önerilen yöntem Wisconsin TeşhisMeme Kanseri (Wisconsin Diagnostic Breast Cancer-WDBC) veri seti üzerinde testedilmiştir. Bu iki temel ağın ve önerilen yöntemin kullanışlılığı incelenmiş veperformans sonuçları karşılaştırmalı olarak sunulmuştur. Önerilen yöntemsınıflandırma doğruluğu bakımından literatürde WDBC veri setini kullanarakyapılan mevcut çalışmalar ile kıyaslanmıştır. Elde edilen deneysel sonuçlarönerilen yöntemin, meme kanseri teşhisi için umut vadettiğini ve tıpuzmanlarının hastalığa ilişkin karar vermelerinde yardımcı bir araç olarakkullanılabileceğini göstermektedir.

Date of Conference: 2-5 May 2018 In this paper, we study online nonlinear data regression and propose a highly efficient long short term memory (LSTM) network based architecture. Here, we also introduce on-line training algorithms to learn the parameters of the introduced architecture. We first propose an LSTM based architecture for data regression. To diminish the complexity of this architecture, we use an energy efficient operator (ef-operator) instead of the multiplication operation. We then factorize the matrices of the LSTM network to reduce the total number of parameters to be learned. In order to train the parameters of this structure, we introduce online learning methods based on the exponentiated gradient (EG) and stochastic gradient descent (SGD) algorithms. Experimental results demonstrate considerable performance and efficiency improvements provided by the introduced architecture.

Günümüzde hayatın her sektöründe işlenen veri miktarının artması, veri madenciliğin giderek daha popüler hale gelmesine yol açmış ve yüksek miktarda verinin artan bir karmaşıklıkta işlenmesi ihtiyacı doğmuştur. Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarını çözmek adına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimsel birçok problemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır. Eğitilen ve eğiten sayısının gün geçtikçe arttığı eğitim sektöründe ise, sistemin başarısının geliştirilebilmesi için, gerek eğitilen gerekse eğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesi ihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılan çalışmalar genel olarak, öğrenci performansı konularına yoğunlaştığından, eğitmen performansı konusunda daha çok çalışmaya ihtiyaç duyulmaktadır. Eğitimsel veri madenciliği alanında öznitelik seçme ile birleştirilmiş makine öğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerine yoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğu görülmüştür. Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliği yöntemleriyle nasıl tespit edilebileceği üzerinde durulmuştur. Çalışma kapsamında Gazi Üniversitesi öğrencilerinin eğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veri seti üzerinde çalışılmış, çeşitli öznitelik indirgeme algoritmaları ve farklı makine öğrenme yöntemleriyle veri seti kıymetlendirilmiş ve eğitmenlerin performansları tahmin edilmiştir. Elde edilen sonuçlara göre genetik algoritma ile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla en iyi sonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelik kullanılabileceği ortaya çıkarılmıştır. Genetik algoritma ile birlikte makine öğrenmesi yöntemi olarak derin öğrenme kullanımı ile birlikte %97,70 bir tahmin doğruluk performansına ulaşılmış ve bu değerin tüm özniteliklerin kullanılması ile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayı diğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makine öğrenmesini birleştirmesinin yanında, eğitmen performanslarının sıralanması işlemini de somut olarak yapmasıdır., Today, increasing amount of data in all sector of life, make data mining more popular, and high amount of data in increasing complexity demanded to acquit. Different methods developed day by day, for solving problems at many sectors like finance, health, defense, and education, applied to data mining for many social, economic, and scientific issues. In the education area, where both number of instructors and students always increase, for enhancing system performance, it is needed to observe and evaluate the performance of students and instructors and such situation causes to reveal a new concept Educational Data Mining. Research in this area generally focuses on student performance. Thus, there is a need for research in instructor performance. Research using machine learning combined with attribute selection in the field of educational data mining have focused on student performance in general, but few studies have focused on instructor performance. In this paper, it was discussed how the performance of the instructor can be determined by educational data mining methods. A Likert type questionnaire dataset on opinions of the Gazi University’s student regarding their instructor’s teaching performance is used in this research and different feature reduction, and machine learning algorithms are used for evaluating the data set and performances of instructors. According to the obtained results, it has been revealed that the feature selection with genetic algorithm gives the best result for the used data set compared to the other methods and 19 attributes can be used instead of 33 attributes. Utilizing genetic algorithm and deep learning as a machine learning method has achieved a predictive accuracy performance of 97.70 %, which is higher than the value that can be achieved by using all the attributes. This study differs from the others in that it combines the reduced number of attributes and machine learning, as well as the ordering of instructor performances in concrete terms.

The probabilistic neural network (PNN) is a special type of radial basis neural network used mainly for classification problems. Due to the size of the network after training, this type of network is usually used for problems with a small-sized training dataset. In this paper, a new training algorithm is presented for use with large training databases. Application to the handwritten digit database shows that the reduced PNN performs better than the standard PNN for all of the studied cases with a big gain in size and processing speed. This new type of neural network can be used easily for problems with large training databases like biometrics and data mining applications. An extension of the network is possible for new training samples and/or classes without retraining.

Machine learning, a branch of artificial intelligence, is a scientific discipline that is concerned with the design and development of algorithms that allow computers to evolve behaviors based on empirical data, such as from sensor data or databases. Artificial neural networks are composed of interconnecting artificial neurons (programming constructs that mimic the properties of biological neurons). Artificial neural networks may either be used to gain an understanding of biological neural networks, or for solving artificial intelligence problems without necessarily creating a model of a real biological system. In this paper, we made analysis with machine learning algorithms and artificial neural networks classification from instances in data set. Furthermore, machine learning algorithms and artificial neural networks with constituted rules.

This paper investigates the control of nonlinear systems by neural networks and fuzzy logic. As the control methods, Gaussian neuro-fuzzy variable structure (GNFVS), feedback error learning architecture (FELA) and direct inverse modeling architecture (DIMA) are studied, and their performances are comparatively evaluated on a two degrees of freedom direct drive robotic manipulator with respect to trajectory tracking performance, computational complexity, design complexity, RMS errors, necessary training time in learning phase and payload variations.