Search

Günümüzde görüntü işlemenin yaygın olarak kullanılması ile birlikte görüntülerin otomatik olarak tasvir edilmesi ve alt yazı oluşturulması önem teşkil etmektedir. Bu çalışma ile, literatüre ilk olarak yeni bir Türkçe konumlu tasvir veri seti kazandırılması, ikinci olarak Türkçe dilinde otomatik konumlu tasvir yapma ve alt yazı oluşturulması amaçlanmıştır. Konumlu-Tasvir adlı yeni veri setinin diğer veri setlerinden farkı, görüntüdeki bazı nesnelerin birbirlerine göre konum bilgilerini içermesidir. Konumlu-Tasvir veri seti kullanılarak, görüntülerin otomatik tasvir edilmesi ve alt yazılama için derin öğrenme yöntemlerinden faydalanılmıştır. Ayrıca konumlu tasvir ve alt yazılama için iki yöntem önerilmiş ve başarımları kıyaslanmıştır. Her iki yöntem için de elde edilen en iyi 10’ar model, otomatik alt yazı oluşturma için seçilmiştir. Deneysel sonuçlar önerilen yöntemlerin, Türkçe dilinde otomatik konumlu tasvir ve alt yazı oluşturma için başarılı sonuçlar ortaya koyduğunu göstermektedir. Tezin ikinci bölümünde literatür araştırması ele alınmış ve ilgili çalışmalar incelenmiştir. Üçüncü bölümde, çalışmada kullanılan tanımlar, modeller, performans ölçüm yöntemleri ve metrikleri konularına değinilmiştir. Ayrıca yeni Türkçe Konumlu-Tasvir veri setinin hazırlanması ve otomatik alt yazı oluşturma için önerilen iki yöntem ayrıntılı bir şekilde ele alınmıştır. Dördüncü bölümde, önerilen yöntemlerin görüntü çıktıları, performans ölçüm değerleri verilmiştir. Yöntemlerin, hem performans ölçüm metriklerine göre başarımları, hem de çıktı sonuçları kıyaslanmıştır. Son olarak beşinci bölümde analiz sonuçları ve öneriler ele alınmıştır. Ocak 2023 yılında yazılmış olan bu tez 128 sayfadan oluşmaktadır., Nowadays, with the widespread use of image processing, it is significant to automatically depict images and create subtitles. With this study, firstly Turkish-language depiction data set is intended to be introduced to the literature, and secondly, to create automatic position depiction and subtitle in Turkish language. The difference of the new data set called Konumlu-Tasvir (Positional-Depiction) from other data sets is that it contains the position information of some objects in the image relative to each other. Using the Positional-Depiction data set, deep learning methods were used for automatic depiction and captioning of images. In addition, two methods were proposed for positional depiction and subtitling, and performances were compared. For both methods, the top 10 models obtained were selected for automatic caption creation. Experimental results show that the proposed methods show successful results for automatic positional depiction and caption creation in the Turkish language. In the second part of the thesis, literature research is discussed and related studies are examined. In the third section, the definitions, models, performance measurement methods and metrics used in the study are discussed. In addition, the two proposed methods for the preparation of the new Turkish Positional-Depiction data set and automatic caption creation are discussed in detail. In the fourth section, the image outputs of the proposed methods, performance measurement values are given. Both the performance of the methods according to the performance measurement metrics and the output results were compared. Finally, in the fifth section, the analysis results and recommendations are discussed. This thesis, which was written in January 2023, consists of 128 pages.

Determining the types of DNA and proteins, examining their similarities, etc., remains among the challenging problems in the research field. For this reason, the data obtained and the use of this data are also limited. In this study, we combined the power of computer science in data processing with biology. We classified the DNAs of transcription factor proteins found in cruciferous Brassica plants and identified the DNAs related to the synthesis of transcription factor proteins in the plant. We compiled the dataset from the Plant Transcription Factor Database (PlantTFDB). We used the code dictionary structure in the preprocessing part and provided a fast and successful model using Bidirectional LSTM and Bidirectional GRU networks. Our model has 90.40% test accuracy and 86.75% 5-fold cross-validation accuracy. Using LSTM in the layer with fewer units and GRU in the layer with more units in the model provided a shorter training time for the model. In addition, although the prepared model classifies the transcription factor DNAs of Brassica plants, it will also be successful at a certain level in the transcription factor DNAs of other plants. The prepared model stands out as an important innovation that has been added to the literature in terms of its field of study., DNA ve protein türlerinin belirlenmesi, benzerliklerinin incelenmesi vb. araştırma alanındaki zorlu problemler arasında yer almaktadır. Bu nedenle elde edilen veriler ve bu verilerin kullanımı da sınırlıdır. Bu çalışmada bilgisayar biliminin veri işlemedeki gücünü biyoloji ile birleştirdik. Turpgillerden Brassica bitkilerinde bulunan transkripsiyon faktörü proteinlerinin DNA'larını sınıflandırdık ve bitkideki transkripsiyon faktörü proteinlerinin sentezi ile ilgili DNA'ları belirledik. Veri setini Bitki Transkripsiyon Faktörü Veritabanından (PlantTFDB) derledik. Önişleme kısmında kod sözlüğü yapısını kullandık ve Çift Yönlü LSTM ve Çift Yönlü GRU ağlarını kullanarak hızlı ve başarılı bir model sağladık. Modelimiz %90,40 test doğruluğuna ve %86,75 5-kat çapraz doğrulama doğruluğuna sahiptir. Modelde daha az birimli katmanda LSTM ve daha fazla birimli katmanda GRU kullanılması model için daha kısa eğitim süresi sağlamıştır. Ayrıca hazırlanan model Brassica bitkilerinin transkripsiyon faktör DNA'larını sınıflandırsa da diğer bitkilerin transkripsiyon faktör DNA'larında da belli bir düzeyde başarılı olacaktır. Hazırlanan model, çalışma alanı açısından literatüre katılmış önemli bir yenilik olarak öne çıkmaktadır.

Today, the stock market is a fairly large market which includes tradable instruments, currency, futures etc. Investors can invest in this market by choosing the investment instruments suitable for them. But the stock market is a highly volatile market, dependent on many variables today. Factors such as bank rate, unemployment, inflation rate are just some of the factors that affect the stock market. These movements, which take place in the market, which contains so much data and factors, are also occuring quite rapidly. It is difficult for the investor to catch up with these movements sometimes. Therefore confusions and hesitations may occur.In general, deep learning architectures and machine learning methods give very successful results in big data analytics lately. In this study, time series analytics of stocks traded in the stock market were performed by using Gated Recurrent Units and Recurrent Neural Networks, some of the deep learning architectures, and the results were evaluated. The purpose of the study is not to provide an investment recommendation, but to test the success of these architectures in big data analytics.In this study, the past 7 years data of ODAS, YKBNK and KARSN stocks, which are the 3 most traded stocks in BIST 100, were analyzed and their value movements were tried to be estimated., Borsa, günümüzde alınıp satılabilir menkul kuymetler, döviz, vadeli işlemler vb. içeren oldukça büyük bir piyasadır. Yatırımcılar, kendilerine uygun yatırım araçlarını seçerek bu pazara yatırım yapabilmektedirler. Fakat borsa, günümüzde birçok değişkene bağlı, oldukça hareketli bir pazardır. Faiz oranı, işsizlik, enflasyon oranı gibi etkenler borsayı etkileyen faktörlerden sadece bazılarıdır. Bu kadar çok veriyi ve etkeni içeren pazarda gerçekleşen bu hareketler de oldukça hızlı gelişmektedir. Yatırımcının bu hareketlere yetişmesi de zaman zaman zorlaşmaktadır. Dolayısıyla kafa karışıklıkları ve tereddütler meydana gelebilmektedir. Genel olarak derin öğrenme mimarileri ve makine öğrenmesi yöntemleri günümüzde büyük veri analitiği konusunda oldukça başarılı sonuçlar vermektedir. Bu çalışmada da derin öğrenme mimarilerinden Kapılı Tekrarlayan Birimler (Gated Recurrent Units) ve Tekrarlayan Sinir Ağları (Recurrent Neural Networks) kullanılarak borsada işlem gören hisse senetlerinin zaman serisi analitiği gerçekleştirilmiş ve sonuçlar değerlendirilmiştir.Çalışmanın amacı bir yatırım tavsiyesi sunmak değil, kullanılan yöntemlerin büyük veri analitiğindeki başarısını test etmektir. Bu çalışmada, BIST 100 içinde en çok işlem gören 3 hisse senetlerinden ODAS, YKBNK ve KARSN hisse senetlerinin geçmiş 7 yıllık verilerinin analitiği gerçekleştirilmiş ve değer hareketleri tahmin edilmeye çalışılmıştır.

Tam Metin / Tez E-postalar günümüzün en etkili iletişim araçlarından biridir. E-postaların içinde meşru e-postalar bulunduğu gibi istenmeyen e-postalar da bulunmaktadır. Yaramaz, önemsiz, gereksiz e-posta anlamına istenmeyen e-postalar internet kullanıcılarına maddi ve manevi ciddi zararlar vermekte olup internet trafiğini de meşgul etmektedir. İstenmeyen e-postaların tespiti için birçok yöntem bulunmakla birlikte mevcut çözümler çoğunlukla spam göndericilerin yenilikçiliğinin ve geliştirdiği tekniklerin gerisinde kalmaktadır. Bu tez çalışmasında literatürde bulunan istenmeyen epostaların tespitinde kullanılan yöntemler incelenmiş olup Türkçe istenmeyen e-posta tespiti için 6 farklı model önerilmiştir. 4 farklı derin öğrenme modeli Python programlama dili Keras kütüphanesi kullanılarak Spyder geliştirme ortamı ile geliştirilmiştir. Önerilen derin öğrenme modelleri RNN, LSTM, GRU ve BLSTM modelleridir. 2 farklı derin öğrenme modeli ve hiperparametre ince ayarı ile en iyi hiperparametre seçimi internet tabanlı Google Colaboratory ile geliştirilmiştir. Google Colaboratory ile test edilen derin öğrenme modelleri BERT ve DistilBERT modelleridir. Google Colaboratory ile de Tensorflow tabanlı Keras kütüphanesi kullanılmaktadır. İstenmeyen e-posta tespitinde önerilen modeller geliştirilirken 400 adet istenmeyen, 400 adet meşru olmak üzere toplam 800 adet Türkçe e-posta veri kümesi kullanılmıştır. Bu modellerden 5 katlamalı çapraz doğrulama ile BLSTM 0.0373 ile en az test kaybına sahip olup LSTM ve BLSTM istenmeyen e-posta tespitinde %99.38 başarım oranına ulaşmıştır. İnce ayarlı BERT modeli ise %98.75 başarım oranına ulaşmıştır. RNN derin öğrenme modeli için hiperparametre ince ayarı Izgara Arama tahmin edici ile yapılmıştır. Hiperparametre ince ayarı yapılarak %97.66 başarım elde edilmiştir. Ayrıca tez çalışması kapsamında 350 adet e-posta içeren yeni bir Türkçe e-posta veri kümesi oluşturulmuştur. Daha sonraki çalışmalarda bu e-posta veri kümesinin boyutu artırılarak derin öğrenme modellerinde deneyler yapılması düşünülmektedir. E-mails are one of today's most effective communication tools. E-mails contain legitimate e-mails as well as spam e-mails. Spam e-mails, which mean naughty, junk, unnecessary e-mails, cause serious material and moral damage to internet users and also occupy internet traffic. Although there are many methods of detecting spam emails, current solutions often fall behind the innovation and techniques developed by spammers. In this thesis, the methods used in the detection of unsolicited e-mails in the literature were examined and 6 different models were proposed for the detection of spam e-mails in Turkish. 4 different deep learning models were developed with the Spyder development environment using the Python programming language Keras library. Recommended deep learning models are RNN, LSTM, GRU and BLSTM models. With 2 different deep learning models and hyperparameter fine-tuning, the best hyperparameter selection has been developed with the internet-based Google Colaboratory. Deep learning models tested with Google Colaboratory are BERT and DistilBERT models. Tensorflow-based Keras library is also used with Google Colaboratory. While developing the suggested models for spam detection, a total of 800 Turkish e-mail data sets, 400 of which are spam and 400 are legitimate, were used. Among these models, 5-fold cross validation has the least test loss with BLSTM 0.0373, and LSTM and BLSTM have achieved 99.38% success rate in spam detection. The fine tuned BERT model has achieved 98.75% performance rate. Hyperparameter fine-tuning for the RNN deep learning model was done with the Grid Search estimator. A performance of 97.66% was achieved by fine tuning the hyperparameter. Also, a new Turkish e-mail data set containing 350 e-mails was created within the scope of the thesis study. In future studies, it is planned to increase the size of this e-mail data set and experiment with deep learning models.