Search

In the globalizing world, the importance of knowing a foreign language is increasing. One of the important methods to reduce language teaching difficulties is personalized learning approaches, which have become easier to manage with the developments in the world of technology. Thanks to personalized learning, educational methods and materials can be presented based on the interests and needs of each individual, even in the same classroom environment. It is known that presenting the learning contents in accordance with the interests of the learners will increase the efficiency of learning. Thus, in this study, the individuals’ areas of interest were estimated through machine learning methods in order to use it as an infrastructure for personalized foreign language learning. A questionnaire was designed and applied to 164 people from different sectors. In the questionnaire, there were 11 questions consisting of options that people could choose as much as they want, and a section where they could choose their area of interest. Individuals could choose areas of interest as much as they want from technology, health, business life, different cultures, sports and fine arts, at least one of which is compulsory. The collected data were transformed into mathematical form and analyzed with k-nearest neighbor, random forest and artificial neural network methods. The Bayesian optimization method, which produces better results in a shorter time than the traditional grid search method, was used for parameter optimization of methods used. Since a user could select more than one area of interest, all machine learning models were built with a multi-label prediction approach. In this context, separate estimations were made for 6 areas of interest for each person, whether they were interested or not, and the success rate was calculated considering this situation. When the analysis results were examined, the best success rate was obtained with the random forest algorithm with 78.12%. It was foreseen that this result would be sufficient for the system to be designed and better results would be obtained with the increasing number of data., Küreselleşen dünyada yabancı dil bilmenin önemi giderek artmaktadır. Dil öğretim zorluklarını azaltmak için önemli yöntemlerden biri de, teknoloji dünyasındaki gelişmeler ile birlikte daha kolay yönetebilir hale gelen kişiselleştirilmiş öğrenim yaklaşımlardır. Kişiselleştirilmiş öğrenim sayesinde aynı sınıf ortamında bile, her bireyin istek ve ihtiyaçlarına göre yöntem ve materyal sunulabilmektedir. Dil öğretiminde, içeriklerin kişilerin ilgi alanlarına uygun olarak sunulmasının öğrenimin verimini artıracağı düşünülmektedir. Bu kapsamda çalışmada, kişiselleştirilmiş İngilizce öğretiminde alt yapı olarak kullanılmak üzere makine öğrenmesi yöntemleri ile bireylerin ilgi alanı tahmini yapılmıştır. Çalışmada öncelikli olarak bir anket tasarlanarak farklı sektörlerden 164 kişiye uygulanmıştır. Tasarlanan ankette kişilerin istedikleri kadar seçim yapacakları seçeneklerden oluşan 11 soru ve ilgi alanını seçebilecekleri bölüm bulunmaktadır. Birey en az biri zorunlu olmak üzere teknoloji, sağlık, iş yaşamı, farklı kültürler, spor ve güzel sanatlar ilgi alanlarından dilediği kadarını seçebilmektedir. Toplanan bu veriler matematiksel hale dönüştürülerek k-en yakın komşu, rastgele orman ve yapay sinir ağı yöntemleri ile analizler yapılmıştır. Kullanılan yöntemlerim parametre optimizasyonu için geleneksel ızgara arama yönteminden daha kısa sürede daha iyi sonuçlar üreten Bayesian optimizasyon yönteminden faydalanılmıştır. Bir kullanıcı birden fazla ilgi alanı seçebildiği için tüm makine öğrenmesi modelleri çoklu etiket tahmini yaklaşımı ile oluşturulmuştur. Bu bağlamda her bir kişi için ilgi duyuyor ve duymuyor olacak şekilde 6 ilgi alanı için ayrı ayrı tahmin yapılmış ve başarı oranı da bu durum göze alınarak hesaplanmıştır. Analiz sonuçları incelendiğinde en iyi başarı oranı %78.12 ile rastgele orman algoritması ile elde edilmiştir. Bu sonucun tasarlanacak sistem için yeterli olduğu, veri sayısının artırılması ile birlikte de daha iyi sonuçlar elde edileceği öngörülmektedir.

İnternetin gelişmesiyle beraber dijital ortamda bulunan veri miktarısürekli artış göstermektedir. Özellikle web 2.0 teknolojisiyle birliktewikipedia, blog, sosyal medya gibi, kullanıcıların yeni içerik ekleyebildiğisitelerin artması sonucunda internet ortamındaki bilgi miktarının hem sayısıhem de büyüklüğü sürekli artarak devasa boyutlara ulaşmıştır. Verilerin bukadar çok olduğu bir ortamda istenilen bilgiye ulaşmak ciddi birproblemdir. Günümüz bilgi çağı, arananbilgiye daha çabuk ve hızlı erişmek için otomatik metin özetleme sitemlerininbilgi çıkarımı ile ilgili birçok alanda kullanımını zorunlu halegetirmektedir. Bu çalışmada cümleçıkarımına dayalı metin özetleme yöntemleri ele alınmış, ilk olarak dokümaniçerisinde yer alan cümleleri temsil edecek öznitelikler çıkarılmış, ardından bu özniteliklerin özetoluşturmadaki etkinliği genetik algoritma yardımıyla belirlenmeyeçalışılmıştır. Çalışmada kullanılan veriseti Türkçe haber metinleri ve bunların özetlerini içeren 120 dokumandanoluşmaktadır. 80 adet dokuman genetikalgoritma yardımıyla eğitilerek,özniteliklere ilişkin en iyi ağırlık değerleri belirlenmiş, daha sonrabu ağırlıklar yardımıyla 40 adet test dokümanı özetlenmiş ve sonuçlar orijinalözetlerle karşılaştırılmıştır., With the development of the Internet, the amount ofdata in the digital environment is continuously increasing. Especially with web2.0 technology, as a result of sites which users are able to add new contentsuch as wikipedia, blogs and social media sites, the amount of information onthe internet is increasing both in number and size. Accessing the requiredinformation in a medium where there are so many data is a serious problem.Today’s information age make it necessary to use automatic text summarizationsystems in many areas about information retrieval in order to access thesearched information. In this study, text summarization methods based onsentence extraction are discussed, firstly features to represent sentences indocument is extracted and then the effectiveness of these attributes onsummarization is tried to be determined by using genetic algorithm. The dataset used in the study consists of 120 documents containing Turkish news textsand their summaries. 80 documents are trained with the help of geneticalgorithm and the best weight values for the attributes are determined, then 40test documents are summarized with these weights and the results are comparedwith the original summaries.

Müşteri davranışlarını inceleyerek ayrılması muhtemel müşterilere ait profilleri çıkarıp terk etme olasılığı yüksek müşterileri önceden tahmin etme işlemi müşteri kaybı analizi olarak adlandırılmaktadır. Yeni müşteri kazanma maliyetinin eldeki müşteriyi tutma maliyetinden daha yüksek olması, müşteri terk etme analizini stratejik karar verme ve planlama sürecinin vazgeçilmez bir parçası haline getirmiştir. Hızla büyüyen ve rekabet ortamının her geçen gün artığı, müşterilerin kolaylıkla operatör değiştirdiği ve bu nedenle firmaların milyonlarca dolar zarar ettiği telekomünikasyon sektöründe, müşteri ayrılma analizi daha da önem kazanmaktadır. Müşteri kaybı analizi, rakip firmaya geçmeyi planlayan müşterileri önceden tahmin ederek, şirkete bu müşterilerin bağlılığını arttırmayı hedefleyen çeşitli kampanyalar ve politikalar geliştirme fırsatı sunar. Müşteri kaybı analizi için son yıllarda veri madenciliği ve yapay zekâ teknikleri sıkça kullanılmaya başlanmıştır. Bu çalışmada, telekomünikasyon sektöründe müşteri kaybını tahmin etmek için, Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA) ve Naive Bayes (NB) gibi çeşitli sınıflama yöntemleri yardımıyla bir analiz gerçekleştirilmiştir. Analiz, açık erişimli bir veri tabanından elde edilen, 4667 müşteriden oluşan ve her müşteri için 21 adet işlem kaydına ait özellikler ile müşterinin terk edip terk etmediğine dair sınıf bilgisi içeren bir veri seti üzerinde gerçekleştirilmiştir. Analiz sonucunda, sadık ya da terk eden müşterileri sınıflamada yapay sinir ağları, diğer makine öğrenmesi yöntemlerine göre daha başarılı olmuştur.

Gerekli metabolik süreçleri yürüten proteinler insan hayatı için büyük önemtaşımaktadır. Proteinlerin fonksiyonları ile üç boyutlu yapıları arasında yakın bir ilişkibulunmaktadır. Dört yapı düzeyi olan proteinlerin bir çoğunun, birincil yapı olarak daadlandırılan amino asit dizilimi bilinmekte ancak üçüncül yapıları bilinmemektedir.Üçüncül yapıların laboratuvar ortamında tespit edilmesinin çok maliyetli ve zor olması,amino asit dizilimini kullanarak yapı tahmini yapan sistemlerin geliştirilmesine nedenolmuştur. Protein yapı tahmini yapan sistemlerin en önemli aşamalarından biri iseikincil yapı etiketlerinin tanımlanması işlemidir. Yeni öznitelik çıkarma yaklaşımlarıgeliştirildikçe yapısal özelliklerin tahmini için kullanılan veri setleri yüksek boyutlarasahip olabilmekte ve kullanılan özniteliklerden bazıları gürültülü veri içerebilmektedir.Bu nedenle uygun sayıda ve doğru öznitelikleri seçmek, iyi bir başarı oranı elde etmekiçin önemli aşamalardan biridir. Bu çalışmada iki farklı veri seti üzerinde derin otokodlayıcı kullanılarak boyut düşürme işlemi uygulanmış, temel bileşen analizi, ki-kare,bilgi kazancı, kazanım oranı, korelasyon tabanlı öznitelik seçim teknikleri ve minimumfazlalık maksimum ilgi algoritması gibi çeşitli öznitelik seçim ve boyut düşürmeteknikleri ayrıca genetik algoritma, aç gözlü algoritma ve en iyi ilk önce algoritması gibiçeşitli arama stratejileri ile birlikte kullanılarak elde edilen veri setleri ilekarşılaştırılmıştır. İkincil yapı tahmin başarısının karşılaştırılması için destek vektörmakinası kullanılmıştır. Proteins are important for our lives and they execute essential metabolic processes. Thefunctions of the proteins can be understood by looking at the three-dimensionalstructures of the proteins. Because the experimental detection of tertiary structure iscostly computational systems that estimate the structure provides a convenientalternative. One of the important steps of protein structure estimation is theidentification of secondary structure tags. As new feature extraction methods aredeveloped, the data sets used for this estimation can have high dimensions and some ofthe attributes can contain noisy data. For this reason, choosing the right number offeatures and the right attributes is one of the important steps to achieve a good successrate. In this study, size reduction process is applied on two different datasets using adeep autoencoder and various dimension reduction and feature selection techniquessuch as basic component analysis, chi-square, information gain, gain ratio, correlationbasedfeature selection (CFS) and the minimum redundancy maximum relevancealgorithm as well as search strategies such as best first, genetic search, greedyalgorithm. To evaluate the prediction accuracy, a support vector machine classifier isemployed. 68