Search

Giriş ve Amaç: Tekrarlayan omuz instabilitesi sıklıkla genç popülasyonu etkileyen ve önemli derecede kısıtlılık yaratabilen bir durumdur. Hastanın yaşam kalitesi ve sportif aktiviteleri üzerindeki olumsuz etkileri düşünüldüğünde, tekrarlayan omuz instabilitelerinin kesin tedavi gerektiren bir durum olduğu ortadadır.Bu çalışmadaki amaç, artroskopik olarak Kemik ile Klasik Bankart tamiri yapılan hastaların klinik sonuçlarının karşılaştırılmasıdır.Hastalar ve Yöntem: Kliniğimizde 2013-2018 yılları arasında tekrarlayan omuz instabilitesi nedeniyle Artroskopik Bankart tamiri uygulanan 71 hasta (64E/7K) çalışmamıza dahil edildi. Hastalar Grup 1 (Kemik Bankart) ve Grup 2 (Klasik Bankart) olmak üzere 2 gruba ayrıldı. Grup 1'de 42 hasta (37E/5K), Grup 2'de 29 hasta (27E/2K) vardı. Dislokasyonun oluş sebebi, ilk dislokasyon esnasındaki yaş, ameliyat öncesi dislokasyon sayısı, ilk dislokasyon ile ameliyat arasında geçen süre, ameliyatta kullanılan tespit materyali sayısı, ameliyat sonrası nüks, Constant ve Rowe skorlandırmaları gibi parametreler ile Kemik ve Klasik Bankart sonuçlarının istatistiksel olarak karşılaştırması amaçlandı.Bulgular: Constant ve Rowe skor değerleri sırasıyla Grup 1'de ameliyat öncesinde 71,7 (Aralık: 36-96, SD±16,1) ve 44,5 (Aralık: 15-95, SD±19) iken ameliyat sonrası son kontrollerinde 91,3 (Aralık: 55-100, SD±11,01) ve 86,1 (Aralık: 15-100, SD±23,6) dir. Grup 2'de Constant ve Rowe skor değerleri ameliyat öncesinde 78,9 (Aralık: 47-100, SD±13,3) ve 44,4 (Aralık: 25-75, SD±14,8) iken ameliyat sonrası son kontrollerinde 90,4 (Aralık: 55-100, SD±10,8) ve 86,3 (Aralık: 20-100, SD±21,4) dür. Sonuç: Çalışmamız sonucunda Kemik Bankart ve Klasik Bankart olgularının ameliyat öncesi ve ameliyat sonrası Constant ve Rowe skoru değerleri karşılaştırıldığında istatistiksel olarak anlamlı farklılık bulunmamıştır (p>0,05).Anahtar kelimeler: Artroskopik Bankart tamiri, tekrarlayan omuz instabilitesi, Kemik Bankart, Klasik Bankart Background and Objectives: Recurrent shoulder instability is a condition that frequently affects the young population and can cause significant limitations. Negative effects on the patient's life quality and sports activities suggest that recurrent shoulder instability is a condition requiring definitive treatment.This study aims to compare the clinical results of patients who underwent arthroscopic Bony and classic soft tissue Bankart repair.Patients and Methods: Seventy-one patients (64M/7F) who underwent arthroscopic Bankart repair due to recurrent shoulder instability between 2013-2018 in our clinic were included in our study. The patients were divided into two groups as Group 1 (Bony Bankart) and Group 2 (Classic soft tissue Bankart). There were 42 patients (37M/5F) in Group 1 and 29 patients (27M/2F) in Group 2. The aim of this study was to statistically compare the Bony and classic soft tissue Bankart results with parameters including the reason of dislocation, age during the first dislocation, number of preoperative dislocations, time between the first dislocation and the first surgery, the number of fixation materials used during surgery, postoperative recurrence, and Constant and Rowe scores.Findings: Preoperative Constant and Rowe scores in Group 1 were 71.7 (Range: 36-96, SD±16.1) and 44.5 (Range: 15-95, SD±19), respectively, while the postoperative scores were 91.3 (Range: 55-100, SD±11.01) and 86.1 (Range: 15-100, SD±23.6). In Group 2, preoperative Constant and Rowe scores were 78.9 (Range: 47-100, SD±13.3) and 44.4 (Range: 25-75, SD±14.8) while the postoperative scores were 90.4 (Range: 55-100, SD±10.8) and 86.3 (Range: 20-100, SD±21.4). Conclusions: As a result of our study, there was no statistically significant difference between the preoperative and postoperative Constant and Rowe scores of Bony Bankart and classic soft tissue Bankart cases (p>0.05).Keywords: Arthroscopic Bankart repair, recurrent shoulder instability, Bony Bankart, classic soft tissue Bankart 105

Kredi kartı sahtekarlıkları her yıl milyarlarca dolar zarara neden olmaktadır. Bunun doğal bir sonucu olarak finansal kurumlar kredi kartı sahtekarlık tespitine büyük önem vermektedirler. Finansal kurumlar kredi kartı sahtekarlık tespiti için genelde kural bazlı sistemler kullanmaktadırlar. Bu tip sistemlerde tanımlanan kurallar sahtekarlık uzmanlarının geçmiş tecrübelerinden ve sahtekarlık soruşturma sonuçlarından yararlanarak oluşturulur. Kural tanımlama manuel bir süreçtir ve bu durum önemli bir dezavantaj oluşturur. Yapay zeka modellerinde ise manuel bir süreç ihtiyacı bulunmamaktadır. Kredi kartı sahtekarlık tespiti alanında çalışan çok sayıda araştırmacı yapay zeka modellerinin sunduğu bu avantajın farkına varmıştır. Bu tezde, kredi kartı sahtekarlıklarının tespiti için yapay zeka bazlı yeni modeller öneriyoruz. İlk olarak, Kart Kullanıcısı Davranış Modeli'ni (KDM) öneriyoruz. KDM kart kullanıcısının davranış alışkanlıklarını modellemek için kredi kartı işlem tutarlarını kümeleme metodunu kullanır. KDM eğitilirken sadece gerçek işlemler kullanılır. KDM performansını artırmaya yönelik olarak dört odak noktası öneriyoruz. Bu odak noktalarını tek-kart ve çok-kart odak noktası, tatil dönemi harcamaları odak noktası, günün saatleri odak noktası ve enflasyon odak noktası olarak sıralayabiliriz. Önerdiğimiz ikinci model ise Model Topluluğunda İyimser, Kötümser ve Ağırlıklı Oylama Modeli'dir (TİKA). TİKA iyi bilinen altı yapay zeka tekniğinin bir topluluk olarak bir araya getirilmesiyle oluşturulmuştur. TİKA'yı oluşturan yapay zeka modelleri eğitilirken geçmişteki gerçek ve sahte işlemler birlikte kullanılır. TİKA'da iyimser, kötümser ve ağırlıklı oylama stratejilerini sahtekarlık tespit performansını artırmaya yönelik olarak öneriyoruz. Önerdiğimiz üçüncü model ise Harcama Alışkanlıkları Benzerlik Modeli'dir (HAB). HAB'da harcama alışkanlık benzerlik ölçütlerini sahtekarlık tespit performansını artırmak için kullanıyoruz. Türkiye'nin öncü bankalarından birinden aldığımız gerçek kredi kartı işlemlerini içeren veri kümesini kullanarak önerdiğimiz üç modelin performansını değerlendiriyor ve bu modellerin karşılaştırmalı analizini sunuyoruz. Financial institutions attach great importance to credit card fraud detection, as a natural consequence of the multi-billion dollar annual losses incurred due to credit card fraud. Rule based systems have been commonly used by financial institutions to detect credit card fraud. The rules applied in such systems are formulated based on the experience of fraud experts and the results of fraud investigations. Rule discovery is a manual process, and this fact is an important disadvantage of rule-based systems. Unlike rule-based systems, artificial intelligence models are expected to learn from past transaction data and consequently no manual process is necessary. Many researchers in the domain of credit card fraud detection have recognized this advantage offered by artificial intelligence models. In this thesis, we propose novel artificial intelligence based models for detecting credit card fraud. First, we propose Cardholder Behavior Model (CBM). CBM is an unsupervised model and uses clustering transaction amounts to represent the spending behavior of cardholders. We propose four focal points to fine-tune CBM, which are single-card versus multi-card focus, holiday season spending focus, time of day focus and inflation focus. The second model we propose is called Optimistic, Pessimistic and Weighted Voting in an Ensemble of Models (OPWEM). OPWEM is an ensemble of six well known artificial intelligence techniques, namely Decision Tree, Random Forest, Bayesian Network, Naïve Bayes, Support Vector Machine, and K*. We propose optimistic, pessimistic and weighted voting strategies in OPWEM for better detection of credit card fraud. The third model we propose is called Spending Behavior Similarity Model (SBSM). SBSM uses spending behavior similarity measures in order to improve the performance of supervised models. A dataset of real-life credit card transactions from a leading bank in Turkey has been used to evaluate the performance of three proposed models. Finally, we provide a comparative evaluation of three proposed models. 107

Yazılım endüstrisinde bütçenin büyük bir bölümü proje uygulaması için kullanılmaktadır. Bu nedenle, her yazılım şirketi işgücünü etkin bir şekilde yönetmek zorundadır. Yazılım eforunu doğru şekilde tahmin etmek işgücü yönetimi için temel zorunluluktur.Araştırmacılar yazılım efor tahmininin öneminin farkına 1960'larda varmışlar ve şimdiye kadar aralarında öğrenme tabanlı olanların da bulunduğu birçok model önermişlerdir. Şirketler genellikle az sayıda tamamlanmış projeye ve bundan dolayı yeni projelerin eforunu tahmin etmek için kısıtlı miktarda efor bilgisine sahiptirler. Az miktarda bilgi kullanarak doğru tahminler yapmak zordur. Problem ve tahmin metodları karmaşıklaştıkça küçük veri kümeleriyle efor fonksiyonunu öğrenmek zorlaşır. Bu nedenle, efor tahmini için kullanılan tahmin edicinin performansını arttırmak önemlidir. Birçok araştırmacı güvenilir bir algoritma olarak sinir ağlarını yazılım efor tahmini araştırmalarında tek bir eleman olarak kullanmışlardır. Bu araştırmada, algoritmanın tahmin performansını geliştimeye odaklandık ve bu nedenle tek bir sinir ağı yerine sinir ağı topluluğu kullandık. Bunun yanında çağrışımlı belleği sinir ağı topluluğu ile bir araya getirerek son modeli oluşturduk. Ayrıca, özelliklerin bir kısmını seçmenin efor tahmin performansına etkisini analiz ettik. Bu amaçla, önemli bilginin büyük kısmını taşıyan özellikler bulunur. Ondan sonra ise önerilen modelde efor tahmini yapmak için sadece bu özellikler kullanılır.Önerilen model doğru tahminler sağlamaktadır. Bu nedenle yazılım firmaları bu modeli yazılım efor tahmininleri yapmak ve işgücünü etkili bir biçimde yönetmek için kullanabilir. Öte yandan, deneylerimizin sonuçları daha az özellik kullanmanın tahmin performansını arttırabileceğini gösterdi. In software industry, most of the budget is used for project implementation. Therefore, each software company has to manage its workforce effectively. Estimating the software effort accurately is essential for workforce management.Researchers became aware of the importance of software effort estimation in 1960?s and so far they have proposed several models, some of which are learning oriented. Companies usually have a small number of completed projects and consequently limited amount of data for estimating the effort of new projects. It is hard to make accurate estimations with scarce data. As the problem and estimation methods become more complex, it becomes harder to learn effort function with small datasets. Therefore, it is important to improve the performance of the predictor for effort estimation. Many researchers have used neural networks as a single element to be a robust algorithm in software effort estimation research. In this research, we focused on improving the prediction performance of the algorithm and therefore, we used ensemble of neural networks rather than a single neural network. Furthermore, we combined associative memory with the ensemble to provide the final model. We also analyzed the effect of feature subset selection on effort estimation performance. For this purpose, the features that contain most of the important information are discovered. Thereafter, only these features are used for effort estimation on the proposed model.The proposed model provides accurate estimations. Therefore, software companies may use this model to estimate software effort and effectively manage their workforce. On the other hand, the results of our experiments showed that using fewer features may provide an improvement on the prediction performance. 69