Search

Dijitalleşme ile suç dünyası da dijital bir hale gelmiştir ve internet üzerinden işlenen suçların sayısı her geçen gün artmaktadır. Siber suçlular ve saldırganlar kimliklerini gizlemek ve şifreli iletişim sağlamak için Karanlık Ağ adı verilen ve internet üzerinde bulunan gizli ağları kullanmaktadırlar. Karanlık Ağlar normal internet altyapısından farklı ve özel erişim yöntemlerine sahiptirler. Bu ağlara yapılan tüm erişimler şüphelidir ve incelenmesi gerekmektedir. Karanlık Ağ, şifreli iletişim sağladığı için günümüz güvenlik araçları ile tespit edilmesi ve sınıflandırılması zordur. Bu çalışmada şifreli ağ trafiği deşifreleme işlemi yapılmadan sadece paketlerin istatistiki bilgileri makine öğrenmesi yaklaşımı kullanılarak analiz edilmiştir. Veri seti olarak açık kaynak olan CICDarknet2020 veri seti kullanılmıştır. Paket analizi için K En Yakın Komşu, Lojistik Regresyon, Rassal Orman, SVM, Karar Ağacı, Gaussian Naive Bayes, Doğrusal Ayrımcı Analiz, Gradyan Artırma, Ekstra Ağaç ve XGBoost algoritmalarını kapsayan detaylı bir deneysel çalışma gerçekleştirilmiştir. Yapılan deneysel çalışmalarda Karar Ağacı algoritmasının %93,32 doğruluk oranı ile en yüksek sınıflandırma başarısına sahip olduğu görülmüştür.

Günümüz iş modellerinde kurum veya kuruluşlar, karar alma süreçlerini iyileştirmek için kullanıcıların görüşlerini bilmek istemektedir. Dünyanın dört bir yanındaki milyonlarca insan, sosyal ağ uygulamaları aracılığıyla metin mesajları, videolar veya fotoğraflar kullanarak günlük yorumlarını ve düşüncelerini ifade etmektedir. Facebook, Instagram, Twitter ve YouTube gibi sosyal ağ uygulamalarının hızla büyümesi, burada paylaşılan büyük verilerin içeriğini araştırmak ve kullanıcı davranışlarını analiz etmek için araştırmacılara çekici bir alan sunmaktadır. Sosyal ağlardan gelen bu muazzam miktardaki veri, etkili pazarlama, kişiselleştirilmiş öneri sistemleri, fikir liderleri bulma, ilaç endüstrisi veya politik analizler için kullanılmaktadır. Sosyal ağ uygulamaları aracılığıyla elde edilen büyük miktarda veri, makine öğrenme yöntemleriyle analiz edilmektedir. Bu çalışmada Twitter kullanıcılarının otomatik cinsiyet sınıflandırması performansını artırmak için nitelik seçim yöntemi kullanılmıştır. Twitter kullanıcı tanımları, twit metinleri ve her ikisinin bir arada kullanıldığı üç veri kümesi üzerinde uygulanan nitelik seçim yönteminin performansı naive bayes ve lojistik regresyon sınıflayıcıları ile değerlendirilmiştir. Deney sonuçları ki-kare nitelik seçim yöntemi ile seçilen niteliklerin lojistik regresyon ile sınıflandırma başarısının çok daha üstün olduğunu göstermektedir., In today's business models, institutions or organizations want to know users’ opinions to improve their decision-making processes. Millions of people all around the world express their daily comments and thoughts using text messages, videos, or photos via social network applications. The rapid growth of social networking applications such as Facebook, Instagram, Twitter, and YouTube provides an attractive field for researchers to investigate the content of big data shared here and analyze user behavior. This enormous amount of data from social networks is used for effective marketing, personalized recommendation systems, finding opinion leaders, the pharmaceutical industry, or political policy making. A big amount of data obtained through social network applications is analyzed by machine learning methods. In this study, feature selection method is used to improve the automatic gender classification performance of Twitter users. The performance of the feature selection method that is applied on three datasets: user descriptions, tweets and where both are used together is evaluated with naive bayes and logistic regression classifiers. The results of the experiments show that the classification success of the selected features using chi-square feature selection method is much better with logistic regression classifier.

Aim: It is a known fact that diabetes mellitus is increasing frequently and triggering many different diseases. Therefore, early diagnosis of the disease is important. This study was trying to predict the early diagnosis of the disease, according to machine learning methods by measuring plasma glucose concentration, serum insulin resistance, and diastolic blood pressure. Material and Methods: In the study, the public dataset from a website consists of 768 samples and nine variables. Three different machine learning strategies were used in the early diagnosis of diabetes mellitus (Support Vector Machine, Multilayer Perceptron, and Stochastic Gradient Boosting). 3 repeats and 10 fold cross-validation method was used to optimize the hyperparameters. The model’s performance parameters were evaluated based on accuracy, specificity, sensitivity, confusion matrix, positive predictive value (precision), negative predictive value, and AUC (area under the ROC curve). Results: According to the experimental results (the criteria of accuracy (0.79), sensitivity (0.57), specificity (0.91), positive predictive value (0.79), negative predictive value (0.80), and AUC (0.74)) the Support Vector Machine was more successful than other methods. Conclusion: Plasma glucose concentration, serum insulin resistance, and diastolic blood pressure markers are important indicators in the early diagnosis of diabetes mellitus. In this study, it was seen that these markers make a significant contribution to the early diagnosis of diabetes mellitus. However, it has been observed that these indicators alone will not be sufficient in the early diagnosis of the disease, especially since age, body mass index and pregnancy contribute significantly. Amaç: Diyabetin sıklıkla arttığı ve bir çok farklı hastalığı tetiklediği bilinen bir gerçektir. Bu nedenle hastalığın erken teşhisi önemlidir. Bu çalışmada plazma glukoz konsantrasyonu, serum insülin direnci ve diyastolik kan basıncı göstergelerinden, makine öğrenmesi yöntemlerine göre hastalığın erken teşhisi öngörülmeye çalışılmıştır. Materyal ve Metot: Çalışmada, bir web sitesinden alınan halka açık veri seti 768 örnek ve dokuz değişkenden oluşmaktadır. Diyabetin erken teşhisinde üç farklı makine öğrenme stratejisi kullanıldı (Destek Vektör Makineleri, Çok Katmanlı Algılayıcılar ve Stokastik Gradyan Artırma). Hiper parametre optimizasyonu için 3 tekrarlı 10 kat tekrarlı çapraz doğrulama yöntemi kullanıldı. Modellerin performansı doğruluk, seçicilik, duyarlılık, karışıklık matrisi, pozitif tahmin değeri (kesinlik), negatif tahmin değeri ve AUC (ROC eğrisi altında kalan alan) temel alınarak değerlendirilmiştir. Bulgular: Deneysel sonuçlara göre (doğruluk (0.79), duyarlılık (0.57), özgüllük (0.91), pozitif tahmin değeri (0.79), negatif tahmin değeri (0.80) ve AUC (0.74) kriterleri), Destek Vektör Makineleri diğer yöntemlere göre daha başarılı çıkmıştır. Sonuç: Diyabet hastalığının erken tanısında plazma glukoz konsantrasyonu, serum insülin direnci ve diastolik kan basinci belirteçleri önemli göstergelerdir. Bu çalışmada da bu belirteçlerin diyabetin erken tanısında önemli katkı sağladığı görülmüştür. Ancak tek başlarına bu göstergelerin hastalığın erken tanısında yeterli olmayacağı özellikle yaş, beden kitle indeksi ve gebeliğin de önemli derecede katkı sağladığı görülmüştür.

Finansal risk ve belirsizlikler nedeniyle karşılaşılan problemler dikkate alındığında, finansal stres endeksinin belirlenmesi büyük önem taşımaktadır. Çalışma ile makine öğrenmesi yöntemleri kullanılarak finansal stres endeksi seviyesinin tahmin edilmesi amaçlanmaktadır. Bu amaçla finansal stres endeksinin haftalık zaman serileri, bağımsız ve hibrit modeller kullanılarak incelenmiştir. Yapay sinir ağları, bağımsız makine öğrenme modelleri olarak kullanılırken, hibrit modeller oluşturmak için bir ön işleme tekniği olarak dalgacık dönüşümü kullanılmıştır. Ayrıca, finansal stres endeksi tahminlerinde, model doğruluklarını artırmak için otokorelasyon fonksiyonlarını kullanarak gecikme uzunlukları elde edilmiştir. Çalışmanın bulguları, çeşitli performans göstergeleri açısından değerlendirilmiştir. Finansal stres endeksinin tahmin edilmesinde dalgacık dönüşümlü yapay sinir ağları modelinin, yalın yapay sinir ağları modelinden daha iyi performans sergilediği tespit edilmiştir. Çalışma sonuçlarının finansal stres endeksini takip eden araştırmacı ve uygulayıcılar için fayda sağlayacağı düşünülmektedir., Considering the problems encountered due to financial risks and uncertainties, it is of great importance to determine the financial stress index. The aim of the study is to predict the level of financial stress index by using machine learning methods. For this purpose, the weekly time series of the financial stress index were examined using independent and hybrid models. While artificial neural networks are used as stand-alone machine learning models, wavelet transform is used as a preprocessing technique to create hybrid Models. In addition, lag lengths were obtained by using autocorrelation functions to increase model accuracy in financial stress index predictions. The findings of the study were evaluated in terms of various performance indicators. It has been determined that the wavelet transform artificial neural network model performs better than the pure artificial neural network model in predicting the financial stress index. It is thought that the results of the study will be beneficial for researchers and practitioners following the financial stress index.

Technology and human potential provide two of the biggest problems facing modern societies. The fears that machines will eventually replace people in the workforce have been swirling for a while among analysts, journalists, and great thinkers. Artificial intelligence-powered chatbots enhance the user experience, making them one of the most effective tools available today for digital marketers. Understanding and forecasting consumer behavior is now possible thanks to the use of machine learning in marketing. A customer-based marketing strategy is the outcome of analyzing and applying important aspects like behavior, revenue, price difference percentage, market share, liquidity, long-term customer value, and customer retention. This article's goal is to investigate the potential uses for artificial intelligence in marketing. This study used a descriptive research methodology to investigate the function of artificial intelligence in digital marketing, focusing on the hypothesis that both physical and cognitive activities can be substituted by artificial intelligence and machine learning. According to a survey of marketing and AI experts from a range of industries, AI has already had an impact on marketing operations and will continue to do so in the future. Companies gain a competitive advantage in terms of technological advancement by integrating new data-driven methodologies with digital marketing strategies. Machine learning can forecast future occurrences and support decision-making by identifying lessons learnt from the massive amounts of data created. Enterprises' strategic decision-making processes are significantly impacted and made simpler by this feature. Little is known about marketers' attitudes toward and comprehension of ML technologies, as well as their acquisition and use to support operational and strategic management, according to the study's needs assessment. Intelligent robotic technologies are thought to be perfect for online marketing for businesses. These technologies enable the determination of consumer preferences and the customization of offerings. It gets easier to create content using the obtained data. As a result, a substantial amount of data is gathered and converted into business choices., Günümüzde toplumlar iki büyük zorlukla karşı karşıyadır bunlar: teknoloji ve insan potansiyelidir. Robotların işyerlerinde insanların yerini alacağından endişelenen analistler, gazeteciler ve büyük beyinler arasında bir süredir yapay zeka hayaletleri dolaşmaktadır. Yapay zeka sayesinde yaratılan sohbet robotları kullanıcı deneyimini iyileştirmektedir ve böylece dijital pazarlama uzmanları için en güçlü modern araçlardan biri haline gelmiştir. Pazarlamada makine öğreniminin uygulanması, insan davranışını anlamaya ve tahmin etmeye imkan tanımaktadır. Davranışı, geliri, fiyat farkı yüzdesi, pazar payı, likidite, uzun vadede müşteri değeri ve müşteriyi elde tutma olasılığı gibi temel faktörlerin analiz edilip uygulanması müşteri tabanlı pazarlama stratejisi ile sonuçlanmaktadır. Bu makalenin amacı, pazarlamada yapay zekanın uygulama alanlarını ve olanaklarını araştırmaktır. Hem fiziksel hem de bilişsel faaliyetlerin yapay zekâ ve makine öğrenimi ile değiştirilebileceği varsayımına odaklanan bu çalışma, tanımlayıcı bir araştırma tekniği kullanarak yapay zekânın dijital pazarlamadaki rolünü araştırmıştır. Pazarlama ve yapay zekâ ile ilgili çeşitli sektörlerden profesyonellerle yapılan bir inceleme, yapay zekânın pazarlama operasyonları üzerinde bir etkisi olduğunu ve gelecekte daha büyük bir etkiye sahip olacağını ortaya koymaktadır. Veri odaklı yeni yöntemleri dijital pazarlama stratejileri ile bütünleştirmek şirketlere teknik ilerleme açısından stratejik avantaj sağlamaktadır. Üretilen büyük hacimli verilerden alınan dersleri belirleyerek, makine öğrenimi gelecekteki olayları tahmin edebilir ve karar alma sürecine yardımcı olabilmektedir. Bu özellik, işletmelerin stratejik karar alma süreçleri üzerinde önemli bir etkiye sahiptir ve basitleştirmektedir. Çalışmanın ihtiyaç değerlendirmesine göre, pazarlamacıların ML teknolojilerine yönelik tutumları ve anlayışlarının yanı sıra operasyonel ve stratejik yönetimi desteklemek için alımları ve kullanımları hakkında çok az şey bilinmektedir. Akıllı robotik teknolojiler şirketlerin internet pazarlaması için ideal olarak görülmektedir. Kullanılan bu teknolojiler sayesinde tüketicilerin ne istediği belirlenebilmektedir ve teklifleri özelleştirilmektedir. Toplanan veriler ile içerik oluşturmak basitleşmektedir. Böylelikle çok sayıda veri toplanarak iş seçeneklerine dönüştürülmektedir.

Online product reviews have become a valuable source of information which facilitate customer decision with respect to a particular product. With the wealthy information regarding user's satisfaction and experiences about a particular drug, pharmaceutical companies make the use of online drug reviews to improve the quality of their products. Machine learning has enabled scientists to train more efficient models which facilitate decision making in various fields. In this manuscript we applied a drug review dataset used by (Gräβer, Kallumadi, Malberg,& Zaunseder, 2018), available freely from machine learning repository website of the University of California Irvine (UCI) to identify best machine learning model which provide a better prediction of the overall drug performance with respect to users' reviews. Apart from several manipulations done to improve model accuracy, all necessary procedures required for text analysis were followed including text cleaning and transformation of texts to numeric format for easy training machine learning models. Prior to modeling, we obtained overall sentiment scores for the reviews. Customer's reviews were summarized and visualized using a bar plot and word cloud to explore the most frequent terms. Due to scalability issues, we were able to use only the sample of the dataset. We randomly sampled 15000 observations from the 161297 training dataset and 10000 observations were randomly sampled from the 53766 testing dataset. Several machine learning models were trained using 10 folds cross-validation performed under stratified random sampling. The trained models include Classification and Regression Trees (CART), classification tree by C5.0, logistic regression (GLM), Multivariate Adaptive Regression Spline (MARS), Support vector machine (SVM) with both radial and linear kernels and a classification tree using random forest (Random Forest). Model selection was done through a comparison of accuracies and computational efficiency. Support vector machine (SVM) with linear kernel was significantly best with an accuracy of 83% compared to the rest. Using only a small portion of the dataset, we managed to attain reasonable accuracy in our models by applying the TF-IDF transformation and Latent Semantic Analysis (LSA) technique to our TDM.

Veri gizliliğini korumak, birçok kuruluş ve birey için çok önemli ve artan bir endişe kaynağıdır. Gizlilik konusunu ele almak için, veriye dayalı hizmetler araştırma ve geliştirme üzerinde doğrudan etkileri olan birçok düzenleme uygulanmaktadır. Verilerin anonimleştirilmesi, belirli gizlilik düzenlemelerine uymak için kişisel olarak tanımlanabilir bilgileri kaldırarak bu sorunla başa çıkmanın bir yoludur. Ancak, anonimleştirme süreci tek başına verilere bir miktar gürültü getirir.Bu çalışmada, anonimleştirme algoritmalarının uygulanmasının makine öğrenmesi modellerinin performansı üzerindeki etkilerini anlamayı amaçlıyoruz. K-anonimliği ve l-diversity ve t-closeness gibi farklı varyasyonlarını sağlamanın etkilerini bir dizi sınıflandırıcı ve gerçek hayat veri kümesi üzerinde karşılaştırıyoruz. Karşılaştırmalarımızda, makine öğrenimi için özelleşmiş bir bilgi kaybı metriği kullanıyoruz. Ayrıca, bilgi kaybını en aza indiren ve k-anonimlik özelliğini uygulayan optimal genelleme hiyerarşi ağaçlarını oluşturabilen ve seçebilen otomatik bir genelleme ve bastırma çerçevesi sunuyoruz. Sonuçlarımız, her k-anonimlik varyasyonunun farklı bir gizlilik düzeyi sunduğunu ve anonimleştirme sürecinde farklı kısıtlamalar getirdiğini göstermektedir. Genel olarak, anonimleştirme sürecinde ne kadar fazla kısıtlamamız olursa, verilerde o kadar fazla gürültü alırız.Ayrıca, kullanıcıların ham verilerini toplamadan veya paylaşmadan ML modellerinin merkezi olmayan bir şekilde eğitilmesine izin veren federe öğrenme isimli yeni bir başka yaklaşımı da araştırdık. K-anonimleştirilmiş verileri kullanmaya adapte olabilen, silolar arası federe bir öğrenme çerçevesi tasarladık. Veri anonimleştirme entegrasyonunun daha iyi gizlilik sağlarken minimum bilgi kaybı sağlayabileceğini ve her iki yaklaşımı tek bir çerçevede kullanmanın her iki yaklaşımın avantajlarından yararlanmamızı sağladığını gösteriyoruz Maintaining data privacy is a crucial and rising concern for many organizations and individuals. To address the issue of privacy, many regulations are enforced, which have direct impacts on data-driven services research and development. Data anonymization is one way to deal with this issue, by removing personal identifiable information to abide by certain privacy regulations. However, the anonymization process by itself introduces a level of noise to the data.In this study we aim to understand the effects of applying anonymization algorithms on the performance of the machine learning models. We compare the effects of enforcing k-anonymity and its different variations (known as l-diversity and t-closeness) on a number of classifiers and real-life datasets. In our comparisons, we utilize an information loss metric specialized for machine learning. Furthermore, we introduce an automatic generalization and suppression framework that can build and choose the optimal generalization hierarchy trees that minimize information loss and enforce the k-anonymity property. Our results show that each k-anonymity variation offers a different level of privacy and introduces different constraints on the anonymization process. In general, the more constraints we have on the anonymization process the more noise we get in the data.We also investigated another recent approach, that is federated learning where it allows for training of ML models in a decentralized manner without collecting or sharing users’ raw data. We designed a cross-silo federated learning framework that can adapt to use k-anonymized data. We show that integration of data anonymization can give minimal information loss while providing better privacy, and that utilizing both approaches in one framework does enable us to benefit from both approaches' advantages.

Amaç – Bu çalışmanın temel amacı makine öğrenme algoritmalarından yapay sinir ağları, sinirsel bulanık mantık denetim ve destek vektör makinelerinin ülke kredi notu tahminindeki başarılarını araştırmaktır. Yöntem – Araştırma problemi ülkelerin kredi puanlarının tahminini bir sınıflandırma problemi olarak ele almaktadır. Seçilen değişkenler ilgili algoritmalar için girdi olarak kullanılmış ve bu algoritmaların sınıflandırma başarıları araştırılmıştır. Kullanılan veri seti ülkelere ait 2016-2018 dönemini kapsayan üç yıllık güncel verilerdir. Bulgular – Kullanılan algoritmaların parametre seçimi için çok sayıda deneme yapılmış ve uygun parametre kümeleri belirlenmeye çalışılmıştır. Araştırma sonuçlarına göre, her üç modelin de tahmin başarısı yüksek olmakla birlikte çok güçlü bir sınıflandırma algoritması olan destek vektör makineleri en iyi sonuçları üreten algoritma olmuştur. Tartışma – Tüm modellerin sınıflandırma başarısının kabul edilebilir olduğunu, kredi notu tayini için kullanılabilecek modeller olduklarını söylemek mümkündür. Örneğin Leshno ve Spector, (1996) çalışmasında YSA modelinin doğru tahmin yüzdesi %72 olarak, Mohapatra, De, ve Ratha, (2010) çalışmasında %75 olarak, Blanco ve diğerleri (2013) çalışmasında ise %92,4 olarak gerçekleşmiştir. Literatürdeki çalışmalarla karşılaştırıldığında analiz sonuçlarının başarılı olduğu görülmektedir.

Amaç – Bu çalışmanın temel amacı makine öğrenme algoritmalarından yapay sinir ağları, sinirsel bulanık mantık denetim ve destek vektör makinelerinin ülke kredi notu tahminindeki başarılarını araştırmaktır. Yöntem – Araştırma problemi ülkelerin kredi puanlarının tahminini bir sınıflandırma problemi olarak ele almaktadır. Seçilen değişkenler ilgili algoritmalar için girdi olarak kullanılmış ve bu algoritmaların sınıflandırma başarıları araştırılmıştır. Kullanılan veri seti ülkelere ait 2016-2018 dönemini kapsayan üç yıllık güncel verilerdir. Bulgular – Kullanılan algoritmaların parametre seçimi için çok sayıda deneme yapılmış ve uygun parametre kümeleri belirlenmeye çalışılmıştır. Araştırma sonuçlarına göre, her üç modelin de tahmin başarısı yüksek olmakla birlikte çok güçlü bir sınıflandırma algoritması olan destek vektör makineleri en iyi sonuçları üreten algoritma olmuştur. Tartışma – Tüm modellerin sınıflandırma başarısının kabul edilebilir olduğunu, kredi notu tayini için kullanılabilecek modeller olduklarını söylemek mümkündür. Örneğin Leshno ve Spector, (1996) çalışmasında YSA modelinin doğru tahmin yüzdesi %72 olarak, Mohapatra, De, ve Ratha, (2010) çalışmasında %75 olarak, Blanco ve diğerleri (2013) çalışmasında ise %92,4 olarak gerçekleşmiştir. Literatürdeki çalışmalarla karşılaştırıldığında analiz sonuçlarının başarılı olduğu görülmektedir. Purpose – The main objective of this study is to investigate the success of artificial neural networks, adaptive neuro fuzzy inference system and support vector machines in sovereign credit rating estimation. Design/methodology/approach – The research problem addresses the estimation of countries' credit scores as a classification problem. Selected variables were used as input for mentioned algorithms and classification success of these algorithms was investigated. The data set used is the current three-year data covering the 2016-2018 period of the countries. Numerous attempts were made to select the parameters of the algorithms used and the appropriate parameter sets were tried to be determined. Findings – According to the research results, although the predictive success of all three models is high, support vector machines was determined as the best classifier algorithm which produces the best results. Discussion – It is possible to say that the performance of the prediction of all models is acceptable and they are the models that can be used for sovereign credit rating prediction. For example, in the study of Leshno and Spector, (1996) the predicted performance of ANN model was 72%, in Mohapatra, De, and Ratha, (2010) was 75% and in Blanco et al. (2013) was 92.4%. It is seen that the results of the analysis are successful compared to the studies in the literature.

Uzaktan algılama (UA) ile elde edilen görüntüler dünya yüzeyindeki nesneler hakkında detaylı bilgi toplanmasını mümkün kılmaktadır. Elde edilen görüntülerin sınıflandırılmasıyla oluşturulan arazi örtüsü haritaları kaynakların izlenmesi, çevresel değişimin tespiti ve planlama gibi birçok alanda geniş bir kullanım alanına sahiptir. Dolayısıyla harita kullanıcıları doğru ve güvenilir arazi örtüsü haritalarına ihtiyaç duymaktadır. Temel sınıflardan oluşan haritaların üretilmesi için multispektral sensörlerden elde edilmiş veriler yeterli olurken, özellikle tür içi farklılar içeren sınıflar da dahil olmak üzere detaylı sınıfların bulunması bu verilerin sınıflandırma için yeterli spektral bilgiyi sağlayamamasına yol açmaktadır. Bu durumda yüzlerce dar aralıkta banda sahip olan hiperspektral görüntülerin, nesneler hakkında daha detaylı spektral yansıtım bilgisini sunmaktadır. Hiperspektral görüntülerin geleneksel yöntemlerle sınıflandırılması hesaplama zorluğu sebebiyle yetersiz kalmaktadır. Bu durumda Makine Öğrenme (MÖ) ve Derin Öğrenme (DÖ) gibi yöntemler kullanıcılara bu tarz verilerde birçok avantaj sunmaktadır. Bu tez kapsamında MÖ yöntemlerinden Destek Vektör Makineleri, Rastgele Orman, DÖ’de özellikle görüntü sınıflandırma alanında yaygın olarak kullanılan Evrişimli Sinir Ağı (ESA) kullanılmıştır. Çalışmada kullanılan ESA mimarileri yapısal özelliklerine göre 2B ESA ve 3B+2B ESA olarak isimlendirilmiştir. Yöntemlerin karşılaştırılması 176 bant spektral ve 30 metre konumsal çözünürlüklü HyRANK, 144 bant ve 2,5 metre konumsal çözünürlüklü DFC13 ile 202 bant ve 3,7 metre konumsal çözünürlüklü Salinas Scene veri setleri ile gerçekleştirilmiştir. Modellerde eğitim veri setinin etkisini araştırmak amacıyla her veri seti için 30%, 50% ve 70% eğitim veri kümesi oranları test edilmiştir. Çalışma sonucunda ESA modellerinin hiperspektral görüntülerin sınıflandırılmasında kullanımının yüksek doğruluk sağladıkları görülmüştür. Eğitim veri kümesi boyutunun araştırılması aşamasında ise beklendiği üzere 70% eğitim verisi kullanımının en yüksek doğruluğu sağladığı, bunun yanında 30% veri seti kullanımının da tatmin edici bir sınıflandırma doğruluğu sağladığı söylenebilir. Remotely sensed images enable to collect detailed information about objects on the earth's surface. Land cover maps created by classifying the remotely sensed images have a wide range of uses in many areas such as monitoring resources, detecting environmental change and planning. Therefore, map users need accurate and reliable land cover maps. Images which obtained from multispectral sensors is sufficient to produce maps consisting of basic classes. However, the existence of detailed classes that including classes with intra-species differences causes these data to not provide sufficient spectral information for classification. In this case, hyperspectral images with hundreds of narrow bands offer more detailed spectral reflection information about objects. Classification of hyperspectral images by traditional methods is insufficient due to calculation difficulties. In this case, methods such as Machine Learning and Deep Learning offer many advantages to users in such data. In this thesis, Support Vector Machines, Random Forest, and Convolutional Neural Network (CNN), which are widely used in the field of image classification in Deep Learning were used for classifying hyperspectral images. The CNN architectures used in the study are named as 2D CNN and 3D + 2D CNN according to their structural features. Comparison of the methods was performed with HyRANK (176 band spectral and 30 meter spatial resolution), DFC13 (144 band and 2,5 meter spatial resolution), Salinas Scene (202 band and 3,7 meter spatial resolution) data sets. In order to investigate the effect of training data set on models, 30%, 50% and 70% training data set ratios were tested for each data set. As a result of the study, it was seen that the use of CNN models for classification of hyperspectral images provided high accuracy. When investigating the size of the training dataset, it can be said that the use of 70% training data provides the highest accuracy as expected, while the use of 30% data set provides a satisfactory classification accuracy.

Integration of AI and ML technologies in the agricultural supply chain (ASC) is revolutionalizing, the domain by bringing in robust monitoring and prediction as well as quick decision-making abilities. A comprehensive literature analysis of the applications of artificial intelligence methods and machine learning algorithms in the agricultural supply chain is demonstrated in this study. In order to solve complicated challenges confronted by various areas of the agricultural supply chain, this literature analysis addresses different significant works that machine learning and artificial intelligence methods are used. Different AI and ML applications were suggested for the following areas of agriculture belonging to different phases: (i) crop yield prediction, prediction of soil properties and irrigation management; (ii) weather prediction, disease detection and weed detection, (iii) demand management and production planning, (iv) transportation, storage, inventory and retailing. In order to remain unbiased and objective, different studies from different journals were analyzed for each phase. It is observed that the majority of these studies focus on crop yield and soil properties prediction. It is also inferred that artificial neural networks, support vector machines, utilization of unmanned aerial vehicles, and remote sensors are fairly popular in the agriculture discipline.

Sağlık sisteminde, teknoloji ve insan etkileşiminin karmaşık birleşimi hastalar için önemli faydalar sağlamıştır, ancak aynı zamanda istenmeyen sonuçlara neden olan kaçınılmaz riskleri de beraberinde getirmiştir. Hasta güvenliğine karşı muhtemel bir tehdit olan tıbbi hatalar, sağlık sisteminin istenmeyen olaylarını içerir ve tıbbi hizmetler için önemli bir konu oluşturur. Araştırmalara göre tıbbi hatalar , kalp hastalığı ve kanserden sonraki üçüncü önde gelen ölüm nedenidir. Tıbbi teknolojinin ve tıbbi cihazların gelişmesine rağmen hala bazı tıbbi tanı hatalarını oluşmaktadır. Bu yanlış tanı konulması sonucu hastaların hastalık tedavisi süreci uzamakta ya da hastalar için hayati tehlikeler ortaya çıkmaktadır. Doktorlar çeşitli nedenlerle (yaşlanma, hastalık, unutkanlık, yorgunluk, uykusuzluk, vb.) hastalık teşhis sürecinde küçük hatalar yaparak hastanın ölümüne neden olabilir. Bu çalışmada; tanısal veya tarama için yapılan üst gastrointestinal sistem endoskopi raporlarını metin madenciliği yöntemi ile analiz ederek sunan yerli ve özgün bir yazılımın geliştirilmesi amaçlanmıştır. Retrospektif olan bu çalışmada, Kütahya Sağlık Bilimleri Üniversitesi Evliya Çelebi Araştırma ve Uygulama Hastanesi Genel Cerrahi Anabilim Dalı Endoskopi ünitesinde 2018 yılında üst gastrointestinal endoskopi arşivi kullanılmıştır. Yapılan örneklemeye göre polip rapor edilmiş ve edilmemiş 148 endoskopi raporu çalışmaya dahil edilmiştir.Üç tür veritabanı üzerinde Gaussian Naive Bayes, Multi Nomial Naive Bayes ve Logistic Regression, metotlarını kullanarak farklı sonuçlar elde edilmiştir. Üçüncü veri tabanında Logistic Regression'i metodu kullanarak elde edilen sonuçların doğruluk oranlarının %30'dan %66'ya arttığını belirledik In the healthcare system, the complex combination of technologies and human interaction provided substantial benefits for patients, but also brings with it the inevitable risks that lead to undesirable consequences. Medical errors, which are a possible threat to patient safety, include adverse events of the healthcare system and constitute an important issue for medical services. According to research, Medical errors are the third leading cause of death after heart disease and cancer. With the development of medical technology and medical devices, some medical diagnosis errors still occur. As a result of this misdiagnosis, the disease treatment process of the patients is prolonged or life threats arise for the patients. Doctors can cause the death of the patient by making small mistakes in the diagnosis process of the disease for various reasons (aging, illness, forgetfulness, fatigue, insomnia, etc.). In this study; It is aimed to develop a native and original software that analyzes and presents upper gastrointestinal system endoscopy reports made for diagnostic or screening with text mining method. In this retrospective study, the upper gastrointestinal endoscopy archive was used in the endoscopy unit of Kutahya Health Sciences University Evliya Çelebi Research and Practice Hospital, Department of General Surgery in 2018. According to the sampling, 148 endoscopy reports with and without polyp were included in the study.We obtained different results by using Gaussian Naive Bayes, Multi Nomial Naive Bayes and Logistic Regression methods on three types of databases. In the third database, we determined that the accuracy rates of the results obtained by using the method of Logistic Regression increased from %30 to %66

Because of continuous competition in the corporate industrial sector, numerous companies are always looking for strategies to ensure timely product delivery to survive against their competitors. For this reason, logistics play a significant role in the warehousing, shipments, and transportation of the products. Therefore, the high utilization of resources can improve the profit margins and reduce unnecessary storage or shipping costs. One significant issue in shipments is the Pallet Loading Problem (PLP) which can generally be solved by seeking to maximize the total number of boxes to be loaded on a pallet. In many previous studies, various solutions for the PLP have been suggested in the context of logistics and shipment delivery systems. In this paper, a novel two-phase approach is presented by utilizing a number of Machine Learning (ML) models to tackle the PLP. The dataset utilized in this study was obtained from the DHL supply chain system. According to the training and testing of various ML models, our results show that a very high (&gt, 85%) Pallet Utilization Volume (PUV) was obtained, and an accuracy of &gt, 89% was determined to predict an accurate loading arrangement of boxes on a suitable pallet. Furthermore, a comprehensive analysis of all the results on the basis of a comparison of several ML models is provided in order to show the efficacy of the proposed methodology.

Biyolojik veri işleme teknolojisinin yaygınlaşmasıyla, yeni nesil sekanslama (NGS) teknolojisi, pek çok alanda yürütülen biyolojik araştırmaların vazgeçilmez bir parçası haline gelmiştir. Bu alanda teknolojilerin daha ucuz ve yaygın kullanımı, genetik ve tıbbi araştırmaların yönünü değiştirmiştir. Yeni nesil sekanslama teknolojileri yardımıyla tüm genom, transkriptom veya daha küçük hedef bölgelerdeki milyarlarca nükleotid dizilenebilmektedir. Bu dizileme sonucunda karşımıza çok büyük boyutlu veri matrisleri çıkmaktadır. Çok büyük boyutlardaki veri yapılarından anlamlı bilgileri saptayan sistemler, çok katmanlı yapay sinir ağlarını kullanan derin öğrenme yaklaşımına gereksinimi arttırmıştır. Bu durum araştırmacıların çalışmalarında klasik istatistiksel yaklaşımlar yerine ileri istatistik yöntemler ve bilgisayar teknolojilerini kullanmalarını zorunlu hale getirmiştir. Bu tez çalışmasında bulut tabanlı sistem kullanılarak gerçek ve simüle tüm genom verisinde derin öğrenme ve makine öğrenme algoritmalarının 'iki durumlu sınıf' için tahminleme performansı, optimize parametrelerin elde edilmesi amaçlanmıştır. Genetik veride en önemli sorunlar, bu verilerin saklanması, düzenlenmesi ve modellenmesidir. Bulut sistemi araştırmacılara bu aşamalarda hız kazandırmaktadır. Araştırmada derin öğrenme algoritmasının hiperparametrelerinin değişim etkisi gösterilmiştir. Ayrıca derin öğrenme modellerinin performansı son dönemin popüler makine öğrenme algoritmalarından XGBoost ve LightGBM algoritmalarının performansı ile karşılaştırılmıştır. Epoch 500, 1000, 2000 ve LR 0,01 ve 0,001 alındığında DL modellerinin performansı raporlanmıştır. Gerçek ve simüle veride en yüksek sınıflama tahminleri 2000 epoch ve 0,001 LR değerlerinde elde edilirken, DL epoch değeri 500 ve LR'nin 0,01 olduğu durumlarda XGBoost algoritması daha yüksek performans göstermiştir. Ayrıca sınıf dengesizliğinin olduğu durumlarda da derin öğrenme algoritmalarının Recall ve Precision değerlerini birbirine çok yakın tahminleme başarısı, toplum tabanlı çalışmalarda da yöntemin sonuçlarına güvenilebilir olduğunu araştırmacılara göstermektedir. Genetik veriler işlenmesi ve değerlendirmesi zor verilerdir. Verilerin analizlerinin gerçekleştirilebilmesi, diğer araştırmacılarla paylaşılabilmesi ve tekrarlanabilirliğinin sağlanması için "GitHub" hazırlanarak hem araştırmanın şeffaflığı arttırılmış hem de bu tip verilere sahip araştırmacıların bu sistemi kullanması ve geliştirilmeye açık olması hedeflenmiştir. Çalışmadan elde edilen karşılaştırma sonuçları, araştırmacılara çalışmalarında zaman ve maliyet açısından fayda sağlayacaktır. Epoch, katman sayısı, iterasyon sayısı gibi parametrelerin değişiminin model performansına etkisini bilen araştırmacılar, bu çalışmanın çıktılarını kullanarak genetik verilerinin analiz sonuçlarını hızlı ve doğruluğu yüksek şekilde raporlayabileceklerdir., Next generation sequencing technology has become an indispensable part of biological research in many areas when widespread use of biological data processing technology. The cheaper and widespread use of technologies in this field has changed the direction of genetic and medical research. By using NGS technologies, billions of nucleotides in the whole genome, transcriptome or smaller target regions can be sequenced. It leads to obtain very big matrices. Systems that detect meaningful information from very large data structures have increased the need for a deep learning approach using multi-layered artificial neural networks. This has made it obligatory for researchers to use advanced statistical methods and computer technologies rather than classical statistical approaches in their studies. In this study, it is aimed to obtain the prediction performance and optimized parameters of deep learning and machine learning algorithms for the “binary classification" in real and simulated whole-genome sequencing data using a cloud-based system. The most important problems in genetic data are the storage, data management and modeling of the data. The cloud system accelerates researchers in these stages. In the research, the effect of hyperparameters of the deep learning algorithm has been demonstrated. In addition, the performance of deep learning models was compared with the performance of XGBoost and LightGBM algorithms, which are popular machine learning algorithms of the last period. The performance of the DL models was reported when the Epoch 500, 1000, 2000 and LR 0.01 and 0.001 were taken. While the highest classification performances in real and simulated data were obtained at 2000 epoch and 0.001 LR values, the XGBoost algorithm showed higher performance when DL epoch value was 500 and LR was 0.01. In addition, the success of deep learning algorithms in estimating Recall and Precision values very close to each other in case of class imbalance shows that the results of the method can be trusted in population-based studies. Genetic datasets are difficult to process and evaluate. In order to analyze the data, share it with other researchers and ensure its reproducibility, “GitHub” was prepared, increasing the transparency of the research and it was aimed that researchers with such data would use this system and be open to development. The comparison results which were obtained from the study will benefit the researchers in terms of time and cost in their studies. Researchers who know the effect of parameters such as epoch, number of layers, number of iterations on model performance will be able to report the analysis results of genetic data quickly and accurately by using the outputs of this study.

Cholesterol is an oil-like substance that is found in the membranes of animal cells and also carried in blood plasma, which has some vital functions in the human body, especially in the endocrine and digestive systems. Very Low-Density Lipoprotein (VLDL) is a lipid that is not gained with nutrients, instead produced by the body itself. However, it is considered to be in the bad cholesterol group since this type of cholesterol threatens cardiovascular health. As a result, it is normally expected to be at the lowest levels in the human body. In this study, It is applied some machine learning techniques to estimate VLDL Cholesterol value by some attributes such as age, sex, creatinine, aspartat transaminaz (AST), alanine transaminaz (ALT), free t4, glucose, and triglyceride. In this, the techniques include the Generalized Linear Model (GLM), Decision Tree (DT), and Gradient Boosted Trees (GBT). It is computed that GLM has the root-mean-squared-error value 0.655 and the correlation value 1.0 so consequently returns the best results compared to others. No sponsor

Purpose Academic success and failure are relevant lifelines for economic success in the knowledge-based economy. The purpose of this paper is to predict the propensity of students’ academic performance using early detection indicators (i.e. age, gender, high school exam scores, region, CGPA) to allow for timely and efficient remediation. Design/methodology/approach A machine learning approach was used to develop a model based on secondary data obtained from students’ information system in a Nigerian university. Findings Results revealed that age is not a predictor for academic success (high CGPA); female students are 1.2 times more likely to have high CGPA compared to their male counterparts; students with high JAMB scores are more likely to achieve academic success, high CGPA and vice versa; students from affluent and developed regions are more likely to achieve academic success, high CGPA and vice versa; and students in Years 3 and 4 are more likely to achieve academic success, high CGPA. Originality/value This predictive model serves as a classifier and useful strategy to mitigate failure, promote success and better manage resources in tertiary institutions.

Aim: Classical database methods may be inadequate for large data sets accumulating continuously. Machine learning (ML), one of the main subsets of artificial intelligence, may solve this problem and find the best solution for future problems by gaining experience from the present data in medical studies. A method that may show the correlation between clinical findings and renal scarring (RS) with high accuracy in patients with lower urinary tract dysfunction (LUTD) is needed. In this study, the aim is to establish a model for the prediction of RS in children with LUTD by using ML.Methods: Patients older than three years of age (n=114) who needed urodynamic study were included in the study. There were 47 variables in the data set. Variables such as symptomatic urinary tract infection, vesicoureteral reflux, bladder trabeculation, bladder wall thickness, abnormal DMSA scintigraphy, and the use of clean intermittent catheterization were recorded. Several ML techniques (MLT) were applied to estimate RS. Results: As a result of the comparisons, the highest accuracy rate according to the confusion matrix was obtained by the Extreme Gradient Boosting (XGB) algorithm (91.30%). In the balanced (SMOTE) data set, the highest accuracy rate was obtained by the Artificial Neural Network (ANN) algorithm (90.63%). According to the Receiver Operating Characteristic (ROC), the highest success rate was obtained by the ANN algorithm in the balanced (SMOTE) data set (90.78%). Conclusion: High accuracy rates obtained by MLT may suggest that MLT might provide a faster and accurate evaluation process in the estimation of RS in patients with LUTD., Amaç: Klasik veritabanı yöntemleri, sürekli biriken büyük veri kümeleri için yetersiz olabilir. Yapay zekanın ana alt kümelerinden biri olarak makine öğrenme (MÖ) bu sorunu çözebilir ve tıbbi çalışmalarda mevcut verilerden deneyim kazanarak özellik problemleri için en iyi çözümü bulabilir. Alt üriner sistem disfonksiyonu (AÜSD) olan hastalarda klinik bulgularla renal skar (RS) arasında yüksek doğrulukla korelasyonu gösterebilecek bir yönteme ihtiyaç vardır. Bu çalışmada, AÜSD’lu çocuklarda MÖ kullanarak böbrek skarının tahmini için bir model oluşturmak amaçlanmıştır. Yöntemler: Ürodinamik çalışmaya ihtiyaç duyan üç yaşından büyük hastalar (n=114) çalışmaya dahil edildi. Veri seti 47 değişkenden oluştu. Semptomatik idrar yolu enfeksiyonu, vezikoüreteral reflü, mesane trabekülasyonu, mesane duvarı kalınlığı, anormal DMSA sintigrafisi, temiz aralıklı kateterizasyon kullanımı gibi değişkenler kaydedildi. RS tahmini için farklı MÖ teknikleri (MÖT) uygulandı. Bulgular: Karşılaştırmalar sonucunda, Karışıklık Matrisi’ne göre en yüksek doğruluk oranı (%91,30), dengesiz veri kümesinde Extreme Gradient Boosting algoritması ile elde edilmiştir. Dengeli (SMOTE) veri setinde ise, en yüksek doğruluk oranı (%90,63) Yapay Sinir Ağı (YSA) algoritması ile elde edilmiştir. Alıcı İşleme Karakteristiği’ne (ROC) göre, en yüksek başarı oranı (%90,78), SMOTE veri setinde YSA algoritması ile elde edilmiştir. Sonuç: MÖT tarafından elde edilen yüksek doğruluk oranları, MÖT’lerin AÜSD’lu hastaların RS tahmininde daha hızlı ve doğru bir değerlendirme süreci sağlayabileceğini düşündürmektedir.