Search

Making up an important working area of finance applications, financial time series forecasting, with the advancements in Machine Learning (ML) methods in recent years, has become a topic that finance and academic circles attach more importance to. The aim of this study is to present a comparative review of ML methods in financial time series future value. In the study, the last 5-year closing data of two developed and emerging stock market indices and two high-volume stocks of the Istanbul stock market were used. Support Vector Regression (SVR), which is often used in index forecasting and found successful, and Random Forest (RF) and eXtreme Gradient Boosting (XGB) methods which are rarely used ensemble machine learning methods in time series forecasting in literature, are preferred. As a result of the study, when MAE, MAPE and RMSE criterions are taken into consideration, SVR was confirmed to be the best forecasting method., Finans uygulamalarının önemli bir çalışma alanını oluşturan finansal zaman serisi tahminlemesi son yıllarda makine öğrenmesi (Machine Learning, ML) yöntemlerinin gelişimi ile finans ve akademi çevrelerinin daha fazla önem atfettiği bir konu olmuştur. Bu çalışmanın amacı, finansal zaman serisi gelecek değerinin tahmininde ML yöntemlerinin karşılaştırmalı olarak bir incelemesini sunmaktır. Çalışmada gelişmiş ve gelişmekte olan iki borsa endeksi ve İstanbul borsasının yüksek hacimli iki hisse senedinin son 5 yıllık kapanış verileri kullanılmıştır. Endeks tahmininde sıklıkla kullanılmış ve başarılı bulunan Destek Vektör Regresyonu (Suport Vector Regression, SVR) ve literatürde zaman serisi tahmininde izine az rastladığımız topluluk (ensemble) makine öğrenmesi yöntemleri olan Rassal Orman (Random Forest, RF) ve Extrem Gradyan Arttırma (eXtreme Gradient Boosting, XGB) yöntemleri tercih edilmiştir. Çalışmanın bulgularına göre, MAE, MAPE ve RMSE kriterleri göz önünde bulundurulduğunda en iyi tahmin yöntemi SVR olarak tespit edilmiştir.

Tüberküloz, Mycobacterium tuberculosis bakterisinin neden olduğu, dünya çapında etkili olan ve ölümle sonuçlanabilen bulaşıcı bir hastalıktır. Kişiden alınan balgam örneğinin mikroskop altında incelenmesi hastalığın en yaygın tanı yöntemlerindendir. Ancak bu manuel işlem hataya açık ve zaman alıcıdır. Bu çalışmada, balgam yayma mikroskop görüntüleri kullanılarak otomatik tüberküloz teşhisi için bir model önerilmiştir. Modelde veri setine ait öznitelikler transfer öğrenme yaklaşımı ile Vgg19, ResNet50 ve DenseNet201 kullanılarak elde edilmiştir. Öznitelikler birleştirildikten sonra Komşuluk Bileşen Analizi (KBA) ile ağırlıklandırılıp en iyi olanları seçilmiştir. Seçilen öznitelikler Destek Vektör Makinesi (DVM) ile eğitilmiş, modelin performansı beş kat çapraz doğrulama kullanılarak hesaplanmıştır. Deneysel sonuçlarda %99.03 doğruluk, %99.24 kesinlik, %98.81 duyarlılık, %99.25 özgüllük ve %99.02 f1-skoru elde edilmiştir.

Ülke riski değerlendirmesi en genel anlamıyla bir ülkenin alabileceği dış yardımların ve yatırımcıların karşı karşıya kalacağı riskin bir ölçüsüdür. Bu sebeple ülke riskinin, ekonomik, finansal ve politik risk unsurlarının birlikte ele alındığı bir prosedürle oldukça hassas tahminler yapılarak ölçülmesi gerekmektedir. Tahmin yöntemi büyük bir titizlikle tercih edilmeli ve mutlaka farklı yöntemler ile desteklenmelidir. Bu amaçla çalışmada, iyi tahmin sonuçları üreten ve sıklıkla kullanılan LRA, KNN, CART ve DVM yöntemleri tercih edilmiştir. Tahmin modelini eğitmek için 2015-2019 yılları arasında 75 ülkenin farklı makroekonomik göstergeleri kullanılmıştır. Çalışmanın bulgularına göre tercih edilen tüm yöntemler ile oldukça başarılı tahmin sonuçlarının üretildiği söylenebilir. Farklı değerlendirme kriterlerinin ele alındığı ve her bir makine öğrenmesi algoritmasının 100 kez tekrar edildiği durumda, en iyi sonucu veren yöntem KNN algoritması olduğu görülmektedir. Takip eden yöntemler ise sırası ile, DVM, LRA ve CART algoritması olarak sıralanabilir., Country risk assessment, in the most general sense, is a measure of the foreign aid a country can receive and the risk the investors will face. Therefore, the related risk has to be measured by making rather sensitive predictions with a procedure where economical, financial and political risks are taken into account. The prediction method must be chosen with great accurateness and definitely supported with different methods. To that end, LRA, KNN, CART and DVM methods, which produce good estimation result and frequently used, are preferred in country risk predictions. Different macroeconomic indicators of 75 countries between the years 2015 and 2019 are used to train the prediction model. According to the findings of the study, it can be said that quite successful prediction results are produced with all the chosen methods. When different assessment criteria are taken into account and each machine learning algorithm are repeated 100 times, it is seen that the KNN algorithm is the best method to produce results. The following methods can be arrayed as DVM, LRA and CART.

Acute Lymphocytic Leukemia (ALL) is one of the most prevalent types of leukemia which has the risk of death of children is relatively higher than adults. The early diagnosis of this disease is crucial and it can be detected by examining the morphological changes of the blood cells. In this study, we exhibit a comparative study on the automatic classification and identification of the ALL with machine learning methodologies. Acute Lymphoblastic Challange Database (ALL-CDB) served by the Cancer Imaging Archive, which consists of 6500 digital microscopic pathology images from 118 subjects, is used. As the first step, the geometric features are extracted and after, the feature selection was performed with Principal Component Analysis (PCA). Finally, the classification process on the selected features was carried out by using Naive Bayes, k-Nearest Neighbor (k-NN), Linear Discriminant Analysis (LDA), Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), and Multilayer Perceptron (MLP) neural network methods. The results between the methodologies have been analyzed in terms of accuracy, precision, recall, and F1-score metrics. According to the results, MLP gives the both highest accuracy and F1-score with 97% to classify the ALL cells for leukemia., Akut Lenfositik Lösemi (ALL) en sık görülen lösemi tiplerinden biridir ve çocukların ölüm riski yetişkinlere göre nispeten daha yüksektir. Bu hastalığın erken teşhisi çok kritik olup, kan hücrelerinin morfolojik değişiklikleri incelenerek tespit edilebilir. Bu çalışmada, ALL'nin makine öğrenmesi metodolojileri ile otomatik olarak sınıflandırılması ve tanımlanması üzerine karşılaştırmalı bir çalışma sunuyoruz. Çalışmada, 118 deneğe ait 6500 dijital mikroskobik patoloji görüntüsünden oluşan Kanser Görüntüleme Arşivi tarafından sunulan Akut Lenfoblastik Görüntü Veritabanı (ALL-CDB) kullanılmaktadır. İlk adım olarak geometrik öznitelikler çıkarılmıştır ve ardından Temel Bileşen Analizi (PCA) ile öznitelik seçimi yapılmıştır. Son olarak Naive Bayes, k-En Yakın Komşu (k-NN), Lineer Diskriminant Analizi (LDA), Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM) ve Çok Katmanlı Algılayıcı (MLP) yöntemleri kullanılarak seçilen öznitelikler üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Metodolojiler arasındaki sonuçlar, doğruluk, kesinlik, hatırlama ve F1-skor metrikleri açısından analiz edilmiştir. Sonuçlara göre MLP, ALL hücrelerini sınıflandırmak için %97 ile hem en yüksek doğruluk hem de F1-skorunu vermektedir.

Büyüme hedefi olan ve sürekli gelişmeyi hedefleyen firmaların hayatta kalarak varlığını sürdürmeleri için; yeni öngörüler, stratejiler ve en önemlisi onlara yol gösterebilecek veri analizlerine ihtiyaç duymaktadırlar. Bu analizler sayesinde firmalar, yoğun rekabet ortamında hızlı ve en doğru kararı verebilir durumda olabileceklerdir. Varlıklarını devam ettirebilmek isteyen üreticiler, bir yandan artan müşteri beklentilerini karşılamak isterken bir yandan da maliyetlerini en az seviyede tutmayı amaçlamaktadırlar. Firmalar içinde bulundukları mevcut yapı öncesine bir yolculuk yaptıklarında, karar mekanizmalarını daha doğru kullandıklarını düşünerek hareket ederler. Bu sebepledir ki, deneyimler bizlere her zaman doğru yolu gösterir sözü bu noktada kanıtlanabilir nitelikte olmaktadır. Bu çalışmada, firmaların geçmiş yıllara ait ciro ve karlılık durumu analiz edilerek veri madenciliği teknikleri içerisinde yer alan; yapay sinir ağı, destek vektör makineleri ve regresyon ile doğru sonuca ulaşması hedeflenmektedir. Önceki yılların verileri analiz edilerek, yeni bir yılın verileri hakkında ön görü sahibi olmak hedeflenmektedir. Bu doğrultuda, geliştirilebilecek stratejiler sonucunda karlılık seviyesinin artacağını düşünmemek elde değildir. Bu çalışmada amaçlanan, bu doğrusal düşünceyi matematiksel olarak ispatlayarak hedefe sağlam adımlar ile ilerleyebilmektir. Durumun kanıtlanabilmesi amacıyla, beyaz eşya sektöründe faaliyet gösteren firmanın; sevk verileri bağımlı değişken, reel kesim güven endeksi, gayri safi yurtiçi hasıla, sanayi üretim endeksi, evlenme oranı, tüketici güven endeksi ve ekonomi güven endeksi ise bağımsız değişken olarak aylık bazda alınmıştır. Veriler uygulama aşamasında, Weka programında test edilmiştir. Satış tahminleri üç ayrı yöntem ile ayrı ayrı test edilmiş ve sonuçlar birbirleri ile kıyaslanmıştır. For companies with growth targets and continuous development to survive and survive; they need new insights, strategies and, most importantly, analysis of the data that can guide them. Thanks to these analyses, companies will be able to make the fastest and most accurate decision in an intensely competitive environment. In this study, the turnover and profitability status of the companies for the past years are analyzed and included in the data mining techniques; it is aimed to achieve the right result with artificial neural network, support vector machines and regression. By analyzing the data of previous years, it is aimed to have a foresground about the data of a new year. Accordingly, it is notible not to think that the level of profitability will increase as a result of the strategies that can be developed. The aim of this study is to prove this linear thinking mathematically and to move forward with solid steps towards the goal. In order to prove the situation, the company operating in the white goods sector; the referral data are taken on a monthly basis as dependent variable, real sector confidence index, gross domestic product, industrial production index, marriage rate, consumer confidence index and economic confidence index as independent variables. The data was tested in the Weka program during the implementation phase. Sales estimates were tested separately by three different methods and the results were compared with each other.

Çevresel etmenler canlı yaşamına doğrudan etki eden birçok doğal afeti tetiklemektedir. Bu afetlerin en önemlilerinden biri de kuraklıktır. Kuraklığın su kaynakları üzerindeki etkisi birçok şekilde canlıları etkilemektedir. Özellikle kuraklığın sebep olduğu, içme suyu ve tarımsal sulama amaçlı kullanılan su kaynaklarında görülen azalmalar, insan yaşamını önemli ölçüde tehdit edebilmektedir. Kuraklık diğer afetler gibi aniden ortaya çıkmadığı için, kuraklık oluşmadan önce tahmin edilip gerekli önlemlerin alınabilmesi imkânı bulunmaktadır. Kuraklık olayının belirlenebilmesi için çeşitli kuraklık indeksleri kullanılmakta ve bu da kuraklığı tahmin edebilme imkânı sunmaktadır. Zaman içerisinde büyük değişiklikler gösteren kuraklık indekslerinin tahmini için birçok araştırma yapılmıştır. Bu çalışmada Kayseri iline ait 116 yıllık Palmer Kuraklık Şiddet İndeksi (PDSI - Palmer Drought Severity Index) değerleri, makine öğrenmesi yöntemleri kullanılarak modellenmiş olup, bir, üç ve altı ay sonraki kuraklık değerleri tahmin edilmiştir. Destek vektör makineleri (SVM) ve K-en yakın komşuluk (KNN) algoritmaları kullanılarak oluşturulan modeller ile yapılan tahminlerin başarı oranı istatistiksel olarak değerlendirilmiştir. Yapılan bu çalışma göstermiştir ki, makine öğrenmesi yöntemleri kuraklık problemlerin çözümüne önemli ölçüde katkı sağlamaktadır., Environmental factors, which directly affect the living beings cause the formation of many natural disasters. One of the most important of these disasters is drought. The effect of the drought on the water resources also affects many things in the way of living life. From the point of human life, diminution in water resources, may pose a significant threat. Drought does not appear suddenly, hence it is possible to predict and take necessary measures before it exists. In order to predict the drought, various drought indices are used to determine the drought phenomenon. A great deal of research has been made to estimate the drought values that have changed dramatically so far. In this study, the 116 - year Palmer Drought Severity Index (PDSI) values of Kayseri province were modeled using machine learning methods in order to predict future PDSI values. In this context, one, three and six months period of drought values were predicted. The success rate of the predictions constructed using support vector machines (SVM) and K-nearest neighbors (KNN) algorithms was evaluated statistically. This study indicates that machine learning methods provide a significant contribution to the solution of hydrological problems.

Günlük hayatımızda önemli sosyal iletişim aracı olan yüz ifadeleri, insanların ruhsal durumu hakkında önemli bilgiler vermektedir. Bu bilgiyi doğru bir şekilde elde etmek için araştırmalar yapılmaktadır. Bu araştırmaların insan-bilgisayar etkileşimi alanındaki önemi giderek artmaktadır. Nötr, mutluluk, şaşkınlık, üzüntü, öfke, iğrenme, korku gibi evrensel yüz ifadelerinin akıllı sistemler tarafından yüksek doğrulukla tanınması için birçok yöntem kullanılmıştır. Duygu tanıma, ortam ışığı, yaş, ırk, cinsiyet ve yüz pozisyonu gibi faktörler nedeniyle zorlu bir sınıflandırma örneğidir. Bu makalede, yüz görüntülerinden duygu tanıma için 3 aşamalı bir sistem önerilmiştir. İlk aşamada, tasarlanan CNN tabanlı ağ Fer+ veri seti ile eğitiliyor. İkinci aşamada, eğitilmiş olan CNN ağının tam bağlı katmanındaki özellik vektörüne özellik seçimi için İkili Parçacık Sürü Optimizasyon algoritması uygulanıyor. Seçilen özellikler Destek Vektör Makinesi tarafından sınıflandırılır. Önerilen sistemin performansı Fer+ veri seti ile test edilmiştir. Test sonucunda %85,74 doğruluk ölçülmüştür. Elde edilen sonuçlar İkili Parçacık Sürü Optimizasyon algoritması ve Destek Vektör Makinesi birleşiminin FER+ veri setinin sınıflandırma doğruluğuna ve hızına katkısını ortaya koymuştur., Facial expressions, which are important social communication tools in our daily life, provide important information about the mental state of people. Research is being done to obtain this information accurately. The importance of these researchs in the field of human-computer interaction is increasing. Many methods have been used for the recognition of universal facial expressions such as neutral, happiness, surprise, sadness, anger, disgust, and fear by intelligent systems with high accuracy. Emotion recognition is an example of difficult classification due to factors such as ambient light, age, race, gender, and facial position. In this article, a 3-stage system is proposed for emotion detection from facial images. In the first stage, the CNN-based network is trained with the Fer+ dataset. The Binary Particle Swarm Optimization algorithm is applied for feature selection to the feature vector in the fully connected layer of the CNN network trained in the second stage. Selected features are classified by Support Vector Machine. The performance of the proposed system has been tested with the Fer+ dataset. As a result of the test, 85.74% accuracy was measured. The results show that the combination of BPSO and SVM contributes to the classification accuracy and speed of the FER+ dataset.

In this work we use a reliable database, properly classified and in enough classes to obtain a classification model based on machine learning., there is a public database generated by network traffic flows from different devices simulated in a controlled environment with the presence of different known types of botnets. Thus, we can implement a system of botnet detection using the Support Vector Machine (SVM) and K-nearest neighbor KNN algorithm, which is currently one of the most used methods in the context of machine learning. SVM and KNN are a relatively easy to use algorithms, has a robust performance in pattern recognition, being considered the state of the art in pattern recognition. Bu tezde, makine öğrenmesine dayalı bir sınıflandırma modeli elde etmek için uygun şekilde sınıflandırılmış ve yeterli sınıflarda güvenilir bir veri tabanı kullanıyoruz. botnet türleri. Böylece, şu anda makine öğrenmesi bağlamında en çok kullanılan yöntemlerden biri olan Destek Vektör Makinesi (SVM) ve K-en yakın komşu KNN algoritmasını kullanarak bir botnet algılama sistemi uygulayabiliriz. SVM ve KNN, nispeten kullanımı kolay algoritmalardır, örüntü tanımada son teknoloji olarak kabul edildiğinden örüntü tanımada güçlü bir performansa sahiptir.

Bu çalışmada toplamda doksan iki adet sesli komuttan oluşan bir yalıtık sözcüklü Türkçe konuşma tanıma sistemi tasarlanmış ve gerçekleştirilmiştir. Sistem, destek vektör makinesi (SVM) tabanlı olup, eğitimde kullanılan veri kümesi kaydedilen konuşmaların yapay olarak çeşitlendirilip artırılmasıyla elde edilmiştir. Farklı yapay veri oranlarının tanıma başarımı üzerindeki etkisi incelenmiştir. Akustik öznitelik olarak, mel frekansı kepstral katsayıları (MFCC) kullanılmıştır. Ayrıca, ses aktivitesi tespitinin ve MFCC katsayılarının tanıma başarımına etkileri de irdelenmiştir. Sonuçta doksan iki yalıtık komut için ortalama %92.6’lık doğrulukla çalışan bir konuşma tanıma sistemi geliştirilmiştir. In this study, an isolated-word Turkish speech recognition system comprising of ninety-two voiced commands has been designed and implemented. The system is support vector machine (SVM) based and the data set used in training has been obtained by augmenting the original recordings artificially. The effect of different augmented data amounts on recognition performance has been examined. As acoustic features, mel frequency cepstral coefficients (MFCC) were used. Moreover, the effects of voice activity detection and MFCCs on recognition performance have also been investigated. In the end, 92.6% recognition accuracy on average has been obtained for ninety-two isolated commands.

Tam Metin / Full Text Uydu görüntülerinden bitkisel ürünlerin sınıflandırılması tarım alanlarının yönetimi, gıda güvenliğinin sağlanması ve tarımsal politikaların oluşturulması için oldukça önemli bilgiler sağlar. Bitki türleri genel olarak uydu görüntülerinden hesaplanan vejetasyon indekslerine dayalı olarak veya çeşitli görüntü sınıflandırma teknikleri ile tahmin edilmektedir. Fakat bu yaklaşımlarda farklı bitkilerin benzer fenelojik ve spektral özelliklere sahip olması nedeniyle başarı oranı düşüktür. Bu nedenle bitki türlerinin uydu görüntüleri ile sınıflandırılması işleminde yeni, hassas ve başarılı bir yaklaşıma ihtiyaç duyulmaktadır. Bu çalışmanın amacı Rassal Orman (RO), Destek Vektör Makinesi (DVM) ve K-En Yakın Komşu (K-NN) makine öğrenme algoritmaları kullanılarak uydu görüntülerinden bitki türlerinin sınıflandırılmasıdır. Çalışma kapsamında 2020 yılı Gökhöyük Tarım İşletmesi Müdürlüğü’ne ait bitkisel üretim sahasında yetiştirilen bitkilerin sınıflandırılmasında zaman serisi biçiminde Sentinel 2 uydu görüntüleri kullanılmıştır. Çalışmadan elde edilen sonuçlara göre en başarılı sınıflandırma (%95.3) RO ile hesaplanırken en düşük başarı DVM ile elde edilmiştir (%75.9). K-NN ile yapılan sınıflandırma başarısı ise %91.8 olarak hesaplanmıştır. Crop classification provides important information for agricultural management, ensuring food security and developing agricultural policy. Generally, crop species are estimated based on vegetation indexes calculated from satellite images or by using various image classification techniques. However, this approach has low success rate due to different crop species have similar phenological and spectral features. For this reason, a new, accurate and robust approach is needed. The aim of this study was to classify crop from satellite image by using Random Forest (RO), Support Vector Machines (DVM) and K-Nearest Neighbors (K-NN) machine learning algorithms. Within the scope of the study, Sentinel 2 satellite images were used in time series format for the crop classification of grown in the field of Gökhöyük Agricultural Enterprise Directorate in 2020. According to the result of this study, while the most successful classification result obtained from RO, the lowest success was obtained from DVM. Classification success with K-NN was calculated as 91.8%.

Akarsu yapılarında katı madde miktarının doğru bir şekilde tahmin edilmesi, su kaynaklarının mühendislik çalışmalarında belirgin bir öneme sahip olup, bu yapıların hassas bir şekilde tasarım ve projelendirilmesine bağlıdır. Katı madde miktarı doğru analizlerle belirlenmediği takdirde su alma yapıları ve barajlar kısa sürede ekonomik ömrünü tamamlayabilir. Bu da verimlilik ve maliyet açısından olumsuz sonuçlar doğurur. Çoğunlukla katı madde miktarı gözlem istasyonlarından yapılan ölçümlerle, katı madde anahtar eğrisi, yapay zekâ modelleme yöntemleri ve kullanılan katı madde denklemlerinden faydalanılarak belirlenmektedir. Bu çalışmada Missouri nehrindeki Nebraska eyaleti Omaha istasyonunda 2011-2017 yılları arasında ölçülen nehir debisi, hava sıcaklığı, yağış gibi hidro-meteorolojik parametreler kullanılarak katı madde miktarı tahmin modellemesi yapılmıştır. Katı madde miktarının tahmini için; katı madde anahtar eğrisi (KMAE) ve literatür de yapay zekâ yöntemleri arasında yer alan radyal taban fonksiyonlu destek vektör makineleri (DVM-RTF), polinom çekirdek fonksiyonlu destek vektör makineleri (DVM-PÇF) ve genelleştirilmiş regresyon yapay sinir ağı (GRYSA) kullanılmıştır. Bu modeller kendi içinde korelasyon katsayısı (R), ortalama karesel hataların karekökü (KKOH), mutlak ortalama hata (MOH) kullanılarak karşılaştırma yapılmıştır. Ölçüm ve model sonuçları karşılaştırıldığında, radyal taban fonksiyonlu destek vektör makineleri (DVM-RTF), polinom çekirdek fonksiyonlu destek vektör makineleri (DVM-PÇF) ve genelleştirilmiş regresyon yapay sinir ağı (GRYSA) modellemeleri nehirlerdeki katı madde miktarının tahmininde uyumlu sonuçlar vermiştir. DVM-RTF, DVM-PÇF ve GRYSA modelleri klasik yöntemlere alternatif olarak sunulabilir., Accurate estimation of sediments content in river structures has a significant importance in engineering studies of water resources and depends on the precise design and projecting of these structures. If the amount of sediments is not determined by the correct analysis, water intake structures and dams can complete their economic life in a short time. This has negative consequences in terms of productivity and cost. The amount of sediments is mostly determined by measurements from observation stations, sediment key curve, artificial intelligence modeling methods and solids equations used. In this study, the estimation of the sediments content was performed by using hydro-meteorological parameters such as river flow, air temperature and precipitation measured between 2011-2017 years at Omaha Station in Nebraska State, Missouri. For the estimation of sediment amount, sediment rating curve (SRC) and support vector machines- radial basis function (SVM-RBF), support vector machines-polynomial kernel (SVM-PK) and generalized regression neural network (GRNN) which are among the artificial intelligence methods in literature are used. These models were compared by using correlation coefficient (R), root of mean square errors (RMSE) and absolute mean error (MAE). When the measurement and model results were compared, support vector machines- radial basis function (SVM-RBF), support vector machines-polynomial kernel (SVM-PK) and generalized regression neural network (GRNN) models gave consistent results in the estimation of sediments content in rivers. SVM-RBF, SVM-PK and GRNN models can be offered as an alternative to classical methods.

Meme kanserinin erken aşamada teşhis edilmesi; tedavi yöntemlerinin sayısını, tedavinin başarıya ulaşma oranını ve hayatta kalma şansını arttırmaktadır. Gail Modeli, meme kanserinde temel faktörleri değerlendiren, kabul görmüş kanser riski değerlendirme modelidir. Bu çalışmada Gail Modeli baz alınarak makine öğrenmesi yöntemlerinin meme kanseri risk değerlendirmesinde karşılaştırılması amaçlanmıştır. İlk olarak veri setine Gail Modeli uygulanmış ve risk faktörü belirlenmiş, %70 eğitim %30 test ve %80 eğitim %20 test olmak üzere 2 ayrı eğitim test veri seti oluşturulmuştur. Daha sonra veri setlerine k-En Yakın Komşu, Yapay Sinir Ağları, Destek Vektör Makinesi ve Naive Bayes algoritmaları uygulanmış ve risk tahmin sonuçları karşılaştırılmıştır. Karşılaştırma sonuçlarına göre %70 eğitim %30 test veri seti için sınıflandırma performansı en düşükten en yükseğe doğru sırası ile k-NN (AUC=0.5375), NB (AUC=0.8542), SVM (AUC=0.9375) ve YSA(AUC=0.9875) şeklindedir. %80 eğitim %20 test veri seti için sınıflandırma performansı en düşükten en yükseğe doğru sırası ile k-NN (AUC=0.5892), SVM (AUC=0.9088), NB (AUC=0.9305) ve YSA (AUC=0.9718) şeklindedir Early diagnosis of breast cancer increases the number of possible treatments, the success rate of the treatments and the chance of survival. The Gail Model is a well accepted cancer risk assessment model which evaluates the main factors in breast cancer. The aim of this work is compare machine learning methods in breast cancer risk assessment based on the Gail Model.SVM, k-NN, ANN, NB algorithm with the purpose of breast cancer risk assessment. Firstly, risk factor was determined using the Gail method on the dataset, then dataset was divided into training - testing sets using 70 - 30 and 80 - 20 splits which resulted in two seperate training and testing sets. Afterwards, on each set, k-NN, ANN, SVM and NB algorithms were applied and results were compared based on the classification performance. According to the comparison results, the classification performance for 70% training and 30% test data set was k-NN (AUC=0.5375), NB (AUC=0.8542), SVM (AUC=0.9375) and ANN (AUC=0.9875) directly from from lowest to highest. On the other hand, for 80% training and 20% test data set, classification performance wasis from lowest to highest, respectively, k-NN (AUC=0.5892), SVM (AUC=0.9088), NB (AUC=0.9305) and ANN (AUC=0.9718)

In today’s world, where all records are carried into an electronic environment, cyber security represents a very broad scope, with the primary objective of preventing the loss of financial and/or emotional loss of people, institutions, organizations through the security of data in the digital environment. Today, the most common cyber security threat is phishing attacks. With the phishing attack, the attacker aims to capture the data which are very important for the individuals like identification number, social security number, bank account information, and so on. In this study, using deep learning, it was checked whether the web sites are real or not by using neural networks and support vector machine, decision tree and stacked autoencoders as classification methods. As a result of the study, 86% success rate was reached by using stacked autoencoders which are a part of deep learning techniques.

Son yıllarda teknolojinin gelişmesi ile forumlar, bloglar ve sosyal medya insanlar tarafından çok fazla kullanılır hale gelmiştir. İnsanların görüş, fikir ve hislerini sosyal medya aracılığı ile paylaşmak istemesi sosyal medyayı önemli bir bilgi kaynağı haline getirmiştir. Özellikle twitter, üzerinde çalışılan önemli bir veri kaynağıdır. Sosyal medya üzerindeki fikir paylaşımlarının artması nedeniyle son yıllarda, insan duygularını anlama konusunda araştırmalar artmıştır. Bu tez çalışmasında, İngilizce bir metin içeriğindeki neşe, korku, öfke, üzüntü, tiksinti ve şaşkınlık duygularının otomatik olarak sınıflandırılmasında Topluluk Öğrenmesi yöntemlerinin etkileri ölçülmüştür. Bu amaçla Twitterdan elde edilen veri seti yanında International Survey on Emotion Antecedents and Reactions (ISEAR) veriseti üzerinde de deneysel çalışmalar yapılmıştır. Ayrıca duyguların üç sınıf şeklinde olumlu, olumsuz ve nötr olarak ifade edildiği Havayolu veri seti için de sonuçlar alınarak sunulmuştur. Temel sınıflandırıcılar olarak Multinomial Naive Bayes (MNB), Destek Vektör Makineleri (DVM) ve Karar Ağacı sınıflandırıcıları kullanılmıştır. Temel sınıflandırıcıların birleştirilmesi ile meta sınıflandırıcılar oluşturulmuştur. ISEAR veri seti üzerinde Bagging, Boosting ve Voting Topluluk Öğrenmesi yöntemleri kullanılarak beş duygu için sınıflandırma sonuçları ilk olarak bu çalışmada kapsamlı bir şekilde elde edilmiştir. Topluluk Öğrenmesi yöntemleri kullanımının temel sınıflandırıcıların başarı oranlarını arttırdığı, denenenler içerisinde en başarılı yöntemin de oylama (voting) olduğu gözlemlenmiştir., With the development of technology in recent years forums, blogs and social media have become used by much of the people. The fact that people want to share their opinions, ideas and feelings through social media has made social media an important source of information. Especially twitter, is an important data source being studied. In recent years, research on understanding human emotions has increased due to the increasing share of ideas on social media. In this thesis, the effects of Ensemble Learning methods on automatic classification of emotions which are joy, fear, anger, sadness, disgust and surprise in an English text content were measured. For this purpose, experimental studies have been conducted on International Survey on Emotion Antecedents and Reactions (ISEAR) dataset in addition to the dataset from Twitter. In addition, the results are presented for the Airline dataset in which emotions are expressed as three classes which are positive, nagative and neutral. Multinomial Naive Bayes (MNB), Support Vector Machines (SVM) and Decision Tree classifiers were used as the main classifiers. Meta classifiers were formed by combining the basic classifiers. The classification results which are created by using Bagging, Boosting and Voting Ensemble Learning methods on the ISEAR dataset for five emotions were firstly obtained in this study in a comprehensive manner. It has been observed that the use of Ensemble Learning methods increases the success rates of the main classifiers and voting is the most successful method among those tried.

Yazılım ürünü. geliştirme ekibinin kapasitesi, ilgili çalışanların sayısıyla, kişilerin deneyimlerinin, iyi bir koordinasyonla aynı şekilde kısıtlanmasından dolayı, ilk olarak geliştirilecek ürünün en önemli kısımlarını keşfetmek için önceliklere ihtiyaç vardır. tüm ekip ve gereksinimler arasındaki uyuşmazlıkların tespit edilmesi ve uygulanacak ve serbest bırakılacak gereksinimlerin sırasını planlama zorunluluğu bu yazıda, açık öncelikli uygulamalara ve yazılımlara makine öğrenmesi yoluyla gereksinim önceliklendirme otomasyonunun uygulanmasını gözden geçirdik. ml alanındaki gelişmeler ilerledikçe, bu gelişmelerden yararlanmanın birçok yolu var. bunlardan biri, şimdiye kadar insanlar tarafından gerçekleştirilen analitik işlerin otomasyonu. gereksinimler önceliklendirme bunlardan biridir. zaman alıcı ve bilgidir zorlu faaliyetler ve artan sayıda gereksinim ile bir insanın her gereksinimi değerlendirmesinde kolayca olanaksız hale gelebilir. bu çalışmanın ilk kısmı, alan gereksinimleri önceliklendirme otomasyonu ile ilgili literatür taraması ve ilgili çalışmalardır. ikinci bölümde bazı metin madenciliği geçmişini inceledik, üçüncüsü açık kaynaklı yazılım (oss) projelerinin ilgili mekaniklerini ve problemlerini tartışıyor. açık gelişim yaklaşımlarıyla ilgi çekici projeler. dördüncü bölümde, oss projelerinin belirli sorunlarını çözmek için bilinen farklı yaklaşımları bir araya getirmenin sentetik metodolojisini ve gereksinim önceliklendirme sürecinin otomasyonunu kullanan bir sistem tasarımı öneriyoruz. beşinci kısım, önerilen sistem tasarımının apache yazılım temeli (asf) hadoop projesi üzerinde bir prototip ile değerlendirilmesine ayrılmıştır. önerilen çözüm ve değerlendirme, yalnızca belirli bir proje temeli (asf) ve bir proje kapsamında geçerlidir. hadoop).Anahtar Kelimeler: Gereksinimler Önceliklendirme, Açık Kaynak Kodlu Yazılım, Apache Software Foundation Makine Öğrenmesi, Metin Madenciliği, Destek Vektör Makinesi, Destek Vektör Regresyon Software product Priorities are needed in order to discover the most important parts of the product to be developed at first, as the capacity of the development team is constrained by the number of the workers involved, the experience of the individuals, the same as the good coordination of the whole team and the necessity to detect the conflicts among the requirements and planning the sequence of the requirements to be implemented and released. In the this paper , we have review the application of requirements prioritization automation by means of machine learning to the open source applications and software.As the development in the field of ML proceeds, there are many possibilities to utilize the advancements. One of them is the automation of analytic work performed up to now by humans. Requirements prioritization is one of them. It is time consuming and knowledge demanding activity and with the growing number of requirements it can get easily unfeasible for a human being to evaluate every requirement. The first part of this study is the literature review and related works in the field requirements prioritization automation. the second part we have reviewed some text mining background, the third discusses the relevant mechanics and problems of the open source software (OSS) projects.We have analyzed the options for solving the problems of OSS projects requirements management with particular emphasis on the ASF OSS projects, which are interesting with their open development approach. in the fourth part, we propose a system design, using the synthetic methodology of combining different known approaches to solve the particular problems of the OSS projects and the automation of the requirements prioritization process. the fifth part is devoted to the evaluation of the proposed system design with a prototype on apache software foundation (ASF) hadoop project.The proposed solution and evaluation is valid only in the context of one particular foundation of projects (ASF) and one project (Hadoop). The evaluation outcome cannot be generalized, since the fine tuning of the algorithms would require enormous effort. Using another project would mean the refitting of the whole proposed solution.Keywords:-Requirements-Prioritization-OpenSource-Software-Apache-Software_Foundation Machine Learning Text Mining, Support Vector Machine,Support Vector Regression. 82

TEZ12369 Tez (Yüksek Lisans) -- Çukurova Üniversitesi, Adana, 2019. Kaynakça (s. 57-61) var. XV, 63 s. :_rnk. res., tablo ;_29 cm. Kalp-solunum uygunluğu; solunum, kardiyovasküler ve iskelet-kas sistemlerine bağlı olduğu için sağlık ve fiziksel uygunluğun belirlenmesinde kullanılan önemli bir bileşendir. Kalp-solunum uygunluğunu tespit etmek için kullanılan standart yöntem maksimal egzersiz testi sırasında maksimum oksijen tüketiminin (VO2max) direk olarak ölçülmesidir. VO2max testi pahalı laboratuvar malzemesi, eğitimli teknisyenler, yüksek motivasyonlu bireyler, hatta bazı durumlarda bir doktorun desteğini gerektiren ve zaman alan bir testtir. Maksimal VO2max testinin dezavantajlarından dolayı, literatürde bu teste alternatif olarak birçok VO2max tahmin modeli önerilmiştir. Bu çalışmada, Derin Öğrenme Deep Learning (DP) yöntemi ile bireylerin VO2max değerini tahmin etmek üzere yeni modeller geliştirilecektir. Karşılaştırma amaçlı Destek Vektör Makinesi Support Vector Machine (SVM), Çok Katmanlı Algılayıcı Multilayer Perceptron (MLP) ve Tek Karar Ağacı Single Decision Tree (SDT) tabanlı tahmin modelleri de geliştirilecektir. Tahmin modellerinin performansı, 10 katlı çapraz doğrulama kullanılarak, standart tahmin hatası (Standard Error of Estimate – SEE) ve çoklu korelasyon katsayısı (Multiple Correlation Coefficient – R) hesaplanarak değerlen¬dirilecektir. DP tabanlı VO2max tahmin modellerinin diğer makine öğrenme tabanlı tahmin yöntemlerine göre daha performanslı çalışacağı beklenmektedir. Maximal oxygen uptake, or VO2max, is an external parameter that is affected by things like how many red blood cells the body has, how adapted the muscles are to distance running, and how much blood the heart can pump. It is measured as milliliters of oxygen used in one minute per kilogram of body weight. In a laboratory, it is calculated by measuring the volume (V) of oxygen (O2) that the body consumes while running on a treadmill which is the most accurate way. However, because of the serious drawbacks of direct measurement, a lot of studies have been conducted using machine learning methods to predict VO2max. The purpose of this study is to build new VO2max prediction models using deep learning (DL). The dataset has been split into training and test data using 70-30%, 80-20% split ratio, and 10-fold cross-validation. For comparison purposes, VO2max prediction models based on Multi-Layer Perceptron (MLP), Support Vector Machine (SVM), and Single Decision Tree (SDT) have also been developed. The performance of the prediction models has been evaluated using Standard Error of Estimate (SEE) and Multiple Correlation Coefficient (R). As a conclusion, DL can be used safely in VO2max prediction domain. Bu çalışma Ç.Ü. Bilimsel Araştırma Projeleri Birimi tarafından desteklenmiştir. Proje No: FYL-2018-10517.