Arda Sezen

Sezen, Arda

Profile URL

https://hdl.handle.net/20.500.14411/6766

Name Variants

A., Sezen
A.,Sezen
Sezen,A.
S.,Arda
S., Arda
Arda Sezen
Sezen,Arda
Sezen, Arda
Arda, Sezen

Job Title

Yardımcı Doçent

Email Address

arda.sezen@atilim.edu.tr

Main Affiliation

Computer Engineering

ORCID ID

0000-0002-7615-3623

Full item page

Sustainable Development Goals

SDG data is not available

This researcher does not have a Scopus ID.

This researcher does not have a WoS ID.

Scholarly Output

11

Articles

6

Views / Downloads

28/52

Supervised MSc Theses

4

Supervised PhD Theses

1

WoS Citation Count

7

Scopus Citation Count

39

Patents

0

Projects

1

WoS Citations per Publication

0.64

Scopus Citations per Publication

3.55

Open Access Source

5

Supervised Theses

5

Journal	Count
International Journal of Computational and Experimental Science and Engineering	3
Bilişim Teknolojileri Dergisi	1
Evolutionary Intelligence	1
IEEE Access	1

Page Size:

Current Page: 1 / 1

Scopus Quartile Distribution

Competency Cloud

Scholarly Output Search Results

Now showing 1 - 1 of 1

Lupus Nefriti Etkili Genlerin Belirlenmesinde Makine Öğrenmesi Modellerinin Kullanımı
(2025) Hammadı, Shaımaa Taha Younıs Al; Sezen, Arda
Bu tezde, nekroptozis hücre ölümü yoluna ait genler temel alınarak makine öğrenmesi (ML) yöntemlerinin lupus nefriti (LN) hastalarını sağlıklı kontrollerden ayırt etmedeki uygulanabilirliği incelenmiştir. Bu amaçla, LASSO, Random Forest ve SVM algoritmalarını içeren yapılandırılmış ML iş akışları tasarlanmıştır. Tüm modeller; standart ön işleme adımlarının uygulanması, verilerin %70 eğitim ve %30 test setine ayrılması, ölçekleme, özellik seçimi için 10 katlı çapraz doğrulama, hiperparametre optimizasyonu ve %70'lik eğitim verisi üzerinde modelin nihai olarak eğitilmesi gibi ortak bir çerçeveye dayandırılmıştır. Sınıflandırma performansı, ayrılan %30'luk test verisi üzerinde ROC eğrileri ve karışıklık matrisleri kullanılarak değerlendirilmiştir. Üç modelin de yüksek doğrulukta sınıflandırma başarısı gösterdiği saptanmıştır. Modellerin kesişiminde, LN tanısı açısından biyolojik olarak anlamlı ve potansiyel biyobelirteç niteliğinde beş merkez gen öne çıkmıştır. Elde edilen bulgular, makine öğrenmesi yaklaşımlarının LN'nin doğru sınıflandırılmasında ve tanısal açıdan kritik genlerin belirlenmesinde güçlü ve güvenilir bir yöntem sunduğunu ortaya koymaktadır. Ayrıca bu yaklaşım, tekrarlanabilir ve biyolojik açıdan anlamlı içgörüler sağlayarak literatüre katkı sunmaktadır. Gelecekte yapılacak çalışmalar, bu genlerin daha geniş hasta kohortlarında doğrulanmasıyla öngörü performansının daha kapsamlı bir şekilde değerlendirilmesine imkân tanıyacaktır.