2 results
Search Results
Now showing 1 - 2 of 2
Master Thesis Büyük Dil Modellerini Kullanarak Kod Örneklerinin Analizi ve Hata Ayıklama(2024) Shaıkh, Noman Ahmed; Sezen, ArdaKod hata ayıklama ve analizi zorlu bir görevdir. Özellikle otomatik olmayan hata yerelleştirme görevi kaynak tüketir ve hatanın kök nedenini belirlemek için önemli bir çaba gerektirir. Bu tezde, büyük dil modellerini kullanarak testsiz, otomatik satır seviyesi hata yerelleştirme incelenmiştir. Çalışmada, çift yönlü dikkat tabanlı mekanizma ve kod-anlama için önceden eğitilmiş büyük dil modelleri kullanıldı. Aynı zamanda büyük dil modellerinde girilen kodun satır seviyesi hatalılık puanlarını çıktı olarak vermesi için adaptör ayarlaması yapılmıştır. Ortaya çıkan model FLICoder olarak adlandırıldı. Farklı ayarlarla birden çok FLICoder modeli eğitildi ve mimarisinin çeşitli yönlerinin genel performans üzerindeki etkisi incelendi. FLICoder modeli ayrıca temel LLM tabanlı hata yerelleştirme çözümü ile karşılaştırılmış olup, FLICoder modelinin %25 - %52 iyileştirme gösterdiği tespit edilmiştir.Master Thesis Lupus Nefriti Etkili Genlerin Belirlenmesinde Makine Öğrenmesi Modellerinin Kullanımı(2025) Hammadı, Shaımaa Taha Younıs Al; Sezen, ArdaBu 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.