4 results
Search Results
Now showing 1 - 4 of 4
Doctoral Thesis Armonize mal tanımı ve kodlama sistemi için doğal dil işleme kullanarak ontoloji oluşturulması(2016) Fal, Funda Akgür; Turhan, ÇiğdemDünya Gümrük Örgütü (DGÖ) gümrük idarelerinin etkinliğini ve verimliliğini artırmayı hedef edinmiş hükümetler arası bir kuruluştur. DGÖ dış ticaret için ortak bir kod sistemi sağlamaktadır. Armonize Mal Tanımı ve Kodlama Sistemi (Armonize Sistem-AS) diye adlandırılan bu sistem, 5000 farklı kod numarası içeren uluslararası bir ticari sınıflandırma sistemidir. Sistem uzman ya da uzman olmayan gümrük memurları ve ticaret yapmak isteyen insanlar tarafından kullanılmaktadır. Mevcut sistemin temel sorunu; AS kodu tespiti işlemlerinin ancak konu uzmanları tarafından yapılabilmesi ve uzamn olmayan kişilerce yapılamamasıdır. Ontolojiler semantik yapıyı gösteren güçlü araçlardır. Büyük ölçekli ontolojilerin yapılandırılması zor ve zaman alıcıdır. Doğal Dil İşleme (DDİ) kullanımı ontolojileri oluşturmak için etkili bir yoldur. Bu çalışmada, ana amaç AS kodları için Türkçe doğal dil işleme yapılarak ontoloji oluşturmaktır. Oluşturulan ontolojinin AS kodlarının tespit edilmesinde üç hayati fayda sağlaması beklenmektedir. Oluşturulan ontolojide AS kodları ürünlerin tariflerinden yola çıkarak tanımlanmış, böylece uzman olmayan kişilerin Türkçe kullanarak AS kodlarını tespit etmeleri sağlanmıştır. İkinci olarak, sistemi bir ontoloji üzerine kurmak ontolojilerin doğal yapıları sayesinde, ürünler ve aralarındaki ilişkilerin tanımlanmasıyla sistemin esneklik ve düşük maliyet ile çalışmasını sağlamaktadır. Son olarak, literatürde, Türk gümrüklerinde kullanılan böyle bir arama sistemi bulunmamaktadır. Bu tez, ontoloji oluşturma ve Türkçe dil işleme kullanarak aramada yeni bir bakış açısı sağlarken, oldukça kullanışlı yeni bir metod ve esnek bir arama sistemi yaklaşımı sunmaktadır. Anahtar Kelimeler: Ontoloji, Doğal Dil İşleme, Protégé, Armonize Mal Tanımı ve Kodlama SistemDoctoral Thesis Kelime Gömme Kuralları ve Metin Sınıflandırması Tabanlı Makine Öğrenme Üzerine Bir Çalışma(2019) Al-gartanee, Asmaa; Mıshra, Alok; Görür, Abdül KadirÇevrimiçi bilgilerin, internet üzerinden temin edilebilen elektronik belgelerin ve dijital kütüphanelerin sayısındaki ani artış ile beraber metin belgelerinin kategorize edilmesinde zorluklar oluşmaya başlamıştır. Metin sınıflandırması teknik sürecinin kara kutusunun gösterilebileceği en esnek yöntemlerden birisi olarak görülen kural tabanlı yaklaşımlar olarak gömme, kural tabanlı ve makine öğrenme yaklaşımı bu problemin bu nedenle en iyi çözümleridir. Sınıflandırma sürecinin detayları görülebilir ve iyi sonuçlar elde etmek için bazı araçlar ve yeni talimatlar eklenebilir. Bu yaklaşımın bilgi alma, e-devlet, bilgi süzme, metin veri tabanları, dijital kütüphaneler ve diğer uygulamalar için değeri yüksektir. Gömme tekniği ve kural tabanlı oluşturma problemi metin kategorizasyonunda çok belirgin bir öneme sahiptir. Gömme tekniğinin ana fikri, metin kategorizasyon motoruna bir belgeyi bir kategoriye dönüştürmesinde yardımcı olabilecek bilgilendirici ve bilgilendirici olmayan kelimeleri tutabilecek bir teknik kullanarak anahtar kelimelerin önemini tespit etmektir. Bu tez, kelimeden vektöre (word2vec) ve belgeden vektöre (doc2vec) yaklaşımları için gömme tekniği kullanan kural tabanlı yaklaşımı ele almaktadır. Benzerlik hesabına bağlı olarak anahtar kelimeler hazırlamada bu iki teknik kullanılacaktır. Bunun ardından, doğruluk, geri çağırma, hassasiyet ve F-Ölçümleri gibi performans değerlendirme ölçütlerini hesaplayarak sistemin en iyi performansını gerçekleştirecek bir sınıflandırıcı için kural tabanlı yaklaşımı uygulamada bu anahtar kelimeleri kullanırız. Reuters 21578 ve 20 haber grupları veri kümeleri üzerinde Reuters 21578 ve 20 haber grupları veri kümelerinin ilk on kategorisini tasnif etmek için deneyler yapılmıştır. Python dili; F-M Skoru, Hata oranı ve Doğruluk ile ölçülmekte olan yaklaşımın genel etkinliği ile izlenen kural tabanlı bir yaklaşımı meydana getirmek için kullanılmıştı. Reuters 21578 veri kümesi durumunda doc2vec (d2vRule) kullanan gömme tekniği ile kural tabanlı sonuçları; doğruluk % 79, geri çağırma % 75, F-Ölçümleri % 76.75, hata oranı % 9.28 ve doğruluk ölçümleri % 90.72 olarak bulunmuştur. 20 Haber Grubu veri seti için sonuçlar; hassasiyet % 76, geri çağırma % 66,64, F-Ölçümü % 70,98, hata oranı % 9,99 ve doğruluk ölçümü % 90,07 olarak bulunmuştur. Ayrıca, makine öğrenme algoritmaları J-RIPPER (JRip), One Rule (OneR) ve ZeroR, Reuter 21578 veri setine uygulandığında, JRip, OneR ve ZeroR için sırasıyla 0.713 - 0.752, 0.506 - 0.598 ve 0.219 - 0.39 F-Ölçümleri ve doğruluk ölçümleri elde ettik. . Buna ilaveten, bu algoritmaları veri kümemize uyguladığımızda, mutabakat sağlandı ve algoritmamızın (d2vRule) yukarıda belirtilen bu üç algoritmadan daha iyi performans gösterdiği ortaya çıktı. Bundan başka, değerlendirme ölçütlerine göre iyi bir sınıflandırma süreci sağlamaktadır. Diğer taraftan, gömme tekniğini word2vec modeliyle kullanırken, bu sonuçların hassasiyet, geri çağırma ve F-Ölçüm yaklaşımlarına bağlı olduğu tahmin edilebilir. Son olarak, kural tabanlı yaklaşımızın makine öğrenme sonuçlarından yani Naïve-Bayes, Naive Bayes Updateable, Rules.DecisionTable, Lazy. IBL ve Lazy.IBK. yaklaşımlarının sonuçlarından daha iyi olduğu açıktır. Kural-tabanlı (w2cRule) yaklaşımımız için geçerliliği denetlendiğinde, belirli bir referansın kural-tabanlı (RB) sınıflandırıcısının doğru sınıflandırılmış örneklerin % 82.19'u ile en yüksek doğruluğa sahip olduğu görülürken, Karar Ağacı (DT) Destek Vektör Makinesinin (SVM), Rastgele Orman (RF) ve Bayes Net (BN) sırasıyla % 81.72, % 81.49, % 81.19 ve % 77.85 doğruluk oranlarına sahiptirler ve Geçici Spesifiklik Skoru (TSS) sınıflandırıcısı referans alınan örneklerin % 77.19'unu doğru bir biçimde sınıflandırmıştır. Bununla beraber, kelimeden vektöre kural tabanlı sınıflandırıcımız (w2vRule) Reuter 21578 veri kümesi durumunda % 73 hassasiyet, % 77.61 geri çağırma, % 75.09 F-Ölçümü, % 10.09 hata oranı ve % 89.91 doğruluk ölçüm seviyeleri gözlemlenmiştir. Bundan dolayı, önceki kural tabanlı ve makine öğrenme sınıflandırıcıları ile kıyasladığımızda en iyi sonuçları vermiştir.Doctoral Thesis Tek Yönlü Bağlara Sahip Kablosuz Algılayıcı Ağlarda Yaşam Ömrü Eniyilemesi için Tasarım Uzayının İncelenmesi(2012) Özyer, Sibel Tarıyan; Koyuncu, Murat; Tavlı, BülentKablosuz algılayıcı ağlarda, enerji verimliliği en önemli tasarım amaçlarından biridir. Maksimum enerji verimliliği ile en uzun yaşam süresini sağlayan ağ mimarisinin elde edilmesi, tasarım parametrelerinin ayrıntılı ve sağlam şekilde araştırılmasını gerektirir. Tek yönlü bağlar kablosuz iletişim ve ağlarda çok iyi bilinen bir olgudur. Ancak tek yönlü bağların etkileri kablosuz algılayıcı ağların tasarım ve analizinde yeterince incelenmemiştir. Tek yönlü kablosuz ağ bağlarında, önceki çalışmaların bir çoğu, tek yönlü bağların etkilerini hafifletmek için bazı sezgisel tekniklerin tasarım ve analiziyle sınırlı kalmıştır. Bu tez çalışması tek yönlü bağlara sahip kablosuz algılayıcı ağların yaşam ömrüne olan etkisini araştırmaktadır. Parametre değişikliklerinin sonuçları ve değişikliklerin eniyi yaşam ömrü üzerindeki rolü gözlemlenmiştir. Sonra, elde edilen sonuçlar sadece çift yönlü bağlara sahip algılayıcı ağlarla karşılaştırılmıştır. Ana analiz aracı olarak doğrusal programlama kullanılmıştır.Doctoral Thesis Görüntü İşleme Yöntemleri Kullanarak Otomatik Spırulina Tespiti(2019) Sıddık, Othman; Bostan, AtilaBu tezde Spirulina'nın otomatik tespiti üzerine bir çalışma sunulmuştur. Spirulina 4 türe sahip bir tür alg mikroorganizmadır ve su kalitesinin tespitinde, takibinde ve gözlemlenmesinde oldukça yararlıdır. Bu tezin katkısı, Spirulina'nın sudaki teşhisine yardımcı olmak için otomatik bir sistem geliştirmek ve bu yöntemin uygulanabilirliğini göstermek olmuştur. Mikroskobik görüntülerde Spirulina'nın hızlı ve doğru bir şekilde teşhis edilebilmesi diğer tüm alg türlerinin tespiti için de çok önemlidir. Su kalitesinin belirlenmesinde, Spirulina tür ve miktarını tespit etmek için manuel yöntemler kullanılmaktadır. Ancak insan dikkat ve hatasına bağlı olan bu yöntem yanlış sonuçlara yol açabilmektedir. Mikroskobik su görüntülerinde algleri uzmanlar aracılığı ile, tespit etmek oldukça zor ve yoğun çaba gerektirmektedir. Spirulina'nın otomatik tespiti boyut, şekili, iklimsel değişiklikleri, büyüme periyotları ve su kirliliği gibi sebepler nedeniyle zor bir işlemdir. Günümüzde spirulina'nın otomatik olarak tespiti, uygulamalı biyoloji alanında öncelikle ihtiyaç duyulan konulardan biridir. Diğer taraftan, Derin-Öğrenme ve Evrişimli Sinirsel Ağlar (CNN) sayısal görüntülerde nesne tanıma işlemlemlerinde daha iyi sonuçlar sağlamakta ve görüntü sınıflandırma problemlerinde yaygın olarak kullanılmaktadır. Bu tezde, mikroskobik görüntülerde Spirulina tespit etme problemini çözmek için başarılı olup olmadığını göstermek amacıyla, CNN yöntemi de test edilmiştir. Türkiye'deki nehir ve göllerden toplanan orijinal görüntüler arasından yapay görüntü yaratma yöntemi kullanarak kapsamlı bir veri kümesi hazırlanmıştır. Orjinal mikroskobik görüntüler yapay görüntü yaratma yöntemi kullanılarak çoğaltılmış ve bu çalışma için özel bir set oluşturulmuştur. Sonuç olarak, görüntü seti, farklı aydınlatma koşullarını içerecek şekilde 1000 görüntüye çıkartılmıştır. Orijinal görüntüler Türkiye'deki nehir ve göllerden toplanmıştır. Bu tezde, bir mikroskobik-görüntüde Spirulina'nın tespitinde görüntü işleme ve özellik çıkarma sonuçları raporlanmıştır. İlk olarak, Spirulina'nun mikroskobik-görüntüde tespit edilmesi için RGB görüntü formatı üzerinde morfolojik işlemler kullanılmıştır. Bu yöntemle %84 oranında tespit-başarısı gözlemlenmiştir. Daha sonra, karşılaştırma amacıyla üç farklı yöntem denenmiştir. Bu yöntemler ve ilgili tespit-başarı oranları ise; SURF 63%, FAST 67%, CNN 99% doğruluk oranı olarak belirlenmiştir. Doğal olarak, gelecekte yapılacak çalışmaların, bu çalışmaları daha ileri götüreceği görülebilmektedir. Bu tez çalışmasında, mikroskobik görüntülerde Spirulinanın otomatik olarak tespiti için CNN ilk defa denenmiştir. Spirulinanın dört farklı türünün tespiti için CNN yöntemi de kullanılmıştır. Gözlemlenen, sonuçlar karşılaştırmalı ve ayrıntılı olarak tartışılmıştır. Bilgimiz dahilindeki literatür ve araştırma sonuçları uyarınca bu çalışma, mikroskobik görüntülerde otomatik Spirulina tespiti probleminde CNN yöntemi kullanılan ilk çalışmadır. Anahtar Kelimeler: Spirulina, Otomatik tespit, Morfolojik özellik, Özellik analizi, Görüntü elde etme, Derin öğrenme, Evrişimli sinirsel ağlar, Sınıflandırma, Spirulina tespiti.