6 results
Search Results
Now showing 1 - 6 of 6
Article Citation - WoS: 1Citation - Scopus: 3Modeling of Kappa Factor Using Multivariate Adaptive Regression Splines: Application To the Western Türkiye Ground Motion Dataset(Springer, 2024) Kurtulmus, Tevfik Ozgur; Yerlikaya-Ozkurt, Fatma; Askan, AysegulThe recent seismic activity on Turkiye's west coast, especially in the Aegean Sea region, shows that this region requires further attention. The region has significant seismic hazards because of its location in an active tectonic regime of North-South extension with multiple basin structures on soft soil deposits. Recently, despite being 70 km from the earthquake source, the Samos event (with a moment magnitude of 7.0 on October 30, 2020) caused significant localized damage and collapse in the Izmir city center due to a combination of basin effects and structural susceptibility. Despite this activity, research on site characterization and site response modeling, such as local velocity models and kappa estimates, remains sparse in this region. Kappa values display regional characteristics, necessitating the use of local kappa estimations from previous earthquake data in region-specific applications. Kappa estimates are multivariate and incorporate several characteristics such as magnitude and distance. In this study, we assess and predict the trend in mean kappa values using three-component strong-ground motion data from accelerometer sites with known VS30 values throughout western Turkiye. Multiple linear regression (MLR) and multivariate adaptive regression splines (MARS) were used to build the prediction models. The effects of epicentral distance Repi, magnitude Mw, and site class (VS30) were investigated, and the contributions of each parameter were examined using a large dataset containing recent seismic activity. The models were evaluated using well-known statistical accuracy criteria for kappa assessment. In all performance measures, the MARS model outperforms the MLR model across the selected sites.Master Thesis Makine Öğrenmesi Algoritmalarının Oyun Seviyelerinin Zorluklarının Belirlenmesinde Kullanılması(2020) Şahbenderoğlu, Turan Ozan; Karakaya, ZiyaIn game design, adjusting difficulty is one of the key aspects of financial success. However, this task is costly since it is time-consuming. In the literature, there are very limited studies according to determining the game difficulty. Instead, almost every study is about difficulty adjustment which skips the determining process. This thesis aims to develop a game environment to observe if the machine learning can determine the difficulty of a game and the game levels. For this purpose, a game with five different levels from easy to hard is developed in Unity Engine. A machine learning agent that uses reinforcement learning is also developed and each game level used as learning environment of the agent. In general, the learning process shows that the Cumulative Reward of the agents is decreased as levels become harder. The complexity of the game significantly decreases Cumulative Rewards. The results of this thesis have shown that those level difficulties of a game can be determined by comparing the reinforcement learning agent's performance on collecting rewards in the training area. In other words, machine learning algorithms have a big potential to support the game design phase of the game development process when it comes to determining the level of difficulties.Master Thesis Makine Öğrenmesinde, Farklı Veri Temizleme Tekniklerlerinin Sonuç Ölçevleri Üzerindeki Etkisinin İncelenmesi(2022) Abbas, Israa Mustafa; Toker, SacipE-ticaret platformları ve çevrimiçi uygulamalar nedeniyle verilerin katlanarak büyümesi, veri analizi ve işlenmesi için büyük bir zorluk yarattı. Artık internetteki e-ticaret sitelerinin müşterilerinin satın aldıkları ürünler hakkında yorum yazmalarını sağlamak sık kullanılan bir uygulamadır. Bu incelemeler, bu ürünler hakkında değerli bilgi kaynakları sağlar. Bir ürün incelemesi, tüm çevrimiçi ürün şirketlerinde kullanılan duygusal analiz için önemli bir veri kaynağı içerir. Bu büyük miktarda veri etkisi büyük bir zorluk yaratır. Ancak, bu veri kümelerinin farklı veri sorunları vardır. Çoğu durumda, genellikle veriler yayınlanmadan önce çeşitli veri madenciliği teknikleri kullanılır. Mekansal olarak, görünmeyen verileri tahmin etmek için geçmiş ve etiketlenmiş veriler üzerinde eğitilen denetimli makine öğrenimi modellerinde, modelin daha önce öğrenmediği veriler. Bu tezde ayrıca makine öğrenmesinde deney çalışması tasarımına odaklandık. [1]. Bir sebep-sonuç ilişkisi bulmak için düzenli olarak Ronald Fisher'ın teorilerini [2] uygularız. Bu deneysel çalışma tasarımını uygulamak için, doğal dil işleme (NLP) yaklaşımı olan duygusal analiz ile denetimli makine öğrenmesi sınıflandırma algoritmalarını seçtik. Kuruluşların bir ürün veya hizmet hakkındaki görüşleri tanımlaması ve kategorilere ayırması için ortak bir yol. Duyguları ve öznel bilgileri elde etmek için metin madenciliği yapmak için veri madenciliği, makine öğrenimi ve yapay zeka kullanmayı içerir [3]. Bu çalışma, beş deney grubunun (yinelenen veri, noktalama işaretleri, durdurma sözcükleri, limmatezr, TF-IDF transform) etkisini analiz etmek ve bunları bir kontrol grubuyla karşılaştırmak (veri temizleme işlemi yapılmamış) için Multinominal Naïve Bays, Random Forest ve Lojistik Regresyon ile kurulmuştur. Uygulamalı. Deney grubunun üç modelin verimliliğine ve sınıflandırma oranına etkisini belirlemek ve ilginç gözlemleri açıklamak. Simülasyonlar, yirmi dört farklı kategoriden Amazon Product Review veri kümesinden rastgele seçilen 353 proje üzerinde çalıştırıldı. Böylece, veri seti Amazon.com'dan McAuley ve Leskovec [4][5] tarafından toplanmıştır. Metrik veri seti toplandıktan sonra analiz için SPSS yazılımı kullanılmıştır. Bu araştırma sorusunu ve kullanılan ölçeğin tanımlayıcı istatistiklerini incelemek için tekrarlı ölçüm ANOVA yapılmıştır. Analizin sonucu, veri temizlemenin makine öğrenimi modellerinin performansı üzerinde farklı bir etkisinin olduğunu göstermektedir. Aynı durumlarda rasgele ormanda olumlu, çok taraflı naif koylarda ve lojistik regresyonda olumsuz etkilenir. Diğer durumlarda, hiçbir etkisi olmadı. Genel olarak, deneysel sonuçlar Random Forest sınıflandırıcısının, Multinominal Naive Bayes sınıflandırıcısına ve Logistic Regression sınıflandırıcısına göre veri temizlemeye daha duyarlı olduğunu ve iki algoritmanın da temiz olmayan veri setinde yüksek bir sınıflandırma puanı elde ettiğini göstermiştir. Ayrıca, deney sonuçları, veri sorunları davranışının makine öğrenimi modelinde farklılık gösterdiğini gösterdi. Tüm makine öğrenimi algoritmalarında veri kalitesi sorunlarını alakasız veriler olarak kabul edemeyiz.Master Thesis Kolektif Derin Öğrenme ve Transfer Öğrenme Yoluyla Mahsul ve Meyve Sınıflandırması(2023) Daşkın, Zeynep Dilan; Khan, Muhammad UmerSon yıllarda yapılan teknolojik gelişmeler, tarım sektörünü hızlı bir şekilde yeniden şekillendirerek, daha önce kullanılmakta olan geleneksel metotlarda devrim yaratıyor ve insanlık için daha sürdürülebilir ve üretken bir geleceğin yolunu açıyor. Tarım sektörü, makine öğrenmesi, sensor ve mekanizmaları kullanarak otomatikleşirken, aynı zamanda verimlilik artımı, kaynak yönetimi ve mahsul sağlığı açısından da köklü bir değişim yaşıyor. Bu tez çalışmasında, son teknoloji makine öğrenimi tabanlı görüntü işleme teknikleri ve algoritmaları kapsamlı bir şekilde araştırılmış ve analiz edilmiştir. Amaç, çeşitli mahsulleri, meyveleri ve sebzeleri doğru bir şekilde tespit eden, tanımlayan ve sınıflandıran sağlam metodolojiler geliştirmektir. Nihai hedef, gelişen tarımsal otomasyon endüstrisine önemli ölçüde katkıda bulunmak, süreçleri kolaylaştırmak ve tarım sektöründe verimliliği arttırmaktır. Gerçek yaşam koşullarına en yakın sonuçları elde etmek için, yazarların kendi oluşturduğu mahsul veri kümeleri bu araştırma boyunca önerilen algoritmalara entegre edilmiş ve kullanılmıştır. Bu çalışma sırasında kullanılan mevcut Evrişimsel Sinir Ağları algoritmaları AlexNet, GoogleNet, InceptionV3, SqueezeNet, DenseNet ve VGG-16'dır. Bu çalışmada, doğruluk, kayıp, F1-skoru, tahmin, kesinlik ve duyarlılık olmak üzere genel değerlendirme metriklerinin performansını yükseltmek için çeşitli gelişmiş algoritmalar araştırılmış ve incelenmiştir. Özellikle, tarımsal otomasyon sisteminin etkinliğini ve güvenilirliğini arttırmayı amaçlayan Kolektif Öğrenme ve Öğrenme Aktarımı adlı iki metot tanıtılmış ve kapsamlı bir şekilde analiz edilmiştir. Çalışmanın sonuçları, önerilen algoritmaların tarım endüstrisinde son derece etkili olduğunu ve istenen sonuçları benzersiz bir doğruluk ve hassasiyetle sunma yeteneklerini kanıtlamaktadır. Bu sonuçlar, bu algoritmaların operasyonel verimliliği önemli ölçüde arttırma, kaynak tahsisini optimize etme ve gelecek için tarımsal otomasyonda sürdürülebilir uygulamaları teşvik etme gibi potansiyellerini de göstermekte ve teyit etmektedir.Master Thesis Bilişsel Radyo Uygulamaları için Yüksek Düzey Kümülant Tabanlı Sınıflandırma(2023) Al-sudanı, Haıder Jalıl Sahıb; Dalveren, Yaser; Thabit, Ahmed A.Modern iletişim sistemleri, kablosuz teknoloji uygulamalarındaki büyük gelişme nedeniyle çok hızlı değişikliklere tanık olmuştur. Bu gelişmeler spektrumun kıtlığına ve verimsizliğine neden olmuştur. Bilişsel Radyo (BR), yüksek spektral verimliliği korumak ve spektrum kıtlığını tedavi etmek için en iyi çözümlerden biri olarak önerilmektedir. BR, kanal yetkili kullanıcısının spektrum kanalını ihtiyaçlarının dışında kaldığında yetkisiz kullanıcıya kullanabilmesi için tahsis eder. Fakat spektrum paylaşımı sinyal paraziti olmadan tamamlanmalıdır. Bu nedenle, BR, frekans spektrumunun düzgün yönetimi ve parazitten kaçınma için birçok algılama tekniğine sahiptir. Başlıca algılama teknikleri; Enerji Algılama (EA), Eşleştirilmiş Filtre Algılama (EFA) ve Özellik Tabanlı Algılama (ÖTA) olarak sınıflandırılabilir. Genel olarak algılama tekniklerinin özellikleri irdelendiğinde uygulama alnına göre her birinin avantajları ve sınırlamaları olduğu söylenebilir. Bu tezde, bir ÖTA için makine öğrenmenin kullanıldığı yeni bir yöntem önerilmiştir. Önerilen yöntemin etkinliğinin değerlendirilebilmesi için bir MATLAB ortamında benzetimler gerçekleştirilmiştir. Bu amaçla, öncelikle çeşitli gürültülü kanallarla farklı modülasyon şemaları oluşturulmuştur. Daha sonra, gürültülü kanallarındaki bozuk sinyallerden yüksek dereceli momentlerin ve kümülantların çıkarılması sağlanmıştır. Bu özellikler, sinyal ve gürültüyü ayırt etmedeki güçlerine göre seçilmiştir. Tespit sonuçları, destek vektör makine (DVM) sınıflandırıcısında kullanılarak dedektörden elde edilen tespit olasılıkları (Pd) hesaplanmıştır. En yüksek Pd değerinin, istatistiksel tespitte 3 yüksek dereceli kümülant ile elde edilebileceği gösterilmiştir. Aynı Pd değeri, işlenen veri miktarını azaltan ve detektör karmaşıklığını basitleştiren 1 yüksek dereceli kümülant ile DVM sınıflandırıcısı kullanılarak elde edilebilmektedir.Master Thesis Sağlık Tahmininde Optimizasyon Tekniklerinin Kullanılması(2020) Malık, Muhammad Sufyan; Yazıcı, Ali; Yazıcı, Ali; Yazıcı, Ali; Khan, Muhammad Umer; Software Engineering; Software EngineeringGünümüz dünyasında modern teknolojinin kullanımı tıp bilimi alanında birçok gelişme sağlamıştır. Yine de, tüm ilerlemelerle birlikte, çoğu hastalığın tanı ve tedavisi zor bir görev olarak kabul edilmektedir. Diyabet rahatsızlığı, erken evrelerinde tanıyı araştırmak yerine semptomlarla mücadele için daha fazla çalışılmıştır. İnsülin ve insülin emisyon eksikliğine direnç kombinasyonu tip-2 diyabet üretir. Tip-2 yüksek nüfuzludur ve hala artmaktadır. Bununla birlikte, DMT2'nin tanımlanması bir ikilemdir. DMT2 erken bir aşamada tanımlanabilirse, daha az önleyici tedbirler gerekli olacaktır ve kişi yine de sağlıklı ve kaygısız bir yaşam sürdürebilir. Veri madenciliği teknikleri kullanan birçok sağlık kehanet sistemi yerleşik sağlık segmentleri vardır. Optimizasyon teknikleri de daha kesin ve verimli sonuçlar sağlayabilir. Bu çalışmada, sınıflandırma doğruluğunu ve SVM, DT, LR gibi mevcut sınıflandırıcılar arasındaki karşılaştırmayı bulmak için dışbükey optimizasyonda En Küçük kare, Karesel programlama ve Lagrangian Yöntemi kullanılmıştır. Bu araştırma, optimizasyon tekniklerinin sağlık hastalığını öngörmek veya teşhis etmek için kullanılabileceğini ve diğer sınıflandırıcılara göre daha iyi sonuçlar verebileceğini göstermektedir. Anahtar Kelimeler: Makine Öğrenmesi, Optimizasyon Teknikleri, Doğrusal Programlama, En Küçük Kareler Yöntemi, İkinci Derece Programlama, Lagrange Yöntemi, Şeker hastalığı