15 results
Search Results
Now showing 1 - 10 of 15
Article Gerçek Zamanlı Polip Tespiti: YOLOv5 ve YOLOv6'nın Hız ve Performans Analizi(2025) Demirel, Semih; Abdulkadir,; Karatas, Hakan; Çelikten, Azer; Bingol, Ece; Akpulat, Andac; Gültekin, İdrisKolorektal kanser, kolonoskopi sırasında gözden kaçan poliplerin bilgisayar destekli teşhis sistemi ile tespit edilmesiyle potansiyel olarak önlenebilir. Bu nedenle, endoskopi uzmanlarına yardımcı olmak amacıyla, polipleri gerçek zamanlı olarak tespit eden bir teşhis algoritması geliştirildi. Polip tespiti için you look only once v5 (yolov5) ve you look only once v6 (yolov6) modelleri kullanıldı. Açık kaynaklı verilere ek olarak, nesne tespiti modellerini eğitmek için yeni bir özel veri seti de kullanıldı. Sonuçlara göre, yolov5x ve yolov6l sırasıyla 0.896 ve 0.913 mean average precision 50 (mAP50) oranlarına ulaştı. Yolov5x ve yolov6l karşılaştırıldığında, yolov5x'in hassasiyet açısından daha iyi olduğu, yolov6l'nin ise duyarlılık açısından daha iyi olduğu sonucuna varıldı. Modeller diğer çalışmalardaki sonuçlarla karşılaştırıldığında, yolov5x 0.876 f1-skoru oranıyla diğer çalışmalardan daha iyi performans sergilerken, yolov6l 0.893 duyarlılık oranıyla diğer çalışmaları geride bıraktı.Article 4b Fmrı Tabanlı Alzheimer Hastalığının Ön Tespiti için 3b-capsnet ve Rnn Modellerinin Kullanılması(2024) İsmail, Ali; Dalveren, Gonca Gökçe MenekşeAlzheimer hastalığının (AH) ilerlemesinin erken tahmini, bilişsel gerilemenin daha etkili bir şekilde yavaşlatılmasına yardımcı olabilmektedir. Dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (dd-fMRG) kullanılarak otomatik AH tanısı için evrişimli sinir ağlarına (ESA) dayalı farklı yöntemlerin uygulanmasına yönelik çeşitli çalışmalar yapılmıştır. Bu çalışmalarda tanıtılan yöntemler iki büyük zorlukla karşılaşmaktadır. Birincisi, fMRG veri kümeleri küçük boyutta olduğundan aşırı uyum gözlemlenebilmektedir. İkincisi, fMRG oturumlarının 4 boyutlu (4B) bilgilerinin verimli bir şekilde modellenmesi gerekmektedir. Çalışmalardan bazıları, derin öğrenme yöntemlerini, 4B bilgiyi modellemek için fMRG verilerinden oluşturulan fonksiyonel bağlantı matrislerine veya ayrı 2B dilimler veya 3B hacimler olarak fMRG verilerine uygulamıştır. Ancak bu durumun her iki yöntem türünde de bilgi kaybına neden olduğu gözlemlenmiştir. Bu çalışmada, AD tanısı için fMRG verilerinin uzay-zamansal (4B) bilgilerini modellemek amacıyla Kapsül ağı (CapsNet) ve tekrarlayan sinir ağını (RNN) temel alan yeni bir model önerilmektedir. Önerilen modelin etkinliğini değerlendirmek için deneyler yapılmıştır. Sonuçlara göre, önerilen modelin AH’na karşı normal kontrol (NK) ve geç hafif bilişsel bozukluk (GHBB) ile erken hafif bilişsel bozukluk (EHBB) sınıflandırma görevlerinde sırasıyla %94.5 ve %61.8 doğruluk elde edebildiği görülmüştür.Article Neuron Modeling: Estimating the Parameters of a Neuron Model From Neural Spiking Data(Tubitak Scientific & Technological Research Council Turkey, 2018) Doruk, Resat Ozgur; Doruk, OzgurWe present a modeling study aiming at the estimation of the parameters of a single neuron model from neural spiking data. The model receives a stimulus as input and provides the firing rate of the neuron as output. The neural spiking data will be obtained from point process simulation. The resultant data will be used in parameter estimation based on the inhomogeneous Poisson maximum likelihood method. The model will be stimulated by various forms of stimuli, which are modeled by a Fourier series (FS), exponential functions, and radial basis functions (RBFs). Tabulated results presenting cases with different sample sizes (# of repeated trials), stimulus component sizes (FS and RBF), amplitudes, and frequency ranges (FS) will be presented to validate the approach and provide a means of comparison. The results showed that regardless of the stimulus type, the most effective parameter on the estimation performance appears to be the sample size. In addition, the lowest variance of the estimates is obtained when a Fourier series stimulus is applied in the estimation.Article Kamu Hastanelerinin Rol Sınıflandırmasında Veriye Dayalı Bir Yaklaşım: Türkiye’den Kanıtlar(2025) Küçük, Aziz; Bulut, TevfikHastane sınıflandırması, modern sağlık sistemlerinde kaynakların etkin kullanımı, sağlık hizmetlerine erişimin artırılması ve hastaların uygun bakım düzeyine yönlendirilmesi açısından kritik bir rol oynamaktadır. Çalışmanın amacı, Türkiye’deki kamu hastanelerinin rol sınıflarını Rastgele Orman (Random Forest, RF) sınıflandırma algoritması kullanarak öngörmektir. Bu çalışma, Türkiye’de kamu hastanelerinin rol sınıflandırması üzerine doğrudan yürütülen ilk çalışmadır. Çalışmada, Türkiye genelinde sekiz farklı rol sınıfına ayrılmış 716 kamu hastanesine ait veriler analiz edilmiştir. İki farklı RF modeli (Model 1 ve Model 2) geliştirilmiş ve bu modeller genel doğruluk, Cohen’in Kappa katsayısı, eğri altı alan (AUC), F1 skoru ve dengelenmiş doğruluk gibi çeşitli performans göstergeleriyle karşılaştırmalı olarak değerlendirilmiştir. Yapılan performans değerlendirmesinde, RF Model 2’nin Model 1’e kıyasla üstün sonuçlar verdiği görülmüştür. Model 2, Model 1’e kıyasla daha yüksek doğruluk (%96,82’ye karşı %95,82), daha iyi Kappa katsayısı (0,9612’ye karşı 0,9489) ve daha yüksek AUC değeri (0,9889’a karşı 0,9863) elde etmiştir. Bu nedenle, Türkiye’deki kamu hastanelerinin rol sınıflarının öngörülmesinde Model 2’nin kullanılması önerilmektedir. Önerilen yöntem, farklı ülkelerdeki hastanelerin sınıflandırılmasında da uyarlanabilir ve sağlık yöneticilerine stratejik planlama ve kaynak tahsisinde veri temelli destek sağlayabilir.Article Citation - WoS: 7Citation - Scopus: 10Comparison of Three Different Learning Methods of Multilayer Perceptron Neural Network for Wind Speed Forecasting(Gazi Univ, 2021) Bulut, Mehmet; Tora, Hakan; Buaisha, Dr.magdi; Buaisha, MagdiIn the world, electric power is the highest need for high prosperity and comfortable living standards. The security of energy supply is an essential concept in national energy management. Therefore, ensuring the security of electricity supply requires accurate estimates of electricity demand. The share of electricity generation from renewables is significantly growing in the world. This kind of energy types are dependent on weather conditions as the wind and solar energies. There are two vital requirements to locate and measure specific systems to utilize wind power: modelling and forecasting of the wind velocity. To this end, using only 4 years of measured meteorological data, the present research attempts to estimate the related speed of wind within the Libyan Mediterranean coast with the help of ANN (artificial neural networking) with three different learning algorithms, which are Levenberg-Marquardt, Bayesian Regularization and Scaled Conjugate Gradient. Conclusions reached in this study show that wind speed can be estimated within acceptable limits using a limited set of meteorological data. In the results obtained, it was seen that the SCG algorithm gave better results in tests in this study with less data.Article Citation - Scopus: 10Modeling of Daily Groundwater Level Using Deep Learning Neural Networks(Murat Yakar, 2023) Othman, Mohammed Moatasem OthmanGroundwater is an essential water source, becoming more vital due to shortages in available surface water resources. Hence, monitoring groundwater levels can show the amount of water available to extract and use for various purposes. However, the groundwater system is naturally complex, and we need models to simulate it. Therefore, we employed a deep learning model called CNN-biLSTM neural networks for modeling groundwater, and the data was obtained from USGS. The data included daily groundwater levels from 2002 to 2021, and the data was divided into 95% for training and 5% for testing. Besides, three deep CNN-biLSTM models were employed using three different algorithms (SGDM, ADAM, and RMSprop(. Also, Bayesian optimization was used to optimize parameters such as the number of biLSTM layers and the number of biLSTM units. The model's performance was based on Spearman's Rank-Order Correlation (r), and the model with SGDM showed the best results compared to other models in this study. Finally, the CNN model with LSTM can simulate time series data effectively.Article Yapay Zekâ Entegrasyonu ve Sosyal İnovasyon: Sürdürülebilir Kalkınma Amaçlarıyla Uyumlu Disiplinlerarası Araştırma Eğilimleri(2024) Yılmaz, Ayşe AslıBu çalışma, Yapay Zeka (YZ), Makine Öğrenimi, Doğal Dil İşleme (NLP) ve Prompt Mühendisliği'nin sosyal bilimlere entegrasyonunu ve bu teknolojilerin işbirlikçi ağlar, tematik gelişmeler ve Sürdürülebilir Kalkınma Amaçları (SKA'lar) ile uyumlu araştırma eğilimleri üzerindeki etkilerini incelemektedir. Bibliyometrik analiz ve konu modelleme yöntemlerini kullanan araştırma, son on yılı kapsayan Web of Science (WoS) veri tabanından elde edilen 389 yayını analiz etmektedir. Bulgular, bu teknolojilerin sosyal bilimlerle kesişiminde disiplinlerarası araştırmalarda önemli bir büyüme olduğunu ve özellikle yönetim, işletme ve çevre çalışmaları alanlarında kayda değer katkılar yapıldığını ortaya koymaktadır. Çalışma, YZ'nin ürün geliştirmede yenilikçi uygulamaları, enerji sektöründeki ilerlemeler ve eğitim ile sağlık alanlarındaki kullanımı gibi ana temaları belirlemektedir. Araştırma, YZ'nin sürdürülebilir kalkınmayı desteklemedeki dönüştürücü potansiyeline vurgu yaparken, etik kaygıların ele alınmasının ve sorumlu bir şekilde uygulanmasının önemine de dikkat çekmektedir. Bu çalışma, YZ ve ilgili teknolojilerin sosyal bilimleri nasıl yeniden şekillendirdiği ve küresel sürdürülebilirlik hedeflerine ulaşmada oynadığı rol hakkında daha derin bir anlayışa katkı sağlamaktadır.Article Sağlık Sektöründe Yapay Zeka Kullanımı(2024) Koyuncu, Murat; Göçer, SafiyeArtificial intelligence (AI) has profound effects not only on the medical sector but also on many other sectors. AI, whose theoretical foundations were laid in the 1950s, has since developed into different AI subfields. Recently, two prominent subfields within the scope of AI have been machine learning (ML) and deep learning (DL) techniques. ML is focused on analyzing existing data to make predictions, and DL employs neural networks to mimic the functioning of the human brain. Today, observing many projects and even daily applications related to the use of AI in different areas such as medical imaging, diagnosis, drug development, and personalized treatment plans is possible in the health sector. For example, in the field of radiology, making earlier and more precise diagnoses using AI to increase the speed and accuracy of medical image analysis has become possible. Robotic surgery platforms, such as the Da Vinci Surgical System, have begun to integrate AI to automate tasks and improve surgical safety. With smartphones, wearable technologies, and Internet of Things applications, AI-powered healthcare solutions are becoming more accessible and effective. This paper aims to provide a brief overview of AI, examine its contributions and real-world applications in healthcare, assess its impact on medical education, and discuss the ethical challenges of its integration into the medical field. By providing insights into the potential of AI, this study aims to provide healthcare professionals a comprehensive perspective on the role of AI in modern medicine.Article Mobile Robot Navigation Using Reinforcement Learning in Unknown Environments(2019) Khan, M. U.In mobile robotics, navigation is considered as one of the most primary tasks, which becomes more challenging during local navigation when the environment is unknown. Therefore, the robot has to explore utilizing the sensory information. Reinforcement learning (RL), a biologically-inspired learning paradigm, has caught the attention of many as it has the capability to learn autonomously in an unknown environment. However, the randomized behavior of exploration, common in RL, increases computation time and cost, hence making it less appealing for real-world scenarios. This paper proposes an informed-biased softmax regression (iBSR) learning process that introduce a heuristic-based cost function to ensure faster convergence. Here, the action-selection is not considered as a random process, rather, is based on the maximum probability function calculated using softmax regression. Through experimental simulation scenarios for navigation, the strength of the proposed approach is tested and, for comparison and analysis purposes, the iBSR learning process is evaluated against two benchmark algorithms.Article Recurrent Neural Networks for Spam E-Mail Classification on an Agglutinative Language(2020) Işık, Şahin; Kurt, Zuhal; Anagun, Yildiray; Özkan, KemalIn this study, we have provided an alternative solution to spam and legitimate email classification problem. The different deep learning architectures are applied on two feature selection methods, including the Mutual Information (MI) and Weighted Mutual Information (WMI). Firstly, feature selection methods including WMI and MI are applied to reduce number of selected terms. Secondly, the feature vectors are constructed with concept of the bag-of-words (BoW) model. Finally, the performance of system is analyzed with using Artificial Neural Network (ANN), Long Short-Term Memory (LSTM) and Bidirectional Long Short-Term Memory (BILSTM) models. After experimental simulations, we have observed that there is a competition between detection results of using WMI and MI when commented with accuracy rates for the agglutinative language, namely Turkish. The experimental scores show that the LSTM and BILSTM give 100% accuracy scores when combined with MI or WMI, for spam and legitimate emails. However, for particular cross validation, the performance WMI is higher than MI features in terms e-mail grouping. It turns out that WMI and MI with deep learning architectures seem more robust to spam email detection when considering the high detection scores.
