18 results
Search Results
Now showing 1 - 10 of 18
Conference Object Citation - Scopus: 4Convolution Neural Network (cnn) Based Automatic Sorting of Cherries(Institute of Electrical and Electronics Engineers Inc., 2021) Park,H.; Khan,M.U.Cherries are spring fruits enriched with nutrients, and are easily available in food markets around the world. Due to their excess demand, many enterprises solely focused on their processing. Cherries are especially susceptible to pathological-, physiological-diseases and structural degradation due to their soft outer skin. The post-harvest life of the fruit is limited by various characteristics. The agricultural industry has also been at the forefront to get benefits from the advanced machine learning tools. This study presents an image processing-based system for sorting cherries using the convolutional neural network (CNN). For this study, Prunus avium L cherries of export quality, available in Turkey, tagged as ‘0900 Ziraat’, are used. Surprisingly, there exists no dataset for these cherries; hence, we developed our dataset. Through the proposed approach based upon U-Net, the binary classification accuracy of 99% is achieved. Clear identification is demonstrated by the test results of varying mixture ratios of good and bad cherries. It can therefore be said that for cherry sorting and grading, U-Net can be applied as a reliable and promising machine learning tool. ©2021 IEEEMaster 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.Article Citation - WoS: 2Citation - 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 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.Article Citation - WoS: 16Citation - Scopus: 19Enhancement of Quality and Quantity of Woody Biomass Produced in Forests Using Machine Learning Algorithms(Pergamon-elsevier Science Ltd, 2023) Peng, Wei; Sadaghiani, Omid KarimiForest is considered a significant source of woody biomass production. Sustainable production of wood, lower emittance of CO2 from burning, and lower amount of sulfur and heavy metals are the advantages of wood rather than fossil fuels. The quality and quantity of woody biomass production are a function of some operations including genetic modifications, high-quality forestry, evaluation, monitoring, storage, and transportation. Due to surveying numerous related works, it was found that there is a considerable reviewing gap in analyzing and collecting the applications of Machine Learning in the quality and quantity of woody biomass. To fill this gap in the current work, the above-mentioned operations are explained followed by the applications of Machine Learning algorithms. Conclusively, Machine Learning and Deep Learning can be employed in estimating main effective factors on trees growth, classification of seeds, trees, and regions, as well as providing decision-making tools for farmers or governors, evaluation of biomass, understanding the relation between the woody bimass internal structure and bio-fuel production, the ultimate and proximate analyses, prediction of wood contents and dimensions, determination of the proportion of mixed woody materials, monitoring for early disease identifi-cation and classification, classifying trees diseases, estimating evapotranspiration, collecting information about forest regions and its quality, nitrogen concentration in trees, choosing viable storage sites for storage depots and improving the solution, classifying different filling levels in silage, estimating acetic acid synthesis and aerobic reactions in silage, determining crop quantity in silo, estimating the methane production, and monitoring and predicting water content, quality and quantity of stored biomass, forecasting the demand, path way and on-time performance predicting, truck traffic predicting, and behavioral analysis and facility planning.Article Citation - WoS: 6Citation - Scopus: 11Beyond Rouge: a Comprehensive Evaluation Metric for Abstractive Summarization Leveraging Similarity, Entailment, and Acceptability(World Scientific Publ Co Pte Ltd, 2024) Briman, Mohammed Khalid Hilmi; Yıldız, Beytullah; Yildiz, Beytullah; Yıldız, BeytullahA vast amount of textual information on the internet has amplified the importance of text summarization models. Abstractive summarization generates original words and sentences that may not exist in the source document to be summarized. Such abstractive models may suffer from shortcomings such as linguistic acceptability and hallucinations. Recall-Oriented Understudy for Gisting Evaluation (ROUGE) is a metric commonly used to evaluate abstractive summarization models. However, due to its n-gram-based approach, it ignores several critical linguistic aspects. In this work, we propose Similarity, Entailment, and Acceptability Score (SEAScore), an automatic evaluation metric for evaluating abstractive text summarization models using the power of state-of-the-art pre-trained language models. SEAScore comprises three language models (LMs) that extract meaningful linguistic features from candidate and reference summaries and a weighted sum aggregator that computes an evaluation score. Experimental results show that our LM-based SEAScore metric correlates better with human judgment than standard evaluation metrics such as ROUGE-N and BERTScore.Conference Object Citation - Scopus: 2AI-Driven Drought Management System: A Turkish Case Study(Institute of Electrical and Electronics Engineers Inc., 2023) Sabamehr,M.; Ekin,C.C.Nowadays, drought is one of the trending topics in the world that has turned into a challenge for the world. By developing countries and cities worldwide, especially in the economic aspect, governments started to damage the environment such as through the use of fossil fuels, pollution of the seas, unregulated use of fresh water also deforestation for personal purposes. The presented research aims to change the format of drought mitigation strategies from traditional ways into the up to date treats. Leveraging AI technologies, including machine learning algorithms and data analytics, a comprehensive AI-driven drought management system is designed and implemented. In this system, inconsistent data have been obtained from the Ministry of Agriculture and Forestry organization and transformed into insightful data and analyzed in real-Time style to provide the status of agricultural products in Turkey. This research contributes to the fields of environmental science and agriculture by innovatively augmenting traditional approaches with AI-driven solutions. Ultimately, our research offers a means to monitor weather conditions in different regions of Turkey, moving beyond manual drought prediction and guesswork that were prevalent in previous systems. Additionally, it facilitates the evaluation of vegetation health by considering precipitation and temperature averages in each area. © 2023 IEEE.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.Review Citation - WoS: 4Citation - Scopus: 6A Systematic Review on Smart Waste Biomass Production Using Machine Learning and Deep Learning(Springer, 2023) Peng, Wei; Sadaghiani, Omid KarimiThe utilization of waste materials, as an energy resources, requires four main steps of production, pre-treatment, bio-refinery, and upgrading. This work reviews Machine Learning applications in the waste biomass production step. By investigating numerous related works, it is concluded that there is a considerable reviewing gap in the surveying and collecting the applications of Machine Learning in the waste biomass. To fill this gap with the current work, the kinds and resources of waste biomass as well as the role of Machine Learning and Deep Learning in their development are reviewed. Moreover, the storage and transportation of the wastes are surveyed followed by the application of Machine Learning and Deep Learning in these areas. Summarily, after analysis of numerous papers, it is concluded that Machine Learning and Deep Learning are widely utilized in waste biomass production areas to enhance the waste collecting quality and quality, improve the predictions, diminish the losses, as well as increase storage and transformation conditions.
