TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
2 results
Search Results
Article Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması(Gazi Üniversitesi, 2017) Kaynar, Oğuz; Aydın, Zafer; Görmez, Yasin-- Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştirArticle Hydroponic Agriculture with Machine Learning and Deep Learning Methods(Gazi Mühendislik, 2023) Bulut,Nurten; Hacıbeyoğlu, MehmetIn the face of the rapidly increasing population of our world today, researchers have turned to studies that use existing resources more effectively and efficiently in addition to searching for new resources in order to meet the rapidly decreasing needs such as raw materials and nutrients. The use of hydroponic agriculture, which is one of the alternative methods that can be used to meet the need for nutrients, which is one of the greatest needs of humanity, has become more popular day by day. The use of nutrient solution water instead of soil, the fact that it is not affected by weather conditions, that it can be applied indoors and that it can be vertically oriented are the characteristics that make hydroponic agriculture different from other agricultural methods. In addition, the lack of soil in this agricultural method brings with it the need for more observation and supervision. The aim of this study is to show that the observation and surveillance needs necessary to increase yield in hydroponic agriculture can be achieved using machine learning and deep learning methods. For this purpose, it has been observed that the efficiency of hydroponic agriculture has been increased in experimental studies conducted using five machine learning and deep learning methods. The deep learning method has achieved better results with 99.7% success compared to other methods.