Yüksek Lisans Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5799
Browse
Search Results
Master Thesis İş Zekası için Makine Öğrenmesi Yöntemlerinin Geliştirilmesi(Abdullah Gül Üniversitesi, 2018) KABORE, KADER MONHAMADY; Kabore, Kader Monhamady; Aydın, ZaferAnahtar özelliklerin tespiti, verilerin artması ve büyük belgelerin daha hızlı ve kolay erişilebilir olmasından dolayı giderek ilgi duyulan bir araştırma alanıdır. Anahtar özellik, belgeler için meta veri görevi görür ve doğru özelliklerin keşfi sayesinde, uzun metinlerden önemli bilgi parçalarının yakalanmasını sağlar. Anahtar özellikler, internet alanında giderek artan web sitelerinden daha hızlı ve verimli bilgi keşfetme imkanı sağlayabilir. Bu tezde, verilen bir web sayfası metninden şirket ismini otomatik olarak tespit eden iki aşamalı yeni bir makine öğrenmesi yöntemi geliştirilmiştir. İlk aşamada verilen bir kelimenin şirket ismi olup olmadığını tahmin eden bir sınıflandırma yöntemi geliştirilmiştir. Yöntemin kullandığı öznitelikler doğal dil işleme teknikleri ile ve metinsel verilerdeki örüntülerin incelenmesi sonucu kelimelerin özelliklerini ve içeriğe ilişkin anlamını yansıtacak şekilde çıkarılmıştır. Bu öznitelikler daha sonra naive Bayes, karar ağacı ve rastgele orman gibi sınıflandırma yöntemlerine girdi parametresi olarak aktarılmaktadır. İkinci aşama içinse kural tabanlı bir sınıflandırma yöntemi geliştirilmiştir. Bu yöntem alan ve başlıktaki kelimelerini de tarayarak simge benzerlik ölçütleri ile şirket ismi olmaya aday olan kelimeleri sıralamakta ve en yüksek skorlu kelimeleri şirket ismi olarak tahmin etmektedir. Yapılan deneyler sonucunda birinci aşamadaki sınıflandırıcı ile yüksek hassasiyet oranı elde edilirken özellike zor olan bazı metinlerdeki şirket isimlerinin tanımsız kategorisine atandığı gözlenmiştir. Diğer taraftan kural tabanlı sınıflandırma yöntemi ile yüksek doğruluk oranı elde edilmiştir ancak bu yöntemin hassaslık oranı birinci aşamadaki yöntemden daha düşüktür. İki sınıflandırıcının birleştirilmesi sonucu elde edilen iki aşamalı sınıflandırma yöntemi ile hem genel doğruluk oranı hem de hassaslık oranı yüksek olarak elde edilmiştir.Master Thesis Görüntü İşleme ve Makine Öğrenmesi Yöntemiyle Erken Meme Kanseri Teşhisi(Abdullah Gül Üniversitesi, 2018) TAŞDEMİR, SENA BÜŞRA YENGEÇ; Taşdemir, Sena Büşra Yengeç; Aydın, ZaferKadınlarda, kanser ölümünün önde gelen nedeni ve en sık görülen kanser türü meme kanseridir. Erken teşhisi ölüm oranını azaltır, bu nedenle erken teşhis çok önemlidir. Dijital mamografi, meme kanserinin erken teşhisi ve tanısında kullanılan yaygın bir tıbbi görüntüleme tekniğidir. İlgili bölgenin (ROI) otomatik olarak saptanması, bir radyolog tarafından daha fazla analiz edilebilecek şekilde anormal alanları işaretlenmesine yardımcı olur. ROI'nin otomatik algılanması, özellik çıkarımı ve sınıflandırılması olmak üzere iki ana aşamaya sahiptir. Öznitelik çıkarma, görüntüyü bir bilgisayar için daha anlaşılır olan başka bir boyuta dönüştürür. İkinci adım, sınıflandırıcı tarafından yapılan kararı (normal veya ROI) içerir. Bu çalışmada, 2D-DWT, HOG, Haralick'in dokusal özellikleri, TAS, LBP, Zernike ve GLCM gibi farklı öznitelik çıkarma yöntemleri kullanılmıştır. Sistemin performansını değerlendirmek için, gerçeklenen sınıflandırıcılar; rastgele orman, lojistik regresyon, k-en yakın komşular (k-NN), naïve Bayes, karar ağacı, destek vektör makinesi (SVM), Adaboost, radyal temelli fonksiyon ağı (RBF-NN), çok katmanlı algılayıcı (MLP), konvolüsyonel sinir ağı (CNN) kullanılmıştır. Kapsamlı deneyler neticesinde, optimum başarıyı veren özellik çıkarma, özellik seçimi ve sınıflandırma yöntemleri tespit edilmiştir. Önerilen yeni ROI tanıma yönteminde görüntü ön işleme aracı olarak CLAHE, öznitelik çıkarmak için 2D-DWT, HOG, Haralick, özellik seçim yöntemi olarak wrapper ve sınıflandırıcı olarak rastgele orman yöntemi kullanılmış ve % 87.5'lik bir doğruluk oranı elde edilmiştir.Master Thesis Makine Öğrenmesi ile Protein Parçacık Seçimi(Abdullah Gül Üniversitesi, 2018) EMRE ULUTAŞ, ALPEREN; Ulutaş, Alperen Emre; Aydın, ZaferProtein parçacık seçimi proteinlerin üç boyutlu yapılarının tahmin edilmesindeki önemli adımlardan biridir. Doğru parçacık yapılarının seçilmesi üç boyutlu yapının doğru tahmin edilmesi için gereklidir. Bu tezde verilen iki protein parçacığının üç boyutlu yapılarının birbirine benzer olup olmadığını tahmin eden çeşitli yapay öğrenme yöntemleri geliştirilmiştir. Bu sayede yapısı bilinmeyen bir hedef protein için parçacık yapılarının seçilmesi mümkün olacaktır. Tahmin yönteminin girdi olarak kullanacağı öznitelik parametrelerinin tasarlanması için bir konsept hiyerarşi yaklaşımı izlenmiştir. Bunun için dizi profil matrisleri, ikincil yapı, çözücü erişilirlik ve bükülme açı sınıfı tahminleri çeşitli kombinasyonlarda ve izdüşüm uzaylarında incelenmiştir. Üç ve dokuz amino asitlik parçacıkların yapısal benzerlik tahmini için çeşitli sınıflandırma ve regresyon modelleri eğitilmiş ve optimize edilmiştir. Bunlar arasında lojistik regresyon, AdaBoost, karar ağacı, en yakın komşu, sade Bayes, rastgele orman, destek vektör makinası ve çok-katmanlı algılayıcı bulunmaktadır. Elde edilen sonuçlara göre farklı öznitelik kümelerinin konsept hiyerarşi yaklaşımı ile birleştirilmesi ve model optimizasyonları tahmin başarısını önemli oranda iyileştirmiştir. Ayrıca çapraz doğrulama deneyleri neticesinde parçacık benzerliğinin yüksek başarı oranları ile tahmin edilebildiği gösterilmiştir. Parçacık benzerliği sınıflandırma problemi olarak tanımlandığı zaman tahmin yöntemlerinin başarı oranları birbirine yakın olarak elde edilmiştir. Regresyon modelleri arasında ise rastgele orman yöntemi en yüksek tahmin başarısına ulaşmıştır.Master Thesis Bilgisayar Ağlarında Anormal Durum Tespiti Yapan Öğrenme Yöntemlerinin Geliştirilmesi(Abdullah Gül Üniversitesi, 2018) MUKHANDI, HABIBU SHOMARI; Mukhandi, Habibu Shomari; Aydın, ZaferMakine öğrenmesi, verilerdeki bilginin bir bilgisayar ya da makina tarafından otomatik olarak öğrenilmesi ve karşılaşılan yeni durumlarda anlamlı bilgi ya da davranışların üretilmesini amaçlar. Bir çok uygulama alanı bulunan makine öğrenmesi daha önce hiç karşılaşılmamış olan sıradışı durumların tespit edilmesi için de kullanılmaktadır. Bilgisayar ağlarındaki siber saldırılar, kredi kartı dolandırıcılığı ve internet sitelerinin linklerine yapılan çok sayıda sahte tıklamalar dünya genelinde ekonomileri ciddi oranda zarara uğratabilecek niteliktedir. Bu tezde üç farklı anormal durum tespiti problemi üzerinde çalışılmıştır: bilgisayar ağlarında saldırı tespiti, kredi kartı dolandırıcılığı tespiti ve internet sitelerdeki linklere sahte tıklama tespiti. Anormal durum tespiti için geliştirilen ve optimize edilen modeller arasında rastgele orman, en yakın komşu, destek vektör makinası, logistic regresyon, karar ağacı, AdaBoost, çantalama ve yığınlama gibi sınıflandırma yöntemleri bulunmaktadır. Yöntemlerin hiper-parametreleri eğitim kümelerinde yapılan çapraz doğrulama deneyleri ile optimize edilmiştir. Bir sonraki aşamada optimum hiper-parametre konfigürasyonları kullanılarak eğitilen modeler ile test verilerinde tahmin sonuçları hesaplanmıştır. Bu deneyler neticesinde genel doğruluk oranı ve F-measure skorlarında yüksek başarı elde edilmiştir. Geliştirilen yöntemler arasında en başarılı sonuçlar topluluk modelleri ile elde edilmiştir.