Yüksek Lisans Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5799

Browse

Filters

2024 - 20262

Settings

Author: search.filters.author.Güngör, BurcuSubject: search.filters.subject.Computer Engineering and Computer Science and Control

Search Results

Now showing 1 - 2 of 2
  • Master Thesis
    Chebyformer: Düğüm Bazlı Filtreleme ile Trafik Akış Tahmini
    (2026) Kayapınar, Ahmet; Coşkun, Mustafa; Güngör, Burcu
    Akıllı Ulaşım Sistemleri (AUS) için doğru trafik akışı tahmini, tıkanıklığı ve karbon emisyonlarını azaltmak için olmazsa olmaz bir kilometre taşıdır. Uzaysal-Zamansal Grafik Sinir Ağları (STGNN'ler) bu görev için standart haline gelmiş olsa da, mevcut modellerin çoğu, trafik düzenlerinin tüm trafik ağı boyunca homojen olduğunu varsayarak küresel spektral filtrelere dayanmaktadır. Bu yaklaşım, farklı sensörlerin farklı fiziksel davranışlar gösterdiği trafiğin heterofilik doğasını yakalamada başarısız olmaktadır. Bu sınırlamayı azaltmak için, bu tez yeni bir hibrit mimari olan ChebyFormer'ı önermektedir. Model, sayısal olarak kararlı spektral özellik çıkarımı sağlamak için Chebyshev-Garnoldi algoritmasını ve uyarlanabilir, düğüm bazlı spektral filtreleri öğrenmek için PolyFormer dikkat mekanizmasını entegre etmektedir. Model, iki genel veri kümesi (PeMSD4, PeMSD8) ve Kayseri'den yeni toplanan bir gerçek dünya veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, ChebyFormer'ın kısa ve uzun vadeli tahminlerde Ortalama Mutlak Hata (MAE) ve Karesel Ortalama Hata (RMSE) açısından en son temel modellerden (APPNP, GPRGNN) sürekli olarak daha iyi çalıştığını göstermektedir. Öğrenilen filtrelerin ek nitel analizi, modelin farklı trafik düzenleri arasında ayrım yapma yeteneğini doğrulayarak, kentsel trafik tahmininde düğüm bazlı filtrelemenin gerekliliğini doğrulamaktadır.
  • Master Thesis
    Enhancing breast cancer detection with a hybrid machine learning approach
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Etcil, Mustafa; Güngör, Burcu; Güngör, V. Cagri
    According to the World Health Organization (WHO), breast cancer is one of the most prevalent illnesses, with 7.8 million instances recorded in the previous five years. As such, it poses a serious threat to world health. This alarming statistic underscores the urgent necessity for enhanced diagnostic methods. Against this backdrop, the current study proposes a novel diagnostic model, the CSA-PSO-LR classifier, which innovatively combines the clonal selection algorithm (CSA) with particle swarm optimization (PSO) to refine the logistic regression model training process for breast cancer detection. This research employs two extensively recognized datasets: the Wisconsin Diagnostic Breast Cancer (WDBC) and the Wisconsin Breast Cancer Database (WBCD), putting into practice a strict evaluation procedure that assesses performance using Bayesian hyperparameter optimization and 10-fold cross-validation. Furthermore, the study introduces CPU parallelization strategies to significantly curtail the model training time. Comparative analyses against machine learning algorithms, encompassing decision trees, extreme gradient boosting, k-nearest neighbors, logistic regression, random forests, and support vector machines, demonstrate the CSA-PSO-LR classifier's superior performance in detection accuracy and F1-measure. This investigation contributes a groundbreaking approach to the early detection of breast cancer, potentially facilitating more effective treatment plans and enhancing patient survival prospects.