Yüksek Lisans Tezleri

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

Browse

Filters

2024 - 20264

Settings

Start date: 2024Subject: search.filters.subject.Computer Engineering and Computer Science and Control

Search Results

Now showing 1 - 4 of 4
  • 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
    Biyomedikal Bilgi Tabanları Üzerinde Hesaplamalı İlaç Yeniden Konumlandırması İçin Bilgi Grafiği Temsil Yaklaşımları
    (2026) Erkantarcı, Betül; Bakal, Mehmet Gökhan; Köse, Abdulkadir
    Drug repositioning, or the strategy of finding new medical applications to an existing drug, is a safer and cheaper alternative to development of a new drug. The thesis constructs a unified biomedical knowledge graph by integrating biomedical information resources such as SemMedDB, repoDB, and UMLS, and presents a comprehensive evaluation of seven knowledge graph embedding models: TransE, TransH, TransR, TransD, TransF, ProjE, and RESCAL. To have a biological relevance, a semantic validation pipeline was created by refining the PubMed-based biomedical language model to an accuracy of around 96% in order to determine the plausibility of the suggested drug-disease associations. TransF had the best quantitative performance with a macro area under the precision-recall curve of 0.767, whereas ProjE produced the largest number of semantically plausible hypotheses with 14 literature-supported drug-disease pairs. Moreover, an automated update system, which leverages internet of things, is used to retrieve fresh PubMed evidence on a daily basis to update semantic plausibility scores. Altogether, the knowledge graph embeddings and semantic validation workflow showed numerous new and literature-based drug-disease relations and indicated its potential to become a strong, explainable and data-driven model in computational drug repositioning. Keywords: Computational Drug Repositioning, Knowledge Graph Embedding, Biomedical Knowledge Graph, Semantic Validation, Internet of Things
  • Master Thesis
    Derin Öğrenme Temelli İlaç Yeniden Konumlandırma: Kelime Temsilleri ve Siyam İkizi Ağları Kullanılarak Literatüre Dayalı Bir Çerçeve
    (2025) Al-Qershi, Ahmed Marwan Abdulhabeb; Bakal, Mehmet Gökhan
    Geleneksel ilaç geliştirme süreçlerinin yüksek maliyetleri, uzun zaman çizelgeleri ve riskleri, mevcut ilaçların yeni kullanım alanlarını keşfetmeyi amaçlayan ilaç yeniden konumlandırma çalışmalarına olan ilgiyi artırmıştır. Bu tez, SemMedDB'den elde edilen biyomedikal verileri kullanarak, ilaçlar ile hastalıklar arasındaki potansiyel yeni tedavi bağlantılarını belirlemeye yönelik derin öğrenmeye dayalı bir sistem sunmaktadır. Geliştirilen sistem, erken aşama ilaç keşfi için pratik ve verimli bir fikir üretme yöntemi sağlamayı hedeflemektedir. Sistem, FastText modelinden türetilen kelime desenlerini kullanarak eğitilen bir Siyam Sinir Ağı (SNN) mimarisine dayanmaktadır. Çalışmada, hangi yapının daha verimli özellikler çıkarabildiğini test etmek için biri yoğun (dense), diğeri evrişimli (convolutional) olan iki farklı alt ağ yapısı denenmiştir. 570'ün üzerinde model yapılandırması test edilmiş ve en iyi konfigürasyon %87.66 doğrulama doğruluğu ve yaklaşık %83 test doğruluğu elde etmiştir. Ayrıca kesinlik, duyarlılık ve F1-skorları açısından da dengeli bir performans sergilemiştir. Bu çalışma, derin öğrenmenin organize edilmiş biyomedikal literatür ile birleşiminin, daha akıllı ilaç keşif süreçlerine nasıl katkı sağlayabileceğini göstermektedir.
  • 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.