Yazar "Karabulut, Bergen" seçeneğine göre listele
Listeleniyor 1 - 8 / 8
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe A Linear Time Pattern Based Algorithm for N-Queens Problem(Gazi Univ, 2022) Karabulut, Bergen; Erguzen, Atilla; Unver, Halil MuratThe n-queens problem is the placing of n number of queens on an nxn chessboard so that no two queens attack each other. This problem is important due to various usage fields such as VLSI testing, traffic control job scheduling, data routing, dead-lock or blockage prevention, digital image processing and parallel memory storage schemes mentioned in the literature. Besides, this problem has been used as a benchmark for developing new artificial intelligence search techniques. However, it is known that backtracking algorithms, one of the most frequently used algorithms to solve this problem, cannot produce all solutions in large n values due to the exponentially growing time complexity. Therefore, various methods have been proposed for producing one or more solutions, not all solutions for each n value. In this study, a pattern based approach that produces at least one unique solution for all n values (n>3) was detected. By using this pattern, a new algorithm that produces at least one unique solution for even very large n values in linear time was developed. The developed algorithm with.(n) time complexity produces quite faster solution to n-queens problem and even in some values, this algorithm produces (n-1)/2 unique solutions in linear time.Öğe Classification Based on Structural Information in Data(Springer Heidelberg, 2022) Karabulut, Bergen; Arslan, Guvenc; Unver, Halil MuratClustering provides structural information from unlabeled data. The studies in which the structural information of the dataset is obtained through unsupervised learning approaches such as clustering and then transferred to the supervised learning are noteworthy. In this study, we propose a new preprocessing method, which obtains structural information that is expected to represent the most meaningful summary of the training dataset before applying a supervised learning strategy. To obtain this summary, the CURE clustering method was used. The proposed preprocessing method combined with SVM and a new classification method named representative points based SVM (RP-SVM) was developed. This new method was experimentally tested with various real datasets and was compared with the standard SVM, KMSVM, KNN and CART methods. The RP-SVM has significantly reduced the training size and resulted in less support vectors compared to standard SVM while achieving similar accuracy results. The RP-SVM has achieved better accuracy with less training data compared to KNN and CART. In addition, the RP-SVM has less data reduction compared to the KMSVM, but it is a more stable method that performs well in all datasets used. The results show that the proposed method can extract structural information that provides high quality for classification.Öğe Diagnosis of Pediatric Pneumonia with Ensemble of Deep Convolutional Neural Networks in Chest X-Ray Images(Springer Heidelberg, 2022) Ayan, Enes; Karabulut, Bergen; Unver, Halil MuratPneumonia is a fatal disease that appears in the lungs and is caused by viral or bacterial infection. Diagnosis of pneumonia in chest X-ray images can be difficult and error-prone because of its similarity with other infections in the lungs. The aim of this study is to develop a computer-aided pneumonia detection system to facilitate the diagnosis decision process. Therefore, a convolutional neural network (CNN) ensemble method was proposed for the automatic diagnosis of pneumonia which is seen in children. In this context, seven well-known CNN models (VGG-16, VGG-19, ResNet-50, Inception-V3, Xception, MobileNet, and SqueezeNet) pre-trained on the ImageNet dataset were trained with the appropriate transfer learning and fine-tuning strategies on the chest X-ray dataset. Among the seven different models, the three most successful ones were selected for the ensemble method. The final results were obtained by combining the predictions of CNN models with the ensemble method during the test. In addition, a CNN model was trained from scratch, and the results of this model were compared with the proposed ensemble method. The proposed ensemble method achieved remarkable results with an AUC of 95.21 and a sensitivity of 97.76 on the test data. Also, the proposed ensemble method achieved classification accuracy of 90.71 in chest X-ray images as normal, viral pneumonia, and bacterial pneumonia.Öğe F KLAVYE İÇİN METİN ANALİZİ TABANLI KELİME TAMAMLAMA SİSTEMİ(2020) Karabulut, Bergen; Ünver, Halil MuratKelime tamamlama, kullanıcının basması gereken tuş sayısını azaltmayı hedefleyenbir yardımcı teknoloji aracıdır. İlk çalışmalarda, genellikle bir alternatif vedestekleyici iletişim aracı olarak ele alınmıştır. Fakat son dönemlerde kelimetamamlama sistemleri; mobil cihazlar, makine çevirisi ve arama motorları gibi farklıalanlarda da önem kazanmıştır. Bu çalışmada, Standart Türkçe Klavye olan F klavyeiçin metin analizi tabanlı bir kelime tamamlama sistemi geliştirilmiştir. Geliştirilensistemi test etmek için zabıt kâtiplerinin yoğun klavye kullanımından dolayı AdaletBakanlığı tarafından yapılan zabıt kâtipliği sınavlarına ait 160 metin kullanılmıştır.Bu metinlerdeki kelimelerin unigram ve bigram frekansları çıkarılmış ve birveritabanında tutulmuştur. Sistem, bu veritabanını kullanarak yazma işlemiesnasında kullanıcıya 8 adet alternatif kelimeden oluşan bir tahmin listesisunmaktadır. Tanımlanan tuş kombinasyonları yardımıyla kullanıcı tahminlistesinden bir kelime seçebilmekte ve seçilen kelime sistem tarafından otomatikolarak tamamlanmaktadır. Geliştirilen sistemin performansı tuşlama tasarrufuaçısından değerlendirilmiştir. Tüm metinler arasından rastgele seçilen 15 metin ileyapılan test işleminde ortalama %50,98 tuşlama tasarrufu sağlanmıştır.Öğe F klavye için metin analizi tabanlı kelime tamamlama sistemi tasarımı(Kırıkkale Üniversitesi, 2016) Karabulut, Bergen; Ünver, Halil MuratBu çalışmada; Standart Türk Klavyesi olan F klavye ile birlikte kullanılmak üzere metin analizi temelli bir kelime tamamlama sistemi geliştirilmiştir. Öncelikle mevcut sistemler incelenmiş ve gereksinimler tespit edilmiştir. Çalışmada, adliye çalışanlarının yoğun klavye kullanımından dolayı, adli metinler, geliştirilen sistemin eğitim ve test verisi olarak ele alınmıştır. Adalet Bakanlığı tarafından, zabıt kâtibi alım sınavlarında kullanılan 2014 ve 2015 yıllarına ait 160 sınav metni üzerinde metin analizi yapılmıştır. Metin analizinden elde edilen kelimelerin unigram ve bigram frekans bilgileri bir veritabanında tutulmuştur. Klavye dinlemesi ile kullanıcıyı takip eden ve kullanıcının, yazmakta olduğu kelime için veya yazdığı bir kelimeden sonra gelecek olan kelime için 8 elemanlı bir tahmin listesi sunan kelime tamamlama sistemi geliştirilmiştir. F klavye üzerine eklenen belirli tuş kombinasyonları ile kullanıcının önerilen kelimelerden birini seçmesiyle kelimenin doğrudan yazılması sağlanmıştır. Ayrıca, kullanıcının ek metin taramaları ile veritabanını güncelleyebilmesine ve çalışma alanına uygun metin taraması yaparak kendi kelime veritabanını oluşturabilmesine imkân sağlayan bir arayüz eklenmiştir. Bu çalışma ile kullanıcı etkileşimli ve gelişime açık bir kelime tamamlama sistemi sunulmuştur. Genel bir kelime veritabanı oluşturmak yerine, kullanıcının kişisel veya çalışma alanına ait metinleri tarayarak geliştirebileceği bir veritabanı tercih edilmiştir. Geliştirilen sistemin performansı kullanıcıya sağladığı tuşlama tasarrufu ve parmakların aldığı yoldan sağlanan tasarruf açısından değerlendirilmiştir. Kullanılan metinler arasından rastgele seçilen 15 metin ile yapılan test işleminde ortalama %50,98 tuşlama tasarrufu ve %87,84 parmakların aldığı yoldan tasarruf sağlanmıştır. Böylece klavyede parmaklara düşen iş yükü azaltılarak yazma işlemi daha rahat hale getirilmiştir. Araştırılan, incelenen ve geliştirilen bu sistem ile yoğun klavye kullanıcılarının yazma sırasında parmaklarına düşen iş yükünün azaltılması, yazma işleminin kolaylaştırılması, fiziksel, zihinsel veya öğrenme engelli kullanıcıların daha rahat klavye kullanabilmesi ve uzun vadede görülen kas-iskelet gibi meslek hastalıklarının azaltılması beklenmektedir.Öğe Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri İle İncelenmesi(Kırıkkale Üniversitesi, 2017) Cihan, Şeyma; Karabulut, Bergen; Arslan, Güvenç; Cihan, GökhanGünümüzdeKardiyovasküler Hastalıklar oldukça yaygındır ve ölüm nedenlerinin başındagelmektedir. Kardiyovasküler Hastalıkların bir tipi olan Koroner ArterHastalığının doğru ve zamanında teşhisi çok önemlidir. Koroner arterhastalığının kesin tanısı ve hastalık şiddetinin saptanmasında invaziv biryöntem olan anjiyografi altın standart olarak kullanılmaktadır. Anjiyografi,maliyeti yüksek ve ileri seviyede uzmanlık gerektiren bir yöntem olmasınınyanında ciddi komplikasyonlara da sebep olabilmektedir. Bu nedenlerle daha ucuzve etkili bir yaklaşım sağlayabilecek olan veri madenciliğinin kullanımı üzerindeçalışmalar yapılmaktadır. Bu çalışmada Koroner Arter Hastalığı riskinintespitinde bir sınıflama modeli geliştirmek için veri madenciliği yaklaşımıuygulanmıştır. Çalışma kapsamında sınıflandırma yöntemleri ile elde edilensonuçlar ve doğru sınıflandırma oranları karşılaştırılmıştır. Bunun içinCleveland kliniğine ait, 303 kayıt ve 14 değişken içeren kalp hastalığı verikümesi kullanılmıştır. Gerekli hesaplamalar ve modelleri elde etmek için Wekapaket programında 1R, J48 Karar Ağacı, Naive Bayes ve Çok katmanlı yapay sinirağı (YSA) sınıflandırma yöntemleri uygulanmıştır. Uygulama sonucunda KoronerArter Hastalığının tespitinde en iyi sonucun %83,498 doğruluk oranı ile Çokkatmanlı YSA sınıflandırma yöntemi ile elde edildiği görülmüştür. Çok katmanlı YSAalgoritmasını Naive Bayes ve Düzenlenmiş J48 Karar Ağacı algoritmalarıizlemiştir.Öğe Veri kümesindeki doğal yapılanmalar ile makine öğrenmesi(Kırıkkale Üniversitesi, 2022) Karabulut, Bergen; Ünver, Halil Murat; Arslan, GüvençMakine öğrenmesinde yaygın kullanılan öğrenme türlerinden birisi denetimli öğrenmedir. Teknolojik gelişmeler ve veri boyutlarındaki hızlı artışla birlikte mevcut denetimli öğrenme yöntemlerinin daha etkin hale getirilmesi ve yeni yöntemlerin geliştirilmesi yönündeki çalışmalar önem kazanmıştır. Bu doğrultuda, veri kümesinden daha etkin yararlanmayı amaçlayan çalışmalar dikkat çekmektedir. Bu çalışmaların bazılarında, kümeleme gibi denetimsiz öğrenme yöntemleriyle elde edilen doğal yapılanmaların, denetimli öğrenme sürecinde kullanımının araştırıldığı görülmektedir. Mevcut çalışmalar, veri kümesindeki doğal yapılanmaların tespit edilmesi ve bu yapılanmaların denetimli öğrenme sürecinde kullanımının etkin sonuçlar sağlayabildiğini göstermekte ve yeni çalışmaların gerekliliğini ortaya koymaktadır. Bu çalışmada, veri kümesindeki yapısal bilginin (yani doğal yapılanmaların) elde edilmesi ve bu bilginin denetimli öğrenme sürecinde kullanılması için iki farklı yaklaşım araştırılmıştır. İlk olarak Benzerlik Tabanlı Doğal Kümeler (SNC) olarak adlandırılan yeni bir kümeleme algoritması önerilmiştir. SNC kümeleme algoritması ile elde edilen yapısal kümeler, sınıflandırma sürecine adapte edilerek yeni algoritmalar araştırılmıştır. Bu şekilde, Doğal Kümeler Tabanlı En Benzer Örnekler (NC-MSI), Doğal Kümeler Tabanlı Destek Vektör Makinesi (NC-SVM) ve Doğal Kümeler Tabanlı Destek Vektör Makinesi-Sınırlar (NC-SVM-B) sınıflandırma algoritmaları önerilmiştir. Bu sınıflandırma algoritmalarının her birinde yapısal kümeler farklı şekilde kullanılmıştır. Önerilen algoritmalar, literatürde yer alan benzer yöntemlerle çeşitli gerçek hayat veri kümeleri üzerinde karşılaştırmalı olarak analiz edilmiştir. Elde edilen sonuçlar, önerilen algoritmaların, özellikle bazı veri kümelerinde önemli örnekleri yani yapısal bilgiyi başarılı şekilde tespit edebildiğini ve veri kümesinden daha etkin yararlanabildiğini göstermektedir. İkinci olarak, veri kümesinden doğal yapılanmaların elde edilmesi için CURE kümeleme algoritması kullanılmıştır. CURE algoritması ile veri kümesinin yapısal bilgisini elde eden ve bu bilgiyi eğitim kümesi yerine denetimli öğrenme sürecinde kullanan Temsili Noktalar Tabanlı Destek Vektör Makinesi (RP-SVM) algoritması önerilmiştir. Bu algoritmada, SVM yöntemi tüm eğitim kümesi yerine daha az örnek içeren temsili noktalar kümesi ile eğitilmektedir. RP-SVM yöntemi, çeşitli gerçek hayat veri kümeleri üzerinde standart SVM, KMSVM, KNN ve CART yöntemleri ile karşılaştırmalı olarak analiz edilmiştir. Elde edilen sonuçlar, RP-SVM yönteminin standart SVM yöntemi ile benzer doğruluk elde ederken eğitim kümesi boyutunu önemli ölçüde azalttığını ve daha az destek vektörü kullanılmasını sağlayabildiğini göstermektedir. Ayrıca RP-SVM yöntemi, KNN ve CART yöntemlerine kıyasla daha az eğitim örneği kullanarak daha iyi doğruluk elde edebilmektedir. Bununla birlikte, RP-SVM yöntemi KMSVM yöntemine göre daha az veri azaltma sağlamakta ancak RP-SVM yönteminin tüm veri kümelerinde doğruluk açısından iyi sonuçlar elde ederek KMSVM yönteminden daha kararlı olduğu görülmektedir. Bu çalışma kapsamında elde edilen sonuçlar, veri kümesinden elde edilen doğal yapılanmaların denetimli öğrenme sürecine katkı sağlayabileceğini göstermektedir. Önerilen yöntemler, geliştirilebilir ve farklı makine öğrenmesi yöntemlerine adapte edilebilir niteliktedir. Ayrıca önerilen yaklaşımlar, büyük veri çalışmaları için motivasyon sağlayabilir.Öğe A Weighted Similarity Measure for k-Nearest Neighbors Algorithm(2019) Karabulut, Bergen; Arslan, Güvenç; Ünver, Halil MuratOne of the most important problems in machine learning, which has gained importance in recent years, is classification. The k-nearest neighbors (kNN) algorithm is widely used in classification problem because it is a simple and effective method. However, there are several factors affecting the performance of kNN algorithm. One of them is determining an appropriate proximity (distance or similarity) measure. Although the Euclidean distance is often used as a proximity measure in the application of the kNN, studies show that the use of different proximity measures can improve the performance of the kNN. In this study, we propose the Weighted Similarity k-Nearest Neighbors algorithm (WS-kNN) which use a weighted similarity as proximity measure in the kNN algorithm. Firstly, it calculates the weight of each attribute and similarity between the instances in the dataset. And then, it weights similarities by attribute weights and creates a weighted similarity matrix to use as proximity measure. The proposed algorithm is compared with the classical kNN method based on the Euclidean distance. To verify the performance of our algorithm, experiments are made on 10 different real-life datasets from the UCI (UC Irvine Machine Learning Repository) by classification accuracy. Experimental results show that the proposed WS-kNN algorithm can achieve comparative classification accuracy. For some datasets, this new algorithm gives highly good results.
