FBE, Yüksek Lisans, Bilgisayar Mühendisliği KoleksiyonuBilgisayar Mühendisliği Anabilim Dalı'nda yapılan yüksek lisans tezleri bu koleksiyon altında listelenir.http://hdl.handle.net/123456789/1162024-03-28T21:23:07Z2024-03-28T21:23:07ZAkıllı ev otomasyonu için güvenlik kamerası ve bulanık mantık tabanlı yangın algılama ve söndürme sistemi tasarımı ve gerçekleştirilmesiAli, Mohammed Qaimazhttp://hdl.handle.net/123456789/144132019-01-23T00:01:46Z2018-06-20T00:00:00ZAkıllı ev otomasyonu için güvenlik kamerası ve bulanık mantık tabanlı yangın algılama ve söndürme sistemi tasarımı ve gerçekleştirilmesi
Ali, Mohammed Qaimaz
Bilgi teknolojisi çağında, yaşlılar ve engelliler sayısız akıllı cihazlarla izlenebilir. Sensörler, sürekli hareket yardımı ve rahatsız edici olmayan hastalık önleme amacıyla evlerine yerleştirilebilir. Modern sensör gömülü evler veya akıllı evler, yalnızca fiziksel işlevleri azalmış kişilere yardımcı olmazlar, aynı zamanda karşı karşıya kaldığı sosyal izolasyonu çözmeye yardımcı olurlar. İnsanın günlük rutini sınırlamadan veya rahatsız etmeden yardım sağlayabilir, ona daha fazla konfor, keyif ve esenlik kazandırırlar. İnsan hayatında en önemli olan güvenliktir, ister iş yerinde veya evde ve bunu için türlü türlü sistemler ve aletler çağımızda bulunmaktadır. Bu çalışma da, bulanık mantık tabanlı akıllı yangın sistemi ve akıllı güvenlik kamera sistemi gerçekleştirilmiştir. Yapılan çalışma da iki sistemin de temel amaçları insanın can ve mal güvenliğini sağlamaktır. Gelecek bölümlerde her iki sistemde detaylı şekilde açıklanmıştır.; In the age of information technology, seniors and disable persons can be monitored by countless smart devices. Sensors can be placed in houses with the goal of providing continuous motion and preventing uncomfortable disease. Modern sensor-embedded houses or smart houses do not only help people with reduced physical functions, but they help solve the social isolation they are facing. They can provide help without limiting or annoying the victim's daily routine, giving him more comfort, pleasure and well-being. In this study, a fuzzy logic based intelligent fire system and intelligent security camera system were realized. In this study, the main objectives of both systems are to ensure human life and property security. In the next sections, both systems are explained in detail.
2018-06-20T00:00:00ZDecision support system for a football team management by using machine learning techniquesAl-asadi, Mustafa Aadel Mashjalhttp://hdl.handle.net/123456789/144072019-01-23T00:00:47Z2018-08-01T00:00:00ZDecision support system for a football team management by using machine learning techniques
Al-asadi, Mustafa Aadel Mashjal
Futbol oyuncu ve izleyici sayısı bakımından dünyadaki en popular spordur. Futbolun popülerliği son yıllarda artmıştır ve küresel ekonominin önemli bir parçası olmuştur. 2017 yılı içerisinde sadece Avrupa kulüplerinin geliri 27 milyar dolardır. Bu spordaki başlıca zorluklardan birisi, belli bir takım formasyonu için her pozisyona uygun oyuncunun yerleştirilmesidir. Bu zorluğun sebebi takımdaki her oyuncunun uygun olduğu pozisyonu verecek bilimsel bir formül veya denklemin olmayışıdır. Futbolcuların uygun pozisyonlarının belirlenmesi takım koçları tarafından gözlemlere ve tecrübeye dayalı olarak yapılmaktadır ve bu durum kişisel yargılara sebep olmaktadır. Bu zorlukların üstesinden gelebilmek için bir karar destek sistemi oluşturulmuştur. Bu tez çalışmasında futbol takımı yönetimi için makine öğrenmesi yöntemlerinden faydalanan yeni bir zeki karar destek sistemi önerilmiştir. Bu karar destek sisteminin başlıca hedefi takımdaki her oyuncu için kişisel yeteneklerini temel olarak en uygun pozisyonu belirlemek ve istenen formasyona göre en iyi takımı oluşturmaktır. Son olarak, sistem her oyuncunun top sürme yeteneğini belirleme yeteneğine sahiptir. Oyuncunun top sürme becerisinin gözlenmesi yöneticilerin oyucu alım, satım ve sözleşme yenileme işlemlerinde daha uygun kararlar vermesine yardımcı olur. Bu tez çalışmasında bir sezon için 17359 oyuncu içeren FIFA futbol oyunu verileri kullanılmaktadır. Oyuncu verilerini analiz ederken, sınıflandırma ve regresyon problemleri için makine öğrenmesi teknikleri kullanılmıştır (linear and logistic regression, random forest, neural network and k nearest neighbor). Ayrıca, veri boyutunu düşürmek için principal component analysis ve recursive feature elimination algoritmalarından yararlanılmıştır. Bu algoritmalar ile 29 nitelik içerisinden 17 tanesini kullanarak her oyuncunun uygun pozisyonunun belirlenebileceği görülmüştür. Önceki çalışmalardan farklı olarak bu tezde, her oyuncunun uygun pozisyonunu bulmak için rastgele orman algoritması kullanılmıştır. Bu algoritma ikili sınıflandırma için % 88.60 ve çoklu sınıflandırma için % 58.53 doğruluk değerleri ile diğer algoritmalardan daha verimli değerler vermiştir. Bu algoritmaların performanslarının değerlendirilmesi için üç teknik kullanılmıştır (Hold-out, Cross Validation and Repeated Random Hold-out). Her oyuncunun uygun pozisyonunu belirledikten sonra istenilen formasyona göre en iyi takım her oyuncunun derecesi dikkate alarak oluşturulmaktadır. Son olarak top sürme becerisini belirlemek için dört farklı algoritma kullanılmıştır (linear regression, logistic regression, random forest and neural network). En iyi sonucu 17 performans niteliği kullanılarak % 99.90 doğruluk değeriyle rastgele orman algoritması vermiştir.; Football considered as most popular sport in the world in both number of spectators and players. Popularity of football has increased in the last years and it became an important contributor to the global economy. Where, the revenue for European football clubs alone for 2017 rated at $27bn. In football, team management consider as one main challenges in this sport especially those related to choosing the suitable player for the suitable position in a specific formation because there is no formula or scientific equations used to identify the preferred available position for player in team. where, the assignment generally is done by the coaches by use their experiences and observations about the players, these making selecting of players subject to many biases. Therefore, we need to build intelligent decision support systems to face these challenges. This thesis proposes a new intelligent decision support system for a football team management by using algorithms of machine learning. The main purpose of this decision support system is to find intelligent solutions based on skills of players (technical, physical and mental) to find preferred available position for player in team and find the best available squad according to formations of play. finally, the system has ability to predict dribbling skill for each player in the team to monitor the growth and performance of players because predicting player's skill (like dribbling) will help managers to make suitable decisions like sell, buy and contract renewal. In this thesis we use dataset of FIFA Soccer video game, that contains data for 17359 players for one season. When analyzing players data, we have used machine learning techniques (linear and logistic regression, random forest, neural network and k nearest neighbor) for classification and regression problems. Further, we use recursive feature elimination algorithm (RFE) and principal component analysis (PCA) algorithm for reducing data dimension. where, we found 17 performance attributes using which we can predict the preferred available position for each player in team out of 29 attributes. Differently from the previous studies, in this thesis we use random forest algorithm to find preferred available position for each player in team, and it has proved to be more efficient in classification of players position's than other algorithms, where we obtained a predictive accuracy of 88.6% for binary classification (2 position) and predictive accuracy of 58.5% for multi classification (14 position). Where, the performance of all these algorithms are evaluated using three common techniques (Hold-out (train and test split), Cross Validation (CV) and Repeated Random Hold-out) and comparison the result among them. After assigning each player to the position we determine the best team squad according to formation plays (like 4-3-3 or 3-5-2) based on rating of player. Finally, to predict the skill of dribbling, we used four algorithms (linear regression, logistic regression, random forest and neural network). We got best result by using random forest, where predictive accuracy was 99.9% by using 17 performance attributes.
2018-08-01T00:00:00ZDestek vektör makineleri parametrelerinin meta sezgisel optimizasyon algoritmaları ile belirlenmesiTezcan, Burakhttp://hdl.handle.net/123456789/143402019-01-16T00:01:40Z2018-08-15T00:00:00ZDestek vektör makineleri parametrelerinin meta sezgisel optimizasyon algoritmaları ile belirlenmesi
Tezcan, Burak
Destek Vektör Makineleri (DVM) sınıflandırma amacıyla 90'lı yıllarda ortaya çıkan popülerliği gittikçe artan bir algoritmadır. DVM'lerin birçok farklı alanda başarılı olduğu gözlemlenmiştir ve bu başarı sınıflandırma alanında en çok kullanılan yöntemlerden olmasını sağlamıştır. Son yıllarda, DVM eğitim aşamasının ağır hesaplama karmaşıklığı sebebiyle DVM parametre optimizasyonu araştırmaları hız kazanmıştır. DVM parametre seçimi çok önemlidir. Hatalı seçimler yöntemin sınıflandırma performansını etkileyebileceği gibi hesaplama karmaşıklığını da artırabilir. Bu yüzden parametre ayarlanması için uygun optimizasyon algoritmaları aranmaktadır. Bu tez çalışmasında yukarıdaki problemler meta-sezgisel tabanlı optimizasyon modeli olarak ele alındı. Kullanılan yöntemler Karga Arama Algoritması (KAA) ve Salp Sürüsü Algoritması (SSA) olarak bilinen yeni yöntemlerdir. Bu iki algoritma meta-sezgisel yöntemlerin özelliklerini başarılı bir şekilde taşımaktadır. Bu tez çalışmasında KAA ve SSA algoritmaları kullanılarak DVM optimizasyon modelleri oluşturulmuştur. Bu modeller DVM sınıflandırma doğruluğu değerlerini uygunluk değerleri olarak ele alarak DVM parametrelerini KAA ve SSA üzerinden geliştirmektedir. İşlem sonunda elde edilen en iyi parametre değerleri 10 katlamalı çapraz doğrulama kullanılan DVM uygulaması ile değerlendirildi. Çalışmadaki deneyler UCI (machine learning repository of University of California at Irvine) veri tabanında alınan farklı standart veri setleri üzerinde denendi. Elde edilen sonuçlar doğruluk, duyarlılık, seçicilik ve AUC kriterleri kullanılarak karşılaştırılmıştır. Ayrıca sonuçların ROC eğrileri ve kutu grafiklerine yer verilmiştir. Tüm deneyler lineer, polinom (d=1,2,3) ve RBF çekirdek fonksiyonları kullanılarak gerçekleştirilmiştir. Çalışmada kullanılan göğüs kanseri, diyabet, parkinson, sonar, şarap, cam ve ünlü harf veri setleri ile elde edilen en iyi doğruluk sonuçları yüzdesel olarak sırasıyla şöyledir: 97.22, 78.25, 95.38, 88.50, 97.78, 67.77 ve 99.62. KAA-DVM'nin SSA-DVM'ye göre daha başarılı olduğu görülmüştür. DVM çekirdek fonksiyonlarından RBF veri setlerinin çoğunluğunda en iyi sonuçları vermiştir. Literatür karşılaştırmaları elde edilen modellerin diğer çalışmalar ile rekabet edebilecek seviyede olduklarını göstermiştir. Sonuçlar göstermektedir ki önerilen modeller uygun DVM parametrelerinin belirlenmesi yeteneğine sahiptir.; Support Vector Machines (SVMs) are first appeared in 1990s and its popularity has been grown over the years. SVMs are shown very successful results in a wide range of areas and become a widely used method for classification purposes. In recent years, due to high computational burden of the SVM training phase, SVM parameter optimization is on the rise. SVM parameter tuning is important because wrong selection of parameters can decrease its classification performance and add computational burden. For this reason, new processes are required for the parameter optimization. We consider these problems as a meta-heuristic optimization approach. The meta-heuristic approaches used in this study are Crow Search Algorithm (CSA) and Salp Swarm Algorithm (SSA). These two algorithms carry the advantages of meta-heuristics. In this thesis, two models using CSA and SSA are created for SVM parameter optimization. These models use SVM classification accuracy as fitness values and improves parameters using CSA and SSA. After the parameter optimization process, SVM evaluation is done using the best parameter values over 10-fold cross validation. Different standard datasets from UCI (machine learning repository of University of California at Irvine) database were used in the study. The results are compared over accuracy, sensitivity, specificity and AUC. Also, ROC curves and boxplots of the evaluation phase were given in the study. All experiments are done using three different SVM kernels: linear, polynomial (d=1,2,3) and RBF. The results for the datasets breast cancer, diabetes, Parkinson, sonar, wine, glass and vowel are 97.22, 78.25, 95.38, 88.50, 97.78, 67.77 and 99.62 respectively. CSA model gave better results than SSA model. The RBF kernel has shown the best results for most of the datasets. Literature comparisons show that our models can compete with other studies. The experiments show that our models are successful to find suitable SVM parameters.
2018-08-15T00:00:00ZKurbağa sıçrama algoritmasının kümeleme problemlerine uygulanmasıKarakoyun, Murathttp://hdl.handle.net/123456789/143182019-01-15T00:02:01Z2015-01-01T00:00:00ZKurbağa sıçrama algoritmasının kümeleme problemlerine uygulanması
Karakoyun, Murat
Verilerin kendi aralarındaki benzerlik ve farklılık durumlarına göre gruplandırılması işlemi kümeleme olarak adlandırılabilir. Kümeleme işleminden sonra aynı kümedeki verilerin benzerliklerinin, farklı kümelerdeki verilerin benzersizliklerinin maksimum olması beklenir. Bu çalışmada UCI Machine Learning Repository veri ambarından alınan 12 adet veri seti (Balance, Breast Cancer Wisconsin Diagnostic, Breast Cancer Wisconsin Original, Credit, Dermatology, Diabetes, E. Coli, Glass, Heart Disease, Iris, Thyroid ve Wine) üzerinde Kurbağa Sıçrama Algoritması (KSA) ile hiyerarşik olmayan kümeleme yapılmıştır. KSA küme merkezlerinin belirlenmesi amacıyla kullanılmıştır. Veriler ile küme merkezleri arasındaki toplam uzaklık Öklid metodu ile hesaplanmıştır. Toplam karesel uzaklık değerinin minimize edilmesi KSA'nın amaç fonksiyonu olarak ele alınmıştır. Bunun yanı sıra KSA'nın genel yapısında herhangi bir değişikliğe gidilmeden, memetik evrim aşamasında uygunluk değeri en kötü olan kurbağanın konumunun güncellenmesi için sıçrama miktarının belirlenmesi sırasında adaptif bir seçim önerilmiştir. KSA'nın önerilen bu yeni hali Adaptif Kurbağa Sıçrama Algoritması (AKSA) olarak isimlendirilmiştir. KSA ve AKSA'nın belirlenen veri setleri üzerindeki kümeleme performansları incelenmiştir. Elde edilen deneysel sonuçlara göre AKSA'nın kümeleme problemleri için KSA'dan genel olarak daha başarılı sonuçlar elde ettiği görülmüştür.; The clustering is to group any data set according to data similarities and dissimilarities. After clustering, the similarity among data in same group and the dissimilarity among data in different groups are expected to be maximum. In this work, Shuffled Frog Leaping Algorithm (SFLA) is applied on non-hierarchical clustering by using 12 data sets (Balance, Breast Cancer Wisconsin Diagnostic, Breast Cancer Wisconsin Original, Credit, Dermatology, Diabetes, E.Coli, Glass, Heart Disease, Iris, Thyroid and Wine) taken from UCI Machine Learning Repository platform. SFLA is used to find center of clusters. Euclidean method is used to calculate the distance between data objects and their cluster center. The minimizing of the sum squared distance value is used as SFLA's fitness function. Besides, without going to any changes in the structure of SFLA, a new adaptive choice of leaping size is proposed during the updating location of the worst frog in the population. The proposed model of the SFLA is named as Adaptive Shuffled Frog Leaping Algorithm (ASFLA). The clustering performances of the SFLA and ASFLA are analyzed on using data sets from UCI and compared with each other. According to the experimental results, the clustering performance of the ASFLA is generally better than the clustering performance of the SFLA.
2015-01-01T00:00:00Z