Browsing by Author "Çakar, Tuna"

Now showing 1 - 10 of 10

Determination of Alzheimer's Disease Stages by Artificial Learning Algorithms
(Lifescience Global, 2025) Bulut, Nurgül; Çakar, Tuna; Arslan, İlker; Akıncı, Zeynep Karaoğlu; Oner, Kevser Setenay
Introduction: This study aims to determine the stages of Alzheimer's disease (AD) using different machine learning algorithms, and compares the performance of these models. Methods: Demographic, genetic, and neurocognitive inventory data from the National Alzheimer's Coordinating Center (NACC) database as well as brain volume/thickness data from magnetic resonance imaging (MRI) scans were used. Deep Neural Networks, Ordinal Logistic Regression, Random Forest, Gaussian Naive Bayes, XGBoost, and LightGBM models were used to identify four different ordinal stages of AD. Results: Although the performance measures of the developed models were similar, the highest classification rate of AD stages was achieved by the Random Forest model (accuracy: 0.86; F1 score: 0.86; AUC: 0.95). The outputs of the model with the best performance were explained by the SHapley Addictive exPlanations (SHAP) method. Conclusions: This indicates that non-invasive markers and machine learning models can be used effectively in early diagnosis and decision support systems to predict stages of AD. © 2025 Elsevier B.V., All rights reserved.
Makine Öğrenimi ve Çok Boyutlu Anket Verileri Kullanılarak Öğrenci Başarısının Tahmini: Eğitim Programı Üzerine Bir Uygulama
(Institute of Electrical and Electronics Engineers Inc., 2025) Behsi, Zeynep; Dereli, Serhan; Çakar, Tuna ; Patel, Jay Nimish; Cicek, Gultekin; Drias, Yassine
This study develops a machine learning model integrating survey data and performance metrics to predict student success in the UpSchool education program. Students' personality traits assessed by DISC analysis, financial management, social, and emotional skills were clustered into "Successful,""Unsuccessful,"and "Moderately Successful"groups using K-means clustering. The SMOTE technique addressed data imbalance issues, and algorithms such as Logistic Regression, Random Forest, LightGBM, and AdaBoost were tested. After hyperparameter optimization, AdaBoost and LightGBM achieved the highest predictive performance. Results demonstrated the effectiveness of machine learning models in forecasting student success in educational programs. Future studies are recommended to enhance model performance through expanded datasets and to validate the model's applicability across diverse educational contexts. © 2025 Elsevier B.V., All rights reserved.
A New Benchmark Dataset for P300 Erp-Based Bci Applications
(Academic Press Inc Elsevier Science, 2023) Çakar, Tuna; Özkan, Hüseyin; Musellim, Serkan; Arslan, Suayb S.; Yağan, Mehmet; Alp, Nihan
Because of its non-invasive nature, one of the most commonly used event-related potentials in brain -computer interface (BCI) system designs is the P300 electroencephalogram (EEG) signal. The fact that the P300 response can easily be stimulated and measured is particularly important for participants with severe motor disabilities. In order to train and test P300-based BCI speller systems in more realistic high-speed settings, there is a pressing need for a large and challenging benchmark dataset. Various datasets already exist in the literature but most of them are not publicly available, and they either have a limited number of participants or utilize relatively long stimulus duration (SD) and inter-stimulus intervals (ISI). They are also typically based on a 36 target (6 x 6) character matrix. The use of long ISI, in particular, not only reduces the speed and the information transfer rates (ITRs) but also oversimplifies the P300 detection. This leaves a limited challenge to state-of-the-art machine learning and signal processing algorithms. In fact, near-perfect P300 classification accuracies are reported with the existing datasets. Therefore, one certainly needs a large-scale dataset with challenging settings to fully exploit the recent advancements in algorithm design (machine learning and signal processing) and achieve high-performance speller results. To this end, in this article we introduce a new freely-and publicly-accessible P300 dataset obtained using 32-channel EEG, in the hope that it will lead to new research findings and eventually more efficient BCI designs. The introduced dataset comprises 18 participants performing a 40 -target (5 x 8) cued-spelling task, with reduced SD (66.6 ms) and ISI (33.3 ms) for fast spelling. We have also processed, analyzed, and character-classified the introduced dataset and we presented the accuracy and ITR results as a benchmark. The introduced dataset and the codes of our experiments are publicly accessible at https://data .mendeley.com /datasets /vyczny2r4w.(c) 2023 Elsevier Inc. All rights reserved.
Makine Öğrenmesi ile Churn Talebi Analizi
(2025) Genç, Önder; Çakar, Tuna
Son günlerde Pay TV hizmetleri çeşitlenmektedir. Çeşitlenen hizmetlerle birlikte şirketler arasındaki rekabette artmaktadır. Strait Reserch araştırmalarına göre 2021 yılında 183 milyon dolar olan Global Pay TV pazarının 2030 yılında 210 milyon dolara yükselmesi tahmin edilmiştir. Bunun yanısıra Neflix'in araştırmasına göre edinilmiş veya elde tutulan abonelerin daha değerli olduğu belirtilmektedir. Aboneliklerini sonlandırmayı düşünen müşterilerin önceden tahmin edilebilmesi şirketler açısından oldukça önemli bir hal almıştır. Son yıllarda etkinliği gittikçe artan makine öğrenmesi ve yapay sinir ağları gibi tekniklerle tahminlemeyi yapmak daha kolay hale gelmiş ve şirketlere önemli katkılar sağlamaktadır. Bu çalışmada, bazı makine öğrenmesi modelleri ile ilgili bilgiler verilmiştir. Pay TV hizmeti veren bir şirketin verileri kullanılarak bazı makine öğrenmesi modelleri ile tahminlemeler yapılmıştır. Son olarak abonelik iptal talep edebilecek müşterilerin, son yaptığı abonelik iptal talebi ve en çok yaptığı iptal talepleri ile ilgili bilgilerde sonuca eklenerek, abonelik iptal talebi gerçekleşmeden, müşteriyle iletişime geçilmesi ve uygun bir kampanya önerilerek iptali önlemek hedeflenmiştir. Bu çalışma da etiketli veriler kullanılarak denetimli öğrenme teknikleri ile çalışılmıştır. Çalışma kapsamında Random Forest, XGBoost Classifier, KNeigbors Classifier, Logistic Regression, Ada Boost Classifier, Linear Discriminant Analysis, Decision Tree Classifier ve Extra Tree Classifier modelleri kullanılmıştır. Bütün modeller için başarı ölçütleri bulunmuş ve karşılaştırılmıştır. Servis sağlayıcıdan elde edilen veriler açısından en uygun model Random Forest olarak belirlenmiştir.
E-Ticarette Müşteri-Mağaza Alışverış Davranışı Modeli
(2025) Güney, Görkem; Çakar, Tuna
E-ticaretin hızlı gelişimi, işletmelerin müşteri davranışları ve satıcı performansını analiz etmek için ileri düzey analitik modellere ihtiyaç duymasına neden olmuştur. Bu çalışmada, müşteri tercihleri, satın alma alışkanlıkları ve satıcıların ürün tekliflerini birleştiren, 'Müşteri-Satıcı Alışveriş Davranışı Modeli' önerilmiştir. Model, RFM (Recency, Frequency, Monetary), kategori tercihleri ve müşteri yaşam boyu değeri gibi müşteri metrikleri ile satıcıların kategori odağı ve satış performansı verilerini kullanarak segmentasyon ve kişiselleştirilmiş öneriler sunmaktadır. K-Means, hiyerarşik kümeleme ve karar ağacı algoritmaları kullanılarak müşteriler ve satıcılar benzer davranışlara göre gruplandırılmıştır. Ayrıca, müşterilerin satın alma eğilimlerini tahmin etmek ve satıcılar ile eşleştirmek için tahmin modelleri ve hibrit öneri sistemleri uygulanmıştır. Sonuçlar, önerilen modelin müşteri bağlılığını, satıcı performansını ve platformun genel etkinliğini önemli ölçüde artırdığını göstermektedir. Bu çalışma, e-ticaret platformları için veri odaklı, ölçeklenebilir ve dinamik bir analitik çerçeve sunmaktadır.
Dijital Dönüşüm ile ESG Skorlaması: Makine Öğrenimi ile Sürdürülebilirliği Sayısallaştırmak
(2025) Bozkan, Tunahan; Çakar, Tuna
Bu çalışma, büyük şirketlerin yan kuruluşlarına verilen Çevresel, Sosyal ve Yönetişim (ESG) puanlarının fonların yatırım kararları üzerindeki etkisini sistematik olarak analiz etmeyi amaçlamaktadır. Temel hedef, özellikle risk yönetimi, sürdürülebilirlik ve uzun vadeli finansal performansla ilgili olarak, ESG puanlarının fon portföylerini ve yatırım stratejilerini şekillendirmedeki rolünü incelemektir. ESG metriklerinin artan önemi, fon yöneticilerinin karar alma süreçlerinde değişiklik yapılmasını gerektirmekte olup, ESG puanına sahip şirketlerin yatırım portföylerine nasıl dahil edildiklerinin derinlemesine değerlendirilmesini zorunlu kılmaktadır. Bu araştırma, büyük kurumsal varlıkların yan kuruluşlarının özel katkılarını araştıracak ve bu yan kuruluşların, genel fon değerlemesindeki rollerini inceleyecektir. Yan kuruluşlara odaklanarak, çalışma bireysel iş birimlerinin sürdürülebilirlik performanslarının geniş yatırım manzarasını nasıl etkilediğini vurgulayacaktır. ESG puanlarının risk azaltma, sürdürülebilirlik hedefleriyle uyum ve uzun vadeli getirileri maksimize etme önemi bu analizin merkezinde olacaktır. Ayrıca, çalışma, ESG puanına sahip olmayan şirketlere yapılan yatırımlarla ilişkili potansiyel riskleri değerlendirecek ve bu tür puanların olmamasının yatırım stratejileri üzerindeki etkisini inceleyecektir. Araştırmanın temel bir bileşeni, fon yöneticilerinin ESG puanına sahip olan ve olmayan şirketleri değerlendirirken kullandıkları karar verme kriterlerinin incelenmesi olacaktır. Bu puanların portföy kompozisyonunu ve yatırım önceliklendirilmesini nasıl etkilediği araştırılacaktır. Çalışma ayrıca, finans sektöründe sürdürülebilirlik için geniş çaplı sonuçları ele alacak, özellikle ESG düşüncelerinin geleneksel finansal performans metrikleriyle nasıl kesiştiğini tartışacaktır. Sonuç olarak, bu araştırma, ESG puanlarının fonların yatırım stratejilerini şekillendirme rolü hakkında kapsamlı bir anlayış sağlamayı amaçlamaktadır. Büyük firmaların yan kuruluşlarına odaklanarak, bu çalışma ESG yatırımları üzerine büyüyen bilgi birikimine katkıda bulunacak ve bu metriklerin fon performansı, karar alma süreçleri ve yatırım portföylerinin uzun vadeli başarısı üzerindeki etkilerine dair içgörüler sunacaktır.
Ensemble-Based Stock Prediction for Retail - XGBoost and LightGBM with Rolling Window Training
(Institute of Electrical and Electronics Engineers Inc., 2025) Patel, Jay Nimish; Kizilay, Ayse; Şahin, Zeynep; Sercan, Busra; Toprak, Samet; Çakar, Tuna
Stock prediction in retail settings is a critical challenge that impacts numerous businesses globally, that require precise and timely forecasts to optimize inventory management and enhance customer satisfaction. State-of-the-art approaches for accurate stock prediction leverage machine learning (ML) models, which require large amounts of historical sales data for effective training. Such detailed datasets are often hard to obtain, limiting the performance and scalability of these approaches. In this paper, we propose various strategies to tackle this limitation. Initially, we adopt a transfer-learning approach, utilizing pre-trained models like XGBoost and LightGBM, which are fine-tuned for stock prediction in retail environments. To further boost model performance, we incorporate an ensemble method that combines predictions from both models to improve accuracy and manage outliers. Experiments conducted on an extremely large dataset, comprising millions of retail transactions, highlight the presence of significant outliers. Our models, augmented with ensemble strategies, significantly outperform traditional models in handling these complexities and improving prediction accuracy. © 2025 Elsevier B.V., All rights reserved.
Kozmetik E-Ticaretinde Kişiselleştirilmiş Ürün Önerileri için İki Kuleli (Two-Tower) Bir Getirme Yaklaşımı
(2025) Tuncer, Suat; Çakar, Tuna
Tavsiye sistemleri, e-ticaret platformlarında kullanıcı deneyimini geliştirmek ve etkileşimi artırmak açısından hayati bir rol oynamaktadır. Bu tez, TensorFlow Recommenders (TFRS) kullanılarak uygulanan geri getirme (retrieval) tabanlı sinir ağı mimarileriyle oluşturulmuş iki kişiselleştirilmiş ürün tavsiye yaklaşımının karşılaştırmalı analizini sunmaktadır. İlk yaklaşım, yalnızca kullanıcı ve ürün kimliklerine (ID) dayalı gömlemeleri (embedding) kullanmaktadır. İkinci model ise ürün temsilini, özellikle ürün başlığı ve üst kategori bilgilerini içeren anlamsal (semantik) içerik özellikleriyle zenginleştirmektedir. Her iki model de örtük satın alma verileriyle eğitilmiş ve en yakın komşu getirimi üzerinden recall@K ölçümünü yapan FactorizedTopK metriği ile değerlendirilmiştir. Çalışma, sıcak başlangıç (warm-start) senaryosu varsayımına dayanmakta ve ürün getirimi için gömleme uzayında anlamsal bağlamın değerine vurgu yapmaktadır. Bulgularımız, özellikle ürünler arasındaki anlamsal benzerliğin önemli olduğu durumlarda, içerik özelliklerinin dahil edilmesinin tavsiye doğruluğunu artırmada fayda sağladığını ortaya koymaktadır.
Yapay Öğrenme Tabanlı Mikrofaktoring Skorlama Modeli ve Kredi Risk Yönetim Sistemi Geliştirilmesi
(Institute of Electrical and Electronics Engineers Inc., 2025) Sayar, Alperen; Ates, Yigit; Ertugrul, Seyit; Turan, Elif Naz; Drias, Yassine; Çakar, Tuna
Credit scoring systems are critical tools used by factoring institutions to assess the credit risks of SME businesses seeking microloans. This study presents a comprehensive predictive modeling framework that achieves 82.67% ROC-AUC with 65.34% Gini score on test data, demonstrating robust discriminative capability despite significant class imbalance. Our ensemble approach outperforms individual boosting models by leveraging their complementary strengths in payment behavior analysis and fraud detection. The raw data was cleaned, transformed, and optimized using the Polars library, with specialized features for detecting fraud patterns and time-based risk indicators. When implementing a score threshold of 950, our model significantly improves the detection of non-performing loans (NPL) compared to traditional rule-based approaches by reducing the net deficit from 6.59% to 2.62%. When applied to previously rejected applications, the model projects a potential 762.57% increase in transaction count and 747.05% growth in transaction volume. © 2025 Elsevier B.V., All rights reserved.
İnternet Trafik Hızının Tahmininde Derin Öğrenme ve Ağaç Tabanlı Modellerin Karşılaştırılması
(Institute of Electrical and Electronics Engineers Inc., 2025) Filiz, Gozde; Altıntaş, Suat; Yıldız, Ayşenur; Kara, Erkan; Drias, Yassine; Çakar, Tuna
This study addresses the prediction of internet traffic speed using time-dependent data from an internet service provider through different modeling approaches. On an anonymized dataset, the performance of the moving average method, various deep learning models (N-BEATS, N-HITS, TimesNet, TSMixer, LSTM), and the XGBoost regression model enhanced with feature engineering was compared. Time series cross-validation and random hyperparameter search were used for model training. According to the results, the XGBoost model achieved the highest accuracy with 98.7% explained variance (R2), while among the deep learning models, N-BEATS and N-HITS achieved the best performance with R2 values around 90%. The findings indicate that tree-based methods supported by carefully selected features can offer higher accuracy and computational efficiency compared to complex deep learning models in internet traffic forecasting. © 2025 Elsevier B.V., All rights reserved.