Browsing by Author "Çakar, Tuna"

Now showing 1 - 9 of 9

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.
Anayasa Mahkemesi Kararlarının Simülasyonu: Türk Bireysel Başvuruları İçin Çok Etmenli Bir Büyük Dil Modeli (LLM) Çerçevesi
(2025) Atam, Egemen Onat; Çakar, Tuna
Bu çalışma, büyük dil modellerinin (BDM) anayasa mahkemesi davalarında yargısal karar verme süreçlerini taklit etme kapasitesini incelemektedir. GPT-5, Gemini ve Claude olmak üzere üç güncel model kullanılarak, 2014–2024 yılları arasındaki 343 Anayasa Mahkemesi kararı, mahkeme süreçlerini yansıtan iki aşamalı bir değerlendirme çerçevesi üzerinden analiz edilmiştir. Çalışmada hem kabul edilebilirlik değerlendirmeleri hem de esas hak ihlali kararları açısından model performansı ölçülmüştür. Kabul edilebilirlik aşamasında (Aşama 1) doğruluk oranları Claude için %68,80 ile GPT-5 için %81,34 arasında değişmiş; çoğunluk oylaması yöntemi %79,59'a ulaşmıştır. GPT-5, en az toplam hata ile dengeli bir yaklaşım sergilerken, Gemini ve Claude daha fazla kabul edilemezlik eğilimi göstermiştir. Mahkeme kararları ise daha ılımlı bir kabul oranı ortaya koymuştur. Hak ihlali aşamasında (Aşama 2), üç model de %81,50 doğruluk oranı yakalamış, çoğunluk oylaması ise %83,24 ile en yüksek performansı göstermiştir. Bu aşamada GPT-5 kısmi eşleşmelere daha yatkın, Gemini en yüksek sayıda tam eşleşmeye ulaşmış, Claude ise arada bir performans sergilemiştir. Modeller arası uyum örüntüleri yüksek ancak değişken düzeydedir. Aşama 1'de daha az sıklıkla görülen oybirliği, %87,32 ile en yüksek doğruluk oranını sağlamış, konsensüsün güvenilirliğini ortaya koymuştur. Aşama 2'de ise GPT-5 ile Claude en güçlü uyumu (%88,52) göstermiştir. Bu bulgular, topluluk yöntemleri ve insan–yapay zekâ hibrit yaklaşımlarının yargısal karar verme süreçlerinde tutarlılığı ve sağlamlığı artırabileceğini ortaya koymaktadır. Sonuçlar, genel amaçlı BDM'lerin dahi karmaşık anayasal ilkeleri anlayabildiğini ve mahkeme benzeri yapılandırılmış gerekçeler üretebildiğini, dolayısıyla hukuki uygulamalar açısından dikkate değer doğruluk seviyelerine ulaştığını göstermektedir. Mevcut modeller, yargısal akıl yürütmenin tüm derinliğini yansıtmakta güçlük çekse de, topluluk yöntemlerinin sağladığı istikrarlı üstünlük, amaca özel geliştirilecek hukuki yapay zekâ sistemlerinin genel modelleri aşabileceğini ve anayasa yargısını verimlilik, tutarlılık ve adalete erişim açısından dönüştürme potansiyeline sahip olduğunu ortaya koymaktadır.
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.
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.
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.
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.
Makine Öğrenme ve Derin Öğrenme Modelleri Kullanılarak Gümrük İşlem Belgelerinin Görsel Sınıflandırılması
(2025) Demir, Hasan Hürşad; Çakar, Tuna
Gümrük işlemlerinde kullanılan belgelerin imgesel hallerini, makine öğrenmesi ve derin öğrenme modelleri ile sınıflandırma yapılmıştır. Resim sınıflandırma yöntemleri olarak, bu tez kapsamında, makine öğrenmesi alanında Gaussian Naive Bayes, Rastgele Orman ve Destek Vektör Makinesi; derin öğrenme alanında Evrişimsel Sinir Ağları, Görsel Dönüştürücü, ConvNext ve EfficientNetV2 yöntemleri kullanılmıştır. Model tiplerine özel olarak veri setleri düzenlenmiş olup, modellerin en uygun düzeyde çalışmasını sağlayacak şekilde belirlenen parametre değerleriyle modeller oluşturulmuş ve ilgili veri setleri ile eğitim ve testleri yapılmıştır. Modellerin karşılaştırılmaları eğitim süreleri ve doğruluk oranları açısından yapılmıştır. En iyi sonuçlar, yaklaşık 11 dakikalık eğitim süresi ve %98,32 doğruluk oranı ile Evrişimsel Sinir Ağı modeliyle elde edilmiştir. İkinci en yüksek doğruluk oranı %97,94 ile Rastgele Orman modelinde elde edilirken, genel anlamda ikinci en iyi sonuçlar ise yaklaşık 22 dakikalık eğitim süresi ve %95,89 doğruluk oranı ile EfficientNetV2 modeliyle elde edilmiştir.
Makine Öğrenmesi İle 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.
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.