Bilgisayar Mühendisliği Bölümü Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.11779/1940

Browse

Filters

2020 - 202425

Settings

Start date: 2020Language: search.filters.language.tr

Search Results

Now showing 1 - 10 of 25
  • Research Project
    İmece-depo: İşbirlikçi Hücresel Ağlarda Veri Önbellekleme için Cihazdan Cihaza Iletişim ile Dağıtık Depolama, Optimale Yakın Kodlama ve Protokol Tasarımı.
    (2023) Haytaoğlu, Elif; Pourmandı, Massoud; Kaya, Erdi; Arslan, Şefik Şuayb; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    Hücresel ağlarda popüler dosyaların cihazlarda önbelleklenmesi ile, cihazlar arası etkileşim baz istasyonu (Bİ) üzerine düşen iletişim yükünü oldukça azaltmaktadır. Dağıtık veri önbellekleme işlemi popüler bir dosyanın parçalarının kodlanmamış orijinal haliyle ya da herhangi bir silinti kodu kullanılarak kodlanmış halinin mobil cihazlar içerisinde dağıtık bir şekilde depolanması yardımıyla gerçekleştirilir. Dosyanın herhangi bir parçası, komşu mobil cihazlardan ya da mümkün değilse, doğrudan Bİ?lerden, yüksek bir iletişim maliyeti pahasına indirilebilir. Bir hücresel ağda, rastgele zamanlarda bazı düğümlerin hücreye katıldığı ve bazılarının ayrıldığı göz önüne alındığında, performans için Bİ ile iletişimin minimum düzeyde olmasını sağlayacak akıllı veri onarım yöntemlerine ihtiyaç duyulacaktır. Tek bir veya birden fazla Bİ?nin sisteme katılımı, önceki onarım paradigmalarına, özellikle de işbirlikçi düğüm onarım süreçlerine farklı bir boyut eklemektedir. Bunun nedeni, çalışma protokolü kurallarının yanı sıra iletişim kısıtlamalarının da değişmesidir. Literatür, bu durum için temel bant genişliği/depolama ödünleşim uzayını inceleyen bir çalışma içermemektedir. Yeni hücre mimarileri buna göre, yeni silinti kod yapılarını, verimli protokol tasarımlarını, veri erişim gecikmesi, gerçekçi kuyruk modelleri ve gerçekçi benzetim platformları dahil ancak bunlarla sınırlı olmamak üzere farklı tasarım değerlendirmelerini gerektirmektedir. Bu projede ilk olarak, daha önceki hiçbir çalışmada düşünülmemiş işbirliği yapan Bİ?lerin cihaz ayrılışlarında yaşanan kayıp verinin onarımı için bant genişliği ve depolama kapasitesinin iyileştirilmiş teorik sınırlarının veri akış diyagramları kullanılarak elde edilmesi amaçlanmıştır. Bununla beraber, bant genişliği ve depolama alanını en iyi kullanan kod yapılarından esinlenerek, veri önbellekleme işlemini optimale yakın bir maliyetle gerçekleştirecek tamamen özgün çizge tabanlı kod yapıları ve bu yeni kodlar için daha önce düğüm onarım problemine uygulanmamış genetik algoritma, optimize edilmiş artık veri dağıtımı gibi yeni yaklaşımlar kullanılarak önceden düşünülmemiş düğüm onarım algoritmaları önerilecektir. Ayrıca, düğümlerin hücreye katılma ve ayrılma süreçleri için, bant genişliği ve veri depolaması gereksinimlerini en aza indirmeye yardımcı olacak enerji tüketimi odaklı son derece özgün protokoller önerilecektir. Bu protokoller, düğümlerin bir hücreden diğerine geçiş yapabileceği ve hücre içi kaynakların etkin kullanılmasına yardımcı olmak için Bİ?lerin işbirliği yapmasını sağlayan geçiş senaryoları ile güçlendirilecektir. Bu durum, iki onarım işlemi arasındaki sürenin ayarlanması, veri erişim maliyetlerinin azaltılması, hücreye katılan düğüm içeriğinin kullanımı, artık veri kullanımı v.s. gibi yenilikleri içerecektir. Son olarak, önerilen kod yapıları ve protokol mimarisinin performansını analitik olarak türetmek için bilinen çeşitli ve daha gerçekçi kuyruklama modelleri değerlendirilecektir. Analitik sonuçlarımızı doğrulamak için daha sonra hücresel ağ tabanlı büyük ölçekli benzetimler yapılıp sayısal yöntemler ile toplam iletişim ve dosya onarım işlemlerinin maliyet hesaplamaları ve karşılaştırmaları yapılacaktır. MEF Üniversitesi öğretim üyesi Dr. Şuayb Arslan?ın yürütücüsü olduğu ve 36 ay sürecek projede, Pamukkale üniversitesi Bilgisayar Mühendisliği Bölümü öğretim üyesi Dr. Elif Haytaoğlu araştırmacı olarak görev alacaktır. Projede, iki doktora, iki yüksek lisans ve son iki senemizde iki lisans öğrencisi bursiyer olarak görev alacaktır.
  • Conference Object
    Evaluating Electrophysiological Responses Due To Identity Judgments
    (Ieee, 2024) Çakar, Tuna; Çakar, Tuna; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This study was conducted to explore how the brain processes decisions about identity, employing event-related potentials (ERPs) as a measure. The aim was to ascertain if the EEG/ERP technique could be used to monitor the cognitive processing of identity judgments as they happen. The investigation focused on comparing two groups of statements: those that used the concept of 'same' and those that used 'different'. The researchers hypothesized that there would be notable differences in the ERPs, particularly around the 400-millisecond mark, correlating with the reaction time disparities observed behaviorally. The ERP data revealed that the 'different' statements generated a unique N400 response when contrasted with the 'same' statements, implying that the participants' cognitive responses to these two types of judgments were not the same.
  • Conference Object
    Predicting Credit Repayment Capacity With Machine Learning Models
    (Ieee, 2024) Filiz, Gozde; Çakar, Tuna; Yaslidag, Nihal; Sayar, Alperen; Çakar, Tuna; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This study examines the transformation in the financial services sector, particularly in banking, driven by the rapid development of technology and the widespread use of big data, and its impact on credit prediction processes. The developed credit prediction model aims to more accurately predict customers' credit repayment capacities. In pursuit of this goal, demographic and financial data along with credit histories of customers have been utilized to employ data preprocessing techniques and test various classification algorithms. Findings indicate that models developed with XGBoost and CATBoost algorithms exhibit the highest performance, while the effective use of feature engineering techniques is revealed to enhance the model's accuracy and reliability. The research highlights the potential for financial institutions to gain a competitive advantage in risk management and customer relationship management by leveraging machine learning models.
  • Conference Object
    Neural Decoding of Brand Perception and Preferences: Understanding Consumer Behavior Through Fnirs and Machine Learning
    (Ieee, 2024) Çakar, Tuna; Girisken, Yener; Drias, Yassine; Filiz, Gozde; Çakar, Tuna; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This research examines the link between consumer brand perceptions and neural activity by employing Functional Near-Infrared Spectroscopy (fNIRS) and machine learning techniques. The study analyzes the neural projections of participants' reactions to brand-associated adjectives, processing data collected from 168 individuals through machine learning algorithms. The findings underscore the significance of the lateral regions of the prefrontal cortex in the decision- making process related to brand perceptions. The aim is to understand how brands are perceived when associated with various adjectives and to develop this understanding through neural patterns using machine learning models. This study demonstrates the potential of integrating neural data with machine learning methods in the field of applied neuroscience.
  • Conference Object
    Citation - Scopus: 1
    Physical Activity Monitoring With Smartwatch Technology in Adolescents and Obtaining Big Data: Preliminary Findings
    (Ieee, 2024) Filiz, Gozde; Çakar, Tuna; Ayaz, Nuray Aktay; Yekdaneh, Asena; Albayrak, Asya; Bozkan, Tunahan; Çakar, Tuna; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This study assesses the potential of smartwatch technology in monitoring adolescents' physical activity and health parameters. It focuses on the role of physical activity in preventing chronic diseases and improving quality of life. The primary aim of the project is to perform statistical analysis of the large data sets collected from both healthy adolescents and those with chronic rheumatic diseases, and to develop a machine learning-based classification model to distinguish between these two groups. This analysis highlights the issue of physical inactivity observed during the Covid-19 pandemic, while showcasing the capacity of technology to offer solutions. The study aims to evaluate the collected data in a way that forms the basis for personalized activity plans for adolescents, demonstrating how wearable technology and big data can be effectively used in health services and to promote physical activity.
  • Conference Object
    Citation - WoS: 1
    Citation - Scopus: 2
    Determination of Alzheimer's Disease Levels by Ordinal Logistic Regression and Artificial Learning Algorithms
    (Ieee, 2024) Çakar, Tuna; Çakar, Tuna; Arslan, Ilker; Akinci, Zeynep Karaoglu; Oner, Kevser Setenay; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This study compares artificial learning algorithms and logistic regression models in determining different levels of Alzheimer's disease (AD). The research uses demographic, genetic, and neurocognitive inventory results obtained from the National Alzheimer's Coordination Center (NACC) database, along with brain volume/thickness measurements derived from MRI scanners. Deep Neural Networks, Ordinal Logistic Regression, Random Forest, Gaussian Naive Bayes, XGBoost, and LightGBM models were employed to determine the 4 different ordinal levels of AD. Although there were similarities between the accuracy rate, F1 score, AUC value, and sensitivity, specificity, and precision performance measures of each class, the highest classification rate was achieved by the Random Forest model where the oversampling was not applied. (F1 score: 0.86; accuracy: 0.86 and AUC: 0.95). The outputs of the model with the best performance were explained with the SHAP (SHapley Additive exPlanations) method. These findings indicate that non-invasive markers and artificial learning models can be used effectively in early diagnosis and decision support systems to predict different levels of Alzheimer's disease.
  • Conference Object
    Feature Enrichment Via Similar Trajectories for Xgboost Based Time Series Forecasting
    (Ieee, 2024) Yilmaz, Elif; Çakar, Tuna; Çakar, Tuna; Arslan, Ilker; Matematik, ; Bilimi, Bilgisayar; Mühendisliği, Makine; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    In this study, new time series forecasting models are developed based on XGBoost, and the similar trajectories method (ST), which can be interpreted as a regression based on nearest neighbors. Both the similar trajectories method and XGBoost model are known to have successful applications in traffic flow prediction. In our case, the focus is on similar trajectories used in the former method, and features based on these trajectories are used in the training of XGBoost. The success of the proposed models is confirmed through metrics such as the mean absolute error. Also, statistical tests are performed among the compared benchmark models. The study is concluded with discussions and questions about how these models can be further developed.
  • Conference Object
    Reliability Study of Psychometric Tests in a Credit Scoring Model
    (Ieee, 2024) Nicat, Sahin; Filiz, Gozde; Çakar, Tuna; Çakar, Tuna; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    This study investigates the effectiveness and reliability of using psychometric tests in the credit decision-making processes within the finance sector. Psychometric tests, by measuring individuals' cognitive and psychological traits, hold the potential to broaden access to credit and identify high credit risk. However, after the literature review, it was seen that there was a need for more studies on the reliability and validity of these tests in finance. This study is designed to measure the test-retest reliability of a machine learning model and its inputs that utilize psychometric test results. Within the scope of the research, 115 participants were re-subjected to the same psychometric tests after an average of 6 months. Findings showed that psychometric tests and the machine learning model were generally consistent over time. This work has the potential to fill the gaps in the literature regarding the use of psychometric tests in the finance sector and lays a foundation for future research.
  • Conference Object
    Citation - Scopus: 1
    Distinguishing Cognitive Processes: a Machine Learning Approach To Decode Fnirs Data for Third-Party Punishment and Credit Decision-Making
    (Ieee, 2024) Filiz, Gozde; Çakar, Tuna; Son Turan, Semen; Ertugrul, Seyit; Sahin, Turkay; Akyurek, Guclu; Çakar, Tuna; 02.02. Department of Computer Engineering; 04.03. Department of Business Administration; 02. Faculty of Engineering; 04. Faculty of Economics, Administrative and Social Sciences; 01. MEF University
    Functional near-infrared spectroscopy (fNIRS) has seen increasingly widespread use in examining brain activity and cognitive processes. However, the existing literature provides insufficient information on distinguishing between different decision-making mechanisms. This study explores the application of fNIRS in differentiating between two distinct decision-making processes: third-party punishment decisions and credit decisions. The research includes analyzing fNIRS data collected during these processes and classifying the associated neural patterns using machine learning. The findings reveal that fNIRS, in conjunction with ML, holds substantial potential to enhance the depth of understanding of decision-making processes in neuroscience research.
  • Article
    Ön Eğitimli Dil Modelleriyle Duygu Analizi
    (İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü, 2023) Demir, Şeniz; Demir, Şeniz; 02.02. Department of Computer Engineering; 02. Faculty of Engineering; 01. MEF University
    Duygu analizi, çeşitli platformlarda bir konu hakkında düşünce, duygu ya da tutumu irdelemek, analiz etmek ve yorumlamak amacıyla kullanılan yöntemlerden biridir. Farklı konulardaki metinlerin öznel içeriklerine göre sınıflandırılabildiği duygu analizinde makine öğrenmesi ve derin öğrenme modellerinden sıklıkla faydalanılmaktadır.Bu çalışmada, önceden eğitilmiş dil modellerinden yararlanılarak Covid-19 tweet metinleri üzerinde duygu analizi yapılmıştır. Naive Bayes sınıflandırıcıya ek olarak BERT, RoBERTa ve BERTweet dil modelleri kullanılarak farklı sınıflandırıcılar eğitilmiş ve tweet veri kümesi üzerinde elde edilen sonuçlar kıyaslanmıştır. Bildiride aktarılan çalışmanın ileride bu alanda yürütülecek araştırmalara bir zemin oluşturacağı öngörülmektedir.