Yüksek Lisans Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.11779/1785

Browse

Filters

2022 - 20254

Settings

Author: search.filters.author.Çakar, TunaSubject: search.filters.subject.Bilim ve Teknoloji

Search Results

Now showing 1 - 4 of 4
  • Master Thesis
    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.
  • Master Thesis
    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.
  • Master Thesis
    Customer transaction predictive modeling via machine learning algorithms
    (MEF Üniversitesi, 2023) Ertuğrul, Seyit; Çakar, Tuna
    The main purpose of this study is to determine the behavior and characteristics of the customers of a company that is active in the factoring sector, and accordingly, to capture measurable parameters with exploratory data analysis based on the historical data of the customers, and then to perform predictive models for the target. A hit rate of around 80% was achieved in SVM and Extra Trees models, which are classification model algorithms. In this way, it is aimed to directly contribute to the transaction volume on a business basis by acting in a more effective, efficient and correct approach after approving the check that shows high potential, that is, the customers who are likely to accept it after the offer is made as a business.
  • Master Thesis
    Comparing audio features for speech emotion recognition using machine learning algorithms
    (MEF Üniversitesi, 2022) Gümüş, Fatma; Çakar, Tuna
    Ses, hayatımızın tamamlayıcı bir parçasıdır. Son yıllarda ses teknolojisine olan talep sanat ve insan-makine etkileşimi sistemlerinde artmaktadır. Ses ile daha fazla bilgi daha hızlı bir şekilde aktarılabilmektedir. Konuşma iletişim kurmanın doğal bir yoludur ve bunun sonucu olarak teknolojik alanlarda kullanıcı ile temas kurmada öncelikli tercih edilir. Sesimiz konuşma sırasında hem dilsel hem de dilsel olmayan bilgileri taşır. Dilsel olmayan ritim, perde gibi bilgiler konuşmacının duygu durumu ile ilgili ipucu sağlar. Duygular bilişsel, fizyolojik ve davranışsal değişikliklerden oluşur ve tüm bu fenomenler birbirleriyle ilişkilidir. Genel anlamda duygu, düşünceleri etkileyen, davranışları belirleyebilen, fiziksel ve psikolojik değişiklikleri oluşturan durum olarak açıklanabilir. Konuşmadan Duygu Çıkarımı konusu 'Nasıl söyledi?' sorusunun cevabını inceler ve kayıt edilmiş bir sesten algoritma yardımı ile duyguyu belirlemeye çalışır. Bu çalışmada, Konuşmadan Duygu Çıkarımı problemine makine öğrenimi türlerinden sınıflandırma yöntemi ile çözüm aranmıştır. Ses çok fazla sayıda karakteristikten oluşmaktadır, bu karakteristiklerin duygu ile ilişkili olan optimize seti henüz tespit edilememiştir. Bu özellikleri karşılaştırmak ve en ayırt edici özelliği belirleyebilmek için sesin farklı boyutlardaki Root Mean Square Energy (RMSE), Zero Crossing Rate (ZCR), Chroma ve Mel Frequency Cepstral Coefficients (MFCC) özellikleri duygu tahmini için incelenmiştir. Daha yakın zamanlarda geliştirilmeye başlanan ön eğitimli model ile girdilerin oluşturulabilmesi için wav2vec Large modeli de kullanılmıştır. Geleneksel yöntemler ile elde edilen öznitelik ve ön eğitimli model girdilerinin duygu tahmini karşılaştırması için Destek Vektör Makineleri, Çok Katmanlı Algılayıcılar ve Evrişimsel Sinir Ağı algoritmaları ile modeller geliştirilmiştir. Çalışmada Mutlu, Sakin, Kızgın, Can Sıkıntısı, İğrenme, Korku, Nötr, Üzüntü ve Şaşkın duyguları sınıflandırılmaya çalışılmış, İngilizce ve Almanca konuşma setleri kullanılarak modeller eğitilmiş ve test edilmiştir. Sınıflandırma sonuçları incelendiğinde en başarılı tahminlerin ön eğitimli modeller ile elde edildiği görülmektedir. Evrişimsel Sinir Ağı ve Çok Katmanlı Algılayıcılar için %91 ağırlıklı doğruluk oranı ön eğitimli modeller için ortak iken bu oran Destek Vektör Makineleri'nde %87'dir. Duygular arasında ise en iyi tahmin ön eğitimli model kullanılan Evrişimsel Sinir Ağı yöntemiyle Korku duygusu için %95 f- skor ile elde edilmiştir.