Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi最新文献_第2页

Offensive Language Detection from Turkish Tweets with Deep and Shallow Machine Learning Methods 基于深度和浅层机器学习方法的土耳其语推文攻击性语言检测

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-10-25 DOI: 10.54525/tbbmd.1169009

Pelin Canbay, Ekin Ekinci

{"title":"Offensive Language Detection from Turkish Tweets with Deep and Shallow Machine Learning Methods","authors":"Pelin Canbay, Ekin Ekinci","doi":"10.54525/tbbmd.1169009","DOIUrl":"https://doi.org/10.54525/tbbmd.1169009","url":null,"abstract":"Nefret söylemi, bir kişiye veya bir gruba yönelik nefreti ifade eden veya şiddeti teşvik eden söylemlerin genel adıdır. Bu söylemler son zamanlarda dijital ortamlarda kontrol edilemez bir şekilde artmıştır. Özellikle Twitter gibi sosyal mecralardaki yazılı nefret söylemleri hem kişiler hem de topluluklar için tehlikeli boyutlara ulaşmıştır. Nefret söyleminin dijital ortamlarda kolaylıkla ve hızlıca yayılabilmesinin önüne geçebilmek için bu söylemleri otomatik tespit edebilecek sistemlere ihtiyaç vardır. Çalışmamızda, en yaygın nefret söylemlerinden biri olan ‘saldırgan’ söylemleri otomatik olarak tespit edebilen yapay zeka modelleri ele alınmıştır. Derin ve sığ makine öğrenmesi yöntemlerinin karşılaştırmalı olarak kullanıldığı çalışmamızda, Türkçe tweetler’deki söylemler saldırgan veya değil olmak üzere 2 kategoriye ayrılabilmektedir. Yaklaşık %75-%25 dengesizliğindeki bir veri kümesini kullanarak geliştirdiğimiz modellerde, doğruluk ölçeğinde 0,85, f-skor ölçeğinde 0,74 oranında başarılı sonuçlar elde edilmiştir. Veri kümesinde bulunan tweetler’in terim frekansı-ters doküman frekansı (tf-idf) vektörleri kullanılarak eğitilen sığ modeller ile sözcük yerleştirmeleri kullanılarak eğitilen derin modellerden elde edilen sınıflandırma sonuçları karşılaştırmalı olarak bu çalışmada sunulmuştur. Yapılan deneysel çalışmalar ile Çift-Yönlü Uzun Kısa Süreli Bellek (BiLSTM) tekniği kullanılarak geliştirilen saldırgan söylem tespit modelinin, sığ yöntemlerden ve diğer bazı derin öğrenme yöntemlerinden daha başarılı sonuçlar ürettiği gösterilmiştir.","PeriodicalId":307505,"journal":{"name":"Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi","volume":"54 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126083333","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Gıda güvenliği için bir model önerisi ve gerçeklenmesi: Nesnelerin İnterneti ve İnsan etkileşimli, blokzinciri üzerinde çalışan gıda üretimi kontrolü

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-10-25 DOI: 10.54525/tbbmd.1149601

Selçuk Yazar, Bora Aslan, Deniz Taşkin

引用次数: 0

Bulut Uygulamalarında Evrensel Duyarlılık Analizi

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-06-05 DOI: 10.54525/tbbmd.1091823

H. Kaya

引用次数: 1

Moda Görseli Sınıflandırma: Düzenleyici Teknikler ile Evrişimsel Sinir Ağları Uygulaması

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-05-26 DOI: 10.54525/tbbmd.1077432

Şule ÖZTÜRK BİRİM

{"title":"Moda Görseli Sınıflandırma: Düzenleyici Teknikler ile Evrişimsel Sinir Ağları Uygulaması","authors":"Şule ÖZTÜRK BİRİM","doi":"10.54525/tbbmd.1077432","DOIUrl":"https://doi.org/10.54525/tbbmd.1077432","url":null,"abstract":"Çevrimiçi moda sektörü son yıllarda hızlı bir şekilde büyümektedir. Bu sektörde yer alan moda ürünü görselleri miktarı da sürekli artış göstermektedir. Ürünleri tanımlama ve sınıflandırma yeteneğine sahip bir sistem, görsellere otomatik etiket eklenmesini sağlayarak hızlı erişime olanak verdiği gibi çalışanların iş yükünü de hafifletebilir. Ayrıca moda sınıflandırma sistemi müşterilerin beğenisine dayalı ürünler sunmada kullanılabilir. Büyük miktarlardaki görseli işleyebilmek için ise yüksek performanslı algoritmalara ihtiyaç duyulmaktadır. Son yıllarda derin öğrenme uygulamalarından Evrişimsel Sinir Ağları (CNN) görüntü analizinde başarısı ile ön plana çıkmaktadır. Literatürde bir çok CNN mimarisi yer almakla birlikte, sınıflandırma doğruluğunu arttıracak yeni CNN mimarilerine olan ihtiyaç artan görsel verisi ile birlikte devam etmektedir. Bu çalışma, 10 sınıfa ayrılmış moda ürünü görselleri içeren Fashion-MNIST veri setini kullanarak farklı CNN mimarileri önermektedir. Önerilen mimarilerle amaç L2 ve Dropout düzenleyici yöntemlerin tahmin başarısına olan etkisini araştırmaktır. Bu sayede, verileri daha iyi sınıflandıran CNN modeli araştırılmıştır. Çalışmada önerilen mimariler; temel CNN, L2 düzenleyici ile CNN, Dropout düzenleyici ile CNN ve son olarak her iki düzenleyiciyi içeren CNN modelleridir. Her iki düzenleyici yöntem de ağ ezberlemeyi azaltmıştır. Elde edilen sonuçlara göre Dropout içeren CNN mimarisi %94.3 doğruluk (accuracy) değeri ile en iyi performansı sunan model olmuştur.","PeriodicalId":307505,"journal":{"name":"Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi","volume":"118 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-05-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133238774","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Farklı Renk Kanallarında Üretilen Doku Özniteliklerinin Yüz Sahteciliği Tespiti Başarımına Etkisinin İncelenmesi

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-04-26 DOI: 10.54525/tbbmd.1075383

Asuman GÜNAY YILMAZ, Uğur Turhal, V. Nabi̇yev

引用次数: 0

Silüet ve RGB Görüntüleri ile Derin Evrişimsel Sinir Ağları Kullanarak Yürüyüşten Kimlik Tanıma

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-04-21 DOI: 10.54525/tbbmd.1076239

Selin GÖK IŞIK, H. Ekenel

{"title":"Silüet ve RGB Görüntüleri ile Derin Evrişimsel Sinir Ağları Kullanarak Yürüyüşten Kimlik Tanıma","authors":"Selin GÖK IŞIK, H. Ekenel","doi":"10.54525/tbbmd.1076239","DOIUrl":"https://doi.org/10.54525/tbbmd.1076239","url":null,"abstract":"Günümüzde kişi tanıma için kullanılan birçok biyometrik özellik vardır. Göz, iris, kulak, parmak izi, DNA gibi fiziksel \u0000biyometrik özelliklerden farklı olarak davranışsal biyometrik özelliklerimiz zamanla öğrenilir ve gelişirler. Yürüyüş, yakın \u0000mesafeden görüntü edinimi gerektiren fiziksel biyometrilerin aksine, uzak mesafeden kaydedilmiş görüntüler üzerinden kişiyi tanımayı sağlamaktadır. Bu makalede, yürüyüşten kişi tanıma problemi için derin öğrenme yöntemi kullanan görünüm tabanlı bir yaklaşım önerilmiştir. Çalışmada, yürüyüş tanıma probleminde yaygın kullanılan girdiler olan ikili insan silüetinin ve yürüyüş enerji imgesinin kişi tanıma başarımına etkileri incelenmiştir. Ayrıca yöntemi pratik uygulamalarda kullanıma daha uygun hale getirebilmek için insan silüeti çıkarma, yürüyüş döngüsü hesaplama gibi ön işleme adımları kaldırılmış ve doğrudan RGB çerçeveleri girdi olarak kullanılmıştır. Ek olarak transfer öğrenmenin başarıma katkısı gözlemlenmiş, bu amaçla popüler bir nesne tanıma modeli CASIA-B yürüyüş veri kümesi üzerinde ince ayarlanmıştır. Yürüyüş dizisini temsil edecek öznitelik vektörünün elde edilmesi aşamasında çerçevelerden çıkarılan öznitelik vektörleri arasında farklı birleştirme yöntemleri denenmiş ve başarıları karşılaştırılmıştır. Önerilen yaklaşımın başarımı hem bu alanda sıkça kullanılan CASIA-B ve OU-ISIR Büyük Popülasyon yürüyüş veri kümelerinde hem de gerçek hayattan toplanmış yürüyüş verileri içeren PRID-2011 kişiyi yeniden tanıma veri kümesi üzerinde deneyler yapılarak ölçülmüştür. Açı farklılıklarının etkisini gözlemlemek için deneyler özdeş ve çapraz görünüm koşulları için tekrarlanmıştır. Derin öğrenme yaklaşımı kullanılarak elde ettiğimiz sonuçlar geleneksel yöntemlerin sonuçlarına göre daha başarılı bulunmuştur.","PeriodicalId":307505,"journal":{"name":"Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi","volume":"56 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128004743","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

The Meta-Heuristics Approaches in Training Feed-Forward Neural Networks 前馈神经网络训练中的元启发式方法

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-04-01 DOI: 10.54525/tbbmd.1071656

Ebubekir Kaya

{"title":"The Meta-Heuristics Approaches in Training Feed-Forward Neural Networks","authors":"Ebubekir Kaya","doi":"10.54525/tbbmd.1071656","DOIUrl":"https://doi.org/10.54525/tbbmd.1071656","url":null,"abstract":"Artificial neural network is one of the most widely used artificial intelligence techniques for system identification and modeling. An effective training process is needed to obtain effective results with artificial neural networks. Metaheuristic algorithms have been used successfully in solving many real-world problems. Especially, optimization of the parameters of the network is required in artificial neural network training. Recently, metaheuristic algorithms have been used for this purpose and successful results have been obtained. There are many metaheuristic algorithms in the literature. The performances of meta-heuristic algorithms can differ according to the problem type. In this study, the performances of popular metaheuristic algorithms such as artificial bee colony algorithm, particle swarm optimization, harmony search, bee algorithm, flower pollination algorithm and cuckoo search are evaluated in the training of feed forward neural network. XOR, 2-bit parity and 3-bit parity problems are utilized for applications. The results obtained for all problems are evaluated in terms of solution quality and convergence speed. In general, it has been observed that neural network training based on metaheuristic algorithm is successful for solving related problems. The best results are found by using artificial bee colony algorithm and cuckoo search.","PeriodicalId":307505,"journal":{"name":"Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi","volume":"46 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116591602","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Nesnelerin İnterneti Yaklaşımıyla Konvoy Araçların Yönetimi

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-03-30 DOI: 10.54525/tbbmd.1050239

Caner Öz, Yasemin Topaloğlu

引用次数: 0

Akan Verinin Makine Öğrenme Algoritmaları Kullanılarak Ölçeklenmesi

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-03-25 DOI: 10.54525/tbbmd.1051177

Önder Aykurt, Zeynep Orman

{"title":"Akan Verinin Makine Öğrenme Algoritmaları Kullanılarak Ölçeklenmesi","authors":"Önder Aykurt, Zeynep Orman","doi":"10.54525/tbbmd.1051177","DOIUrl":"https://doi.org/10.54525/tbbmd.1051177","url":null,"abstract":"Teknolojinin gün geçtikçe gelişmesiyle birlikte hayatımızdaki yeri ve önemi artmaktadır. Gelişen teknoloji, birçok cihazın birbirleriyle ve insanlarla olan etkileşimini arttırmıştır. Bu etkileşimin sonucunda ortaya büyük miktarda veri çıkmaktadır. Gerçek zamanlı üretilen bu veriler, üretildiği anda değerlidir. Özellikleri gereği sıralı, değişik boyutlarda ve düzensiz periyotlarda elde edilen bu veriler, akan veri olarak tanımlanmıştır. Akan veriler, hemen işlenmezse değerini kaybedebilir veya tamamen kaybolabilir. Bu nedenle, yapılandırılmamış verileri sürekli olarak alıp analiz edebilen ölçeklenebilir sistemlerin geliştirilmesi önemlidir. Literatürdeki çalışmaların çoğu mevcut şartlarda sistemin nasıl çalışacağı konusuna yoğunlaşmıştır. \u0000Bu çalışma kapsamında, yukarıdaki problemlerden yola çıkarak, akan veriyi makine öğrenme algoritmaları kullanılarak anlık olarak analiz edebilen ölçeklenebilir bir sistem tasarımı amaçlanmıştır. Geliştirilen sistem ve algoritmalar, gerçek veri ve yapay veriler ile çalıştırılarak değerlendirme metrikleriyle sonuçlar elde edilmiş, ölçeklenme durumu anlık olarak izlenmiştir. Yapılan simülasyon çalışması sonucundaki veriler değerlendirilerek literatüre ve gelecek çalışmalara ışık tutmak amaçlanmıştır.","PeriodicalId":307505,"journal":{"name":"Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi","volume":"52 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-03-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127606805","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Internet of Things (IoT) Based Smart Irrigation and Fertilization System 基于物联网的智能灌溉与施肥系统

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi Pub Date : 2022-03-07 DOI: 10.54525/tbbmd.1028785

M. A. Yenikaya, Erdal Güvenoğlu, Suleyman Kondakci

引用次数: 1