Yazar "Karakuş, Yasin" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Laptop Price Range Prediction with Machine Learning Methods
    (SET Teknoloji, 2024) Karakuş, Yasin; Bilgin, Turgay Tugay
    Prices forecasting, and price range estimation studies are very important for laptops, which have a very wide usage area, number of users and a large market share. Most existing price prediction studies use regression-based methods to estimate a concrete value for price. However, for many real-world applications, it is much more practical to predict a price class (or range). Although there are many studies on laptop price prediction in the literature, there is only one study on laptop price range prediction. The fact that the prices are divided into three different classes in this study does not overlap much with the laptop price range prediction problem in the real world. In addition, very few machine learning methods have been tested on the laptop price range prediction problem. To overcome these problems and contribute to the literature, a dataset previously used for laptop price prediction was adapted to be used for laptop price range prediction and the dataset was optimized for laptop price range prediction by applying preprocessing steps such as data cleaning, feature engineering and label encoding. Then, price range predictions were produced with machine learning methods such as random forest, histogram-based boosting, extra trees and catboost classifiers. When the success of the classifiers was tested, the best classifier was histogram-based boosting classifier with 70% accuracy.
  • Küçük Resim Yok
    Öğe
    Protein complex detection from protein protein i nteraction networks with machine learning methods
    (2024) Karakuş, Yasin; Altuntas, Volkan
    Understanding Protein - Protein interaction networks, which show the interactions between proteins involved in tasks that are very important for our organisms such as structural support, storage, signal transduction and defence, provides a better understanding of cellular processes. One of the important studies carried out for this purpose is to try to detect protein complexes from protein - protein interaction networks. Supervised and unsupervised machine learning methods were used to detect protein complexes. It is known that the machine learning methods used produce better performance when more than one method is used together. Based on this knowledge, a method that detects protein complexes from protein-protein interaction networks is proposed in this study. The method first weights protein-protein interaction networks using biological and topological properties of proteins. Then it estimates local and global protein complex core. Then it builds a protein complex detection model using the structural modularity of proteins and the voting regression model. We predict that XGB regression, gaussian process regression, catboost regression and histogram-based gradient boosting regression supervised learning methods can achieve more successful results when used together in the voting regression model. When we compare the success of the model with other models, it has shown the best performance many times among the compared models.
  • Küçük Resim
    Öğe
    Uzun kısa süreli bellek (LSTM) kullanarak İstanbul ve civarı için deprem eğilimi tahmini
    (Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2024) Karakuş, Yasin; Altuntaş, Volkan
    Doğal afetler, genellikle insanların kontrolü dışında gerçekleşen ve gerçekleşmesi neticesinde başta can ve mal kayıpları olmakla birlikte ekonomik, çevresel, sağlıksal ve daha nice kayıplara yol açan olaylardır. Bu doğal afetlerden birisi olan depremler ile ülkemiz tarihinde sıkça karşılaşılmaktadır. Birçok ülke, kurum ve kişi tarafından depremlerin yıkıcı etkilerini en aza indirmek için çalışmalar yapılmaktadır. Bu çalışmalardan birisi de depremi gerçekleşmeden önceden yeri, zamanı ve büyüklüğüyle tahmin edebilen deprem tahmin çalışmalarıdır. Depremin önceden tahmin edilebilmesi can ve mal kaybını büyük oranda azaltma potansiyeline sahip olduğu için hayati öneme sahip ve depremlerin sürekli yaşanıyor olmalarıyla birlikte popülerliğini hiç kaybetmeyen bir konudur. Aynı zamanda depremlerin oluşumunun çok yüksek karmaşıklıktaki süreçleri içermesi ve analiz edilmesi zor olan çok sayıda faktöre bağlı olmasından dolayı oldukça zor bir konudur. Deprem tahmini üzerine mevcut çalışmalar, kullanılan metodolojilere göre matematiksel analiz, öncüllerin araştırılması, geleneksel makine öğrenmesi ve derin öğrenme olmak üzere dört farklı başlık altında incelenebilmektedir. Öncüller olarak isimlendirilen verilerin kullanıldığı çalışmalar her depremden önce meydana gelmediği için bu verileri kullanan algoritmaları genelleştirmek ve standart hale getirmek oldukça zordur. Matematiksel analiz yöntemleri kısıtlı verilerle çalıştıkları ve düşük başarı sonuçları elde ettikleri için pek tercih edilmemektedirler. Geleneksel makine öğrenmesi deprem tahmininde kullanılan önemli yöntemlerden birisidir. Derin öğrenme yöntemleri, karmaşık problemleri çözmedeki başarısı nedeniyle deprem tahmininde son zamanlardaki en popüler yöntemlerdir. Uluslararası mecralarda deprem tahmini çalışmaları gerçekleştirildiği gibi ülkemizde de çeşitli yöntemler kullanılarak deprem tahmini çalışmaları gerçekleştirilmiştir. Kahramanmaraş'ta meydana gelen depremlerle birlikte yaşamış olduğumuz can ve mal kayıplarının ardından gözler jeologların uzun zamandır üzerinde durduğu ve yapı stoğunun büyük bir çoğunluğunun eskiye dayandığı İstanbul'a çevrilmiştir. Ne yazık ki beklenen İstanbul depremi için İstanbul ve civarına yönelik yeterli sayıda deprem tahmini çalışması yapılmamıştır. Beklenen İstanbul depremi için bir deprem tahmin çalışması yapmak, deprem tahmini konusunda bir kaynak oluşturmak ve bu konuda çalışmalar yapmaya teşvik etmek amacıyla bu çalışmada İstanbul ve civarı için uzun kısa süreli bellek (LSTM) ve evrişimsel sinir ağları (CNN) kullanarak deprem tahmini çalışması yapılmıştır. Bu çalışmadan önce deprem ve deprem tahmin çalışmalarına dair genel bilgiler verilmiştir. Daha sonra deprem tahmini kısmı veri toplama, veri ön işleme, veri bölütleme, model eğitimi ve modellerin değerlendirilmesi aşamalarından oluşmaktadır. Veri toplama aşamasında İstanbul ve civarına ait son 25 yılın tarihsel deprem verileri AFAD'dan temin edilmiştir. Veri ön işleme aşamasında eksik veri tespiti ve veri normalizasyonu gerçekleştirilmiştir. Veri Bölütleme aşamasında veri xv seti eğitim ve test olmak üzere 2 kısma ayrılmıştır. Model eğitimi aşamasında LSTM ve CNN kullanılarak deprem tahmini modeli oluşturulmuştur. Deprem tahmin modeli girdi olarak deprem büyüklüğü, enlem, boylam ve derinlik verilerini ayrı ayrı ya da hep birlikte kullanarak deprem büyüklüğü, enlem, boylam ve derinlik tahminleri yapmaktadır. Model değerlendirme aşamasında deprem tahmin modeli ile birlikte parametreler, tarihsel veriler ve veri seti özellikleri ortalama mutlak hata, ortalama hata karesi ve ortalama mutlak yüzde hatası metrikleri kullanılarak test edilmiştir. Ek olarak eğitilen modeller, modellerin geçerliliğini ölçmek amacıyla bir diğer deprem beklenen yerler arasında olan Bingöl – Karlıova civarı için de test edilmiştir. Testler sonucunda İstanbul ve civarı için kabul edilebilir başarı oranına sahip bir deprem tahmin çalışması gerçekleştirilmiştir. Bununla birlikte bu problem özelinde LSTM ve CNN modellerin ne kadar başarılı oldukları, hangi zaman aralığına ait verilerin kullanımının daha başarılı sonuçlar üretebileceği, özelliklerin öğrenmeye olan katkısı ve hangi parametrelerin daha kullanışlı olduğuna yönelik bilgiler edinilmiştir.