Yazar "METİN, Serkan" seçeneğine göre listele

Listeleniyor 1 - 4 / 4
  • Küçük Resim Yok
    Öğe
    Benzetimli Tavlama Algoritması İle Eksik Veri Tamamlama
    (2021) METİN, Serkan
    Statiksel birçok yöntem eksik değerlere sahip veri setleri üzerinde çalışma kapasitesine sahip değildir. Bu nedenle, girdi olarak yalnızca tam veriyi kabul eden modellerin tahmin performansı önemli ölçüde düşmektedir. Eksik verilerin tamamlanması bunun için veri analizlerinde önemli bir yere sahiptir. Bu çalışmada kullanılan veri seti üzerinde eksik olan verilerin tamamlanma probleminin çözümünde sezgisel optimizasyon yöntemi olan Benzetimli Tavlama Algoritması(BTA) kullanılmıştır. Modern sezgisel teknikler, bir problem çözümünde, kendi yerel arama sistemleri ile en iyi sonuca ulaşmayı amaçlamaktadırlar. BTA performansını etkileyen en önemli değer başlangıç sıcaklık değeri (T0) olduğundan üç farklı sıcaklık değeri ile sonuçlar alınmıştır. To=100.000 değeri için %68, To=10.000 için %51 ve To=1.000 için %46’lik bir başarı elde edilmiştir.
  • Küçük Resim Yok
    Öğe
    Novel Fuzzy Kernels Based Local Binary Pattern And Local Graph Structure Methods
    (2021) METİN, Serkan; DOGAN, Sengul
    Local descriptors are the most effective textural image recognition methods. Local descriptors generally consist of two phases. These are binary feature coding and histogram extraction phases, and they often use the signum function for the binary feature extraction. In this article, new fuzzy-based mathematical kernels are proposed for binary feature encoding in local descriptors. Fuzzy kernels consist of membership degree calculation and coding these membership degrees. In order to calculate membership degrees, four fuzzy sets are utilized. The proposed fuzzy kernels are considered as binary feature-extraction functions, and a novel textural image recognition architecture is created using these fuzzy kernels. These architecture phases are; (1) binary feature coding with fuzzy kernels, (2) calculating lower and upper images, (3) histogram extraction, (4) feature reduction with maximum pooling, (5) classification. In the classification phase, a quadratic kernel-based support vector machine (SVM) classifier is utilized. The presented fuzzy kernels are implemented on the Local Binary Pattern (LBP) and Local Graph Structure (LGS). 16 novel methods are presented using fuzzy kernels for each descriptor. In this article, LBP and LGS are used, and 32 novel fuzzy-based methods are proposed to improve recognition capability. 3 facial images and 3 textural image datasets are used to evaluate the methods' performance. The experimental results clearly illustrate that the fuzzy kernels based LBP and LGS methods have high facial and textural image recognition capability.
  • Küçük Resim Yok
    Öğe
    ÖĞRENCİLERİN AKADEMİK NOT ORTALAMALARININ MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİNİ
    (2025) METİN, Serkan
    Bu çalışma, öğrencilerin akademik not ortalamalarını tahmin etmek için farklı makine öğrenmesi yöntemlerini kullanmıştır. Çalışmada, Gradient Boosting Regressor (GBR), Random Forest Regressor, Feedforward Neural Networks (FFNNs), XGBoost ve diğer modeller uygulanmış ve performansları MAE, RMSE, MAPE ve R² gibi metriklerle değerlendirilmiştir. Random Forest modeli, %100 R² ile en yüksek doğruluğu sağlamış ve en düşük hata oranlarına ulaşmıştır. Diğer modeller arasında Gradient Boosting ve XGBoost da yüksek doğruluk oranlarıyla öne çıkmıştır. Araştırma, öğrencilerin günlük çalışma saatleri, sosyal ve fiziksel aktiviteler ile stres seviyeleri gibi değişkenlerin akademik başarı üzerindeki etkilerini analiz etmiştir. Günlük çalışma saatleri, %73'lük pozitif korelasyonla başarı üzerindeki en güçlü etkiye sahip faktör olarak belirlenmiştir. Stres seviyesinin başarıya ölçülü bir şekilde pozitif etkisi olduğu görülürken, fiziksel aktivitelerin başarıyı az da olsa olumsuz etkilediği tespit edilmiştir
  • Küçük Resim Yok
    Öğe
    One-dimensional Center Symmetric Local Binary Pattern Based Epilepsy Detection Method
    (2021) METİN, Serkan
    The diagnosis of epilepsy from the EEG signals is determined by the visual/manual evaluation performed by the neurologist. This evaluation process is laborious and evaluation results vary according to the experience level of neurologists. Therefore, automated systems that will be created using advanced signal processing techniques are important for diagnosis. In this study, a new feature extraction method is proposed using multiple kernel based one-dimensional center symmetric local binary pattern (1D-CSLBP) to identify epileptic seizures. To strengthen this method, levels have been created and multi-level feature extraction has been carried out. Discrete wavelet transform (DWT) was used to generate the levels and feature extraction was performed using the low pass filter coefficient (L bands) obtained at each level. Neighborhood component analysis (NCA) was used to select the most distinctive features. The obtained features are classified using the nearest neighbors (kNN) algorithm. A high performance method was obtained by using multiple kernel NCA and NCA. The 1D-CSLBP and NCA-based method has reached 100.0% accuracy in A-E, A-D-E, D-E, C-E situations.