Yazar "Bingöl, Harun" seçeneğine göre listele

Listeleniyor 1 - 8 / 8
  • Küçük Resim Yok
    Öğe
    A New Hybrid Method for Classification of Rice Leaf Diseases: SVM+NCA+Resnet50
    (Niyazi BULUT, 2024) Bingöl, Harun; Aslan, Serpil
    Rice is extremely important for individuals and countries, both in terms of nutritional value and financial value. It is necessary to protect such an important plant from diseases and increase the yield. However, early detection of diseases on plant leaves can prevent the spread of this disease and is also very important in terms of treating the plant. Artificial intelligence has become very popular in recent years thanks to its success in terms of disease classification. CNN architectures used in image classification perform very successful work. Within the scope of this study, it is recommended that the diseases on rice leaves be classified using artificial intelligence techniques, without mixing them with each other, with very high accuracy values, and without any problems caused by humans. With this proposed model, a support vector machine-based model is proposed that classifies five (5) of the most common rice diseases with a very high accuracy of %98.
  • Küçük Resim Yok
    Öğe
    Derin Öğrenme Modellerinde Komşuluk Bileşen Analizi Yöntemi Kullanarak Çiçek Görüntülerinin Sınıflandırılması
    (2022) Bingöl, Harun
    Çiçekler tıpkı insanlar ve hayvanlar gibi doğanın yeri doldurulamaz canlılarıdır. Çiçekler birçok hastalığın tedavisinde tıp uzmanları tarafından kullanılmaktadır. İlaç şirketleri büyük araştırma laboratuvarlarında ilaç üretmek için devasa bütçeler ayırarak bu çiçek türleri üzerine araştırma yapmaktadırlar. Bazı çiçekleri gördüğümüz zaman hemen tanırız fakat doğada bizim bildiğimizden çok daha fazla çiçek türü mevcuttur. Hatta günümüzde hiç tanınmamış çiçek türleri bile vardır. Bu çalışmada çiçek türleri üzerine çalışan araştırmacıların, çiçek türlerini tespit etme işlerini kolaylaştırmak amacıyla çiçek görüntüleri derin öğrenme metotları kullanarak sınıflandırılmıştır. Derin öğrenme yöntemleri son zamanlarda özellikle görüntü işlemede yaygın bir şekilde kullanılmakta ve oldukça etkili sonuçlar vermektedir. Bu çalışmada altı farklı derin öğrenme yöntemi kullanılmıştır. İlk aşamada, önceden eğitilmiş Alexnet, Googlenet, Shufflenet, Efficientnetb0, Resnet50 ve Inceptionv3 mimarileri ile sınıflandırma işlemi yapılmıştır. İkinci aşamada ise bu altı mimariden elde edilen özellik haritaları KBA (Komşuluk bileşen analizi) yöntemi ile optimize edildikten sonra ayrı ayrı makine öğrenmesi sınıflandırıcılarında sınıflandırılmıştır. Üçüncü aşamada, önceden eğitilmiş bu altı derin öğrenme modelini kullanarak veri setindeki çiçek görüntülerinin özellik haritaları çıkarılmıştır. Bu altı derin öğrenme mimarisinden üç tanesi kullanılarak elde edilen özellik haritaları birleştirilmiştir. Daha sonra bu özelliklere algoritmanın çalışma zamanını kısaltmak için KBA metodu uygulanarak gereksiz özellikler çıkarılmış ve optimize edilmiştir. Optimize edilmiş olan özellik haritası klasik makine öğrenmesi sınıflandırıcılarında sınıflandırılmıştır. Deneysel çalışmalarımız sonucunda önermiş olduğumuz modelin doğruluk oranı yüzde 93.49’dur.
  • Küçük Resim Yok
    Öğe
    EPILEPTIC SEIZURE DETECTION FROM EEG SIGNALS WITH RECURRENT NEURAL NETWORKS BASED CLASSIFICATION MODEL
    (Niyazi BULUT, 2024) Aslan, Serpil; Bingöl, Harun
    Epileptic seizures are a neurological disorder that occurs as a result of sudden and uncontrolled electrical activities of the non-contagious brain. This condition may cause the person to lose normal activities temporarily. Epileptic seizures are a severe disease that affects approximately 60 million people in the world, usually manifested by symptoms such as loss of consciousness, muscle twitching, sudden sensory changes, or behavioural changes [1]. Genetics, brain injury, hormonal fluctuations, infections, or metabolic problems are some of the possible causes of epileptic seizures. Although the severity and duration of the seizure varies from person to person, it is usually very short and rarely reaches a point where it endangers human life. However, such seizures need to be recognized as soon as possible in order to improve the quality of life of individuals and reduce the frequency of seizures. Epileptic seizures are a manageable disease with early diagnosis and appropriate treatment. Recognizing epileptic seizures begins with understanding a person's symptoms and triggering factors. These symptoms may include loss of consciousness, muscle twitches, sudden sensory changes, and behavioural changes. The symptoms of seizures, past medical history, and neurological examinations are essential in the diagnosis process. From past to present, many methods have been developed for the early diagnosis and detection of epileptic seizures [2]. One of these is analyzing the brain's neural activities using electroencephalography (EEG), which helps experts make a diagnosis. Although EEG signals are used as a powerful tool in epileptic seizure recognition, distinguishing the signals within them is both costly and requires highly expert experience. Therefore, this study proposed an automatic classification model for pre-processed EEG signals using Dual-Tree Complex Wavelet Transform (DT-CWT) based on deep learning-based Recurrent Neural Networks (RNN) architecture to assist experts. Compared to classical machine learning methods, deep learning-based models require less manual feature engineering because they perform data automatically thanks to deep networks instead of manually selecting and transforming the data features. These advantages make the model more general and flexible. The proposed model aims to classify EEG signals and detect epileptic seizures effectively and quickly in the early stages.
  • Küçük Resim Yok
    Öğe
    Machine Learning Based Deception Detection System in Online Social Networks
    (2022) Bingöl, Harun; Alatas, Bilal
    The rapid dissemination of Internet technologies makes it easier for people to live in terms of access to information. However, in addition to these positive aspects of the internet, negative effects cannot be ignored. The most important of these is to deceive people who have access to information whose reliability is controversial through social media. Deception, in general, aims to direct the thoughts of the people on a particular subject and create a social perception for a specific purpose. The detection of this phenomenon is becoming more and more important due to the enormous increase in the number of people using social networks. Although some researchers have recently proposed techniques for solving the problem of deception detection, there is a need to design and use high-performance systems in terms of different evaluation metrics. In this study, the problem of deception detection in online social networks is modeled as a classification problem and a methodology that detects misleading contents in social networks using text mining and machine learning algorithms is proposed. In this method, since the content is text-based, text mining processes are performed and unstructured data sets are converted to structured data sets. Then supervised machine learning algorithms are adapted and applied to the structured data sets. In this paper, real public data sets are used and Support Vector Machine, k-Nearest Neighbor (k-NN), Naive Bayes, Random Forest, Decision Trees, Gradient Boosted Trees, and Logistic Regression algorithms are compared in terms of many different metrics.
  • Küçük Resim Yok
    Öğe
    Makine Öğrenmesi Modellerinde Hiperparametre Optimizasyonu için Paralel PSO Yaklaşımı
    (2025) Bingöl, Harun; Barut, Cebrail
    Hiperparametre ayarı, özellikle geleneksel yöntemlerin (Grid Search(GS) ve Random Search(RS)) yetersiz kaldığı yüksek boyutlu ve karmaşık parametre alanlarında, makine öğrenimi modellerinin performansını artırmak için çok önemlidir. Bu çalışma, üç modelde (Lojistik Regresyon (LR), Random Forest (RF) ve Destek Vektör Sınıflandırıcısı (SVM) ) üç veri kümesi (Iris, Meme Kanseri (Breast Cancer), Kırmızı Şarap Kalitesi (Red Wine Quality)) üzerinde değerlendirilen hiperparametre optimizasyonu için paralelleştirilmiş Parçacık Sürüsü Optimizasyonu (P-PSO) yaklaşımını tanıtmaktadır. Deneysel sonuçlar, P-PSO'nun çoğu durumda üstün ağırlıklı F1 puanları elde ettiğini göstermektedir; örneğin, tüm modellerde Iris veri kümesinde 0,96'ya, Breast Cancer'da RF için 0,88'e ve özellikle zorlu Red Wine Quality veri kümesinde RF için 0,69'a ulaşarak diğer optimizasyon tekniklerini 0,02-0,05'e varan marjlarla geride bırakmaktadır. Özellikle karmaşık modellerde daha uzun yürütme sürelerine rağmen, P-PSO daha tutarlı ve daha yüksek doğruluk sunmaktadır. Bu sonuçlar, P-PSO'nun, özellikle hesaplama maliyetinden ziyade model performansının en üst düzeye çıkarılmasının önceliklendirildiği durumlarda, hiperparametre ayarlaması için etkili, ölçeklenebilir ve sağlam bir alternatif olduğunu doğrulamaktadır.
  • Küçük Resim
    Öğe
    NCA-based hybrid convolutional neural network model for classification of cervical cancer on gauss-enhanced pap-smear images
    (Wiley-Blackwell, 2022) Bingöl, Harun
    Cervical cancer is a very serious disease that deeply affects women's lives, often resulting in death. This type of cancer, which is very common in women, is diagnosed at an early stage and is of vital importance for the success of the treatment. Pap-smear tests are used by physicians as the primary diagnostic tool to diagnose the disease. In this study, a hybrid deep model is proposed to classify pap-smear images to detect cervical cancer. In addition, the Gaussian method was applied to improve the images in the original dataset. Feature maps were taken from both the original dataset and the Gaussian-enhanced dataset in the built hybrid architecture, which used Darknet53 and Mobilenetv2 models as the base. After these obtained feature maps were combined, useless features were extracted and the number of features was reduced by using the Neighborhood Component Analysis (NCA) dimension reduction method. Finally, this optimized feature map was classified into different classifiers. As a result of the experimental studies, it was determined that the proposed hybrid model performed better when compared to other studies in the literature and the accuracy rate was 98.90% in the Support Vector Machines (SVM) classifier.
  • Küçük Resim Yok
    Öğe
    Önerilen Derin Öğrenme ve Makine Öğrenmesi Tabanlı Hibrit Model ile Çevresel Atıkların Sınıflandırılması
    (2023) Yıldız, Elif Nur; Bingöl, Harun; YILDIRIM, Muhammed
    Çevre kirliliği sorunu, son zamanlarda artış gösterip hem insanlığa hem de çevreye tehdit oluşturmaktadır. Dünya genelinde çarpık kentleşme, sanayileşme ve insanların sorumsuz davranışları sonucu büyük bir atık problemi ortaya çıkmaktadır. Bu problem hayat standartlarımızı kısıtlayıp, daha sağlıksız bir ortamda yaşam sürmemize neden olmaktadır. Atıklar genellikle çöp olarak bilindiğinden geri kazanılmaya çalışılmadan ortamdan uzaklaştırılır ve bu durumda da atığın geri dönüşüme gitmeden doğada kendi kendine çözünme süresi uzun yıllar almaktadır. Atıkların ömrünü uzatma ve ayrıştırılması ile hem çevre kirliliği azalır hemde geri dönüşüme katkı sağlayarak dünya daha yaşanılabilir bir hale gelir. Derin öğrenme modelleri ve makine öğrenme yöntemleri kullanılarak yapılan bu çalışmada çevremizi daha yaşanılabilir hale getiren ve geri dönüşüme yardımcı olan atık ayrıştırma veri seti kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Bu çalışmada yapay zeka teknikleri ile atık ayrıştırma tespitinde AlexNet, GoogLeNet, ResNet50, DenseNet201, ShuffleNet, SqueezeNet mimarileri ile sonuçlar elde edilmiştir. Sonraki aşama da derin mimarilerden elde edilen özellik haritaları destek vektör makineleri (DVM), k-en yakın komşu (KNN) ve karar ağaçlarında (KA) sınıflandırılmıştır. Mimarilerin elde ettikleri sonuçlar karşılaştırılarak bu problem için en iyi mimari seçilmiştir. Deneyler sonucunda önermiş olduğumuz hibrit model %85.94 doğruluk değeri elde etmiştir.
  • Küçük Resim Yok
    Öğe
    Performance Comparison of Biology based Metaheuristics Optimization Algorithms using Unimodal and Multimodal Benchmark Functions
    (2023) belli, fatma; Bingöl, Harun
    Optimization is used in almost every aspect of our lives today and makes our lives easier. Optimization is generally studied as classical and heuristic optimization techniques. Classical optimization methods are not effective in real-world engineering problems. These methods, by their nature, require a mathematical model. Metaheuristic optimization methods have started to be used frequently today in the solution of these problems when a mathematical model cannot be created or a solution cannot be produced in an effective time even if it is created. These methods, by their nature, cannot produce effective results in all engineering problems. Therefore, new metaheuristic optimization methods are constantly being researched. In this study, quality test functions have been used to compare the performances of five algorithms that have been developed in recent years and produce effective results. The results obtained from these functions are shared in this study. It has been observed that the Artificial Hummingbird Optimization Algorithm (AHA) gives better results than other metaheuristic algorithms.