Filtreler

20242
Filtreleri Sıfırla

Ayarlar

search.filters.applied.f.publicationcategory: Makale - Uluslararası Hakemli Dergi - Başka Kurum Yazarı × Konu: Deep Learning ×

Arama Sonuçları

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    A comparative analysis of learning techniques in the context of Turkish spam detection
    (Batman Üniversitesi, 2024-07-07) Şengel, Öznur
    Short Message Service (SMS) is a mobile messaging tool used by billions of people to communicate via a mobile phone. However, due to the lack of proper message filtering techniques, this form of communication is vulnerable to unwanted and junk messages. This paper compared SMS spam detection approaches based on machine learning methods such as Adaptive Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF), Multinominal Naïve Bayes (MNB), Logistic Regression (LR), and Support Vector Machines (SVM) and deep learning methods such as Convolutional Neural Networks (CNNs), Artificial Neural Networks (ANNs), and Long Short Term Memory (LSTM) in terms of f-score, accuracy, recall, precision, and a confusion matrix constructed for each strategy. The study tested two different preprocessing methods on two different Turkish SMS datasets to evaluate the approaches. The aim of this study is to contribute to the issue of spam filtering in Turkey. The results indicate that the highest accuracy values were achieved with Support Vector Machine (99.03%) using the first preprocessing method and Logistic Regression and Random Forest (98.07%) using the second preprocessing method on the BigTurkishSMS dataset, a combination of the two datasets used. As is the case with the majority of machine learning algorithms, the second preprocessing of the data set yielded superior results in deep learning models. The ANN model achieved the highest accuracy, with a score of 97.41%. The study employed a comparison of machine learning and deep learning techniques on Turkish SMS datasets, which will provide valuable insights for researchers working in this field.
  • Küçük Resim
    Öğe
    Derin öğrenme ve transfer öğrenme yöntemleri kullanarak değişen yıldızlarda sınıflandırma
    (Batman Üniversitesi, 2024-07-07) Kuştaşı, Emrullah; Yağanoğlu, Mete
    Değişen yıldızların sınıflandırılması, geleneksel yöntemlerle bazen zorlu bir süreç olabilir. Gökbilimcilerin, genellikle yıldızların parlaklık eğrilerini ve diğer fiziksel özelliklerini analiz ederek sınıflandırma yaptıkları süreç, zaman alıcı ve zahmetli olabilir. Transfer öğrenimi yaklaşımı, bu noktada önemli bir rol oynayabilir. Bu çalışma ile gökbilimcilerin yıldız sınıflandırması yaparken daha az sayıda veri etiketlemesi yaparak, çalışmalarını yapmalarını sağlayıp, zaman alıcı ve zahmetli bir sürecin kısaltılması amaçlanmıştır. Transfer öğrenme için bir derin sinir ağı eğitilmiş ve bu modelin performansı diğer makine öğrenmesi yöntemleriyle de karşılaştırılmıştır. Model eğitiminde kullanılan veri setleri, CoRoT hedefleri için yapılan çalışmalardan elde edilmiş veri setleridir. Bu veri setleri CoRoT hedeflerinin ışık eğrileriyle yapılan hesaplamalarından oluşur. Transfer öğrenme için eğitilen temel model metrikleri incelendiğinde doğruluk, duyarlılık, hassasiyet ve f1-skor değerlerinin %94 olduğu bulunmuştur. Değişen yıldızların sınıflandırılmasında transfer öğrenimi yaklaşımı kullanıldığında, daha önce sınıflandırılmış yıldızların bilgileri ve özellikleri yeni yıldızların sınıflandırılmasında kullanılabilir. Çalışmadan elde edilen temel modelin astronomi alanında farklı problemler ve farklı veri setleri için yeniden kullanılabilir olması ve bu alanda çalışan araştırmacılara katkı sağlaması beklenmektedir.