Mühendislik Fakültesi
Yayınlar
Yazılım MühendisliğiFAKÜLTELER
MÜHENDİSLİK FAKÜLTESİ
Yazılım Mühendisliği bölümü akademisyenlerine ait çalışmaları aşağıdaki linkler aracılığıyla inceleyebilirsiniz.
Doç. Dr. Pınar Karadayı Ataş’ın Q4 İndeksli Makalesi Operations Research and Decisions Dergisinde Yayınlandı: Predicting stock market by sentiment analysis and deep learning
Mühendislik Fakültemiz öğretim üyesi Doç. Dr. Pınar Karadayı Ataş’ın “Predicting stock market by sentiment analysis and deep learning” Q4 indeksli makalesi Operations Research and Decisions dergisi tarafından yayınlandı.
Gerçekleştirilen bu çalışmada, dünyanın önde gelen beş büyük şirketine ait geçmiş hisse senedi fiyatları kullanılarak iki farklı derin öğrenme modeli (Uzun Kısa Süreli Bellek – LSTM ve Bir Boyutlu Evrişimsel Sinir Ağı – 1D CNN) eğitilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak değerlendirilmiş, modellerin fiyat tahmini üzerindeki performansları analiz edilmiştir.
Bununla birlikte, finansal piyasaları yalnızca sayısal verilerle açıklamanın yetersiz kalabileceği düşüncesinden hareketle, doğal dil işleme yöntemleri de araştırmaya dâhil edilmiştir. Twitter paylaşımları üzerinden elde edilen duygu skorları, TextBlob kütüphanesi kullanılarak hesaplanmış ve fiyat dalgalanmaları ile birlikte incelenmiştir. Böylece, yatırımcıların ve kamuoyunun duygu durumlarının piyasa hareketleriyle olan ilişkisi ortaya konmuştur.
Makaleye aşağıdaki linkten göz atabilirsiniz:
Doç. Dr. Pınar Karadayı Ataş’ın TR Dizin İndeksli Makalesi Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisinde Yayınlandı: A Novel Hybrid Regression Model for Banking Loss Estimation
Bu çalışmada, Amerika Birleşik Devletleri’nde banka iflaslarını öngörebilmek amacıyla FDIC veritabanından elde edilen tarihsel finansal oranlar kullanılmış ve yenilikçi bir yöntem önerilmiştir. Çalışmada geliştirilen hibrit yaklaşım, kayıp tahminlerinde doğruluğu artırmak için ElasticNet regresyonu ile veri çıkarım tekniklerini bir araya getirmektedir.
Elde edilen sonuçlar, önerilen hibrit yaklaşımın bankacılık ve finans alanında kayıp tahminine yönelik önemli bir katkı sunduğunu ortaya koymakta; daha güvenilir öngörüler ile risk yönetiminde yeni bir perspektif sunmaktadır.
Makaleye aşağıdaki linkten göz atabilirsiniz:
Doç. Dr. Pınar Karadayı Ataş’ın Makalesi Decision-Making Models Dergisinde Yayınlandı: Estimating the growth or depreciation on exchange rates using sentiment analysis method from social media comments
Bu çalışmada, Ocak 2021 dönemi için Rus rublesi (RUB), İngiliz sterlini (GBP), euro (EUR) ve Türk lirası (TRY) döviz kurlarındaki değişimler sosyal medya verileri kullanılarak incelenmiştir. Döviz kuru verileri, Uluslararası Para Fonu (IMF) portalının sağladığı arama, sorgulama ve raporlama aracıyla elde edilmiştir.
Analiz sürecinde, sosyal medya verileri hem modern zaman serisi algoritmaları (Uzun Kısa Süreli Bellek – LSTM, Yenileyici Sinir Ağları – RNN, Kapılı Tekrarlayan Birim – GRU) hem de geleneksel makine öğrenmesi algoritmaları (Naïve Bayes, k-En Yakın Komşu, Karar Ağacı, Rastgele Orman, Lojistik Regresyon, Çok Katmanlı Algılayıcı ve AdaBoost) ile değerlendirilmiştir.
Elde edilen sonuçlar, sosyal medya etkileşimlerinin döviz kuru dalgalanmaları üzerinde önemli bir gösterge niteliği taşıyabileceğini ortaya koymakta ve makine öğrenmesi yöntemleri ile finansal öngörülerin güçlendirilebileceğini göstermektedir.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://www.sciencedirect.com/science/article/pii/B9780443161476000505
Doç. Dr. Pınar Karadayı Ataş’ın Makalesi Mathematics Dergisinde Yayınlandı: Exploring the molecular interaction of PCOS and endometrial carcinoma through novel hyperparameter-optimized ensemble clustering approaches
Bu çalışmada, söz konusu ilişkiyi daha derinlemesine anlamaya katkı sağlamak amacıyla iki temel yenilik sunulmuştur. İlk olarak, PCOS ve EC ile ilişkili genleri içeren kapsamlı bir veri seti oluşturulmuştur. İkinci olarak ise, kümeleme algoritmalarına dayalı yenilikçi bir topluluk (ensemble) yaklaşımı geliştirilmiştir.
Başlangıçta sabit boyutlu topluluklar oluşturulmuş, ardından her bir algoritmanın hiperparametre optimizasyonu sürecinde yapılandırması adım adım iyileştirilmiştir. Bu yöntem, yalnızca tekil modellerin performansını değil, aynı zamanda algoritmalar arası etkileşimleri de dikkate alarak topluluğun genel performansını değerlendirmektedir. Her model, kendisine en uygun hiperparametre optimizasyon yöntemi ile ayrı ayrı optimize edilmiştir. Böylelikle topluluğun doğruluğu ve dayanıklılığı önemli ölçüde artırılmıştır.
Elde edilen sonuçlar, PCOS ve EC arasındaki moleküler ilişkilerin daha doğru şekilde modellenmesine katkı sağlamakta ve bu bağlamda tanı ve tedavi süreçlerinde yeni açılımlar sunabilecek potansiyele işaret etmektedir.
Makaleye aşağıdaki linkten göz atabilirsiniz:
Doç. Dr. Pınar Karadayı Ataş’ın Makalesi Neural Computing and Applications Dergisinde Yayınlandı: Evaluate student achievement by classifying brain structure and its functionality with novel hybrid method
Bu çalışmada, öğrencilerin problem çözme süreçlerinde beyin yapıları ve işlevselliği incelenerek başarı ile geçmiş deneyim arasındaki ilişki araştırılmıştır. Çocukların beyin aktiviteleri gözlemlenmiş, zekâlarını değerlendirmek amacıyla çeşitli sorular yöneltilmiş ve bu yanıtların gelecekteki başarı üzerindeki etkisi analiz edilmiştir.
Araştırma kapsamında, kümeleme analizi, Rastgele Orman (Random Forest), Lojistik Regresyon ve topluluk (ensemble) öğrenme yöntemlerini bir araya getiren yeni bir hibrit sınıflandırma modeli geliştirilmiştir. Çalışma iki aşamada yürütülmüştür: İlk aşamada, beyin görüntülerine özgü özellikler elde etmek için görüntü işleme teknikleri uygulanmış; ikinci aşamada ise, makine öğrenmesi yöntemleri kullanılarak öznitelik seçimi yapılmış ve hibrit model aracılığıyla tahmin sonuçları elde edilmiştir.
Elde edilen bulgular, çocukların başarı oranı ile geçmişleri arasında karmaşık bir ilişki bulunduğunu göstermektedir. Önerilen hibrit sınıflandırma yaklaşımı, birden fazla yöntemi bir araya getirerek daha doğru tahminler sunmakta ve gelecekte stratejik karar destek sistemleri için bilişim araçlarına entegre edilebilecek önemli bir potansiyel ortaya koymaktadır.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://link.springer.com/article/10.1007/s00521-023-09031-9
Doç. Dr. Pınar Karadayı Ataş’ın TR Dizin İndeksli Makalesi Düzce Üniversitesi Bilim ve Teknoloji Dergisinde Yayınlandı: A New Hybrid Classification Framework in Childhoods Allergies with Dataset Slicing Method
Bu çalışmada, basit sınıflandırma algoritmalarının yüksek doğruluk elde etmedeki yetersizliklerine çözüm sunmak amacıyla yeni bir hibrit sınıflandırma yöntemi geliştirilmiştir. Araştırmada, Destek Vektör Makineleri (SVM) ve Karar Ağaçları sınıflandırıcıları birleştirilerek üç farklı tahmin modeli oluşturulmuştur. Bu yöntem, yanlış sınıflandırılmış örnekleri yalnızca gürültü olarak değerlendirmek yerine, potansiyel faydalı bilgi kaynağı olarak ele almakta ve sınıflandırma sürecini bu doğrultuda iyileştirmektedir.
Çalışmada kullanılan örnek filtreleme tabanlı hibrit sınıflandırma algoritması, öğrenme çıktılarının yorumlanabilirliğini korurken aynı zamanda yüksek doğruluk oranlarına ulaşmayı mümkün kılmıştır. Alerji veri seti üzerinde gerçekleştirilen kapsamlı deneyler sonucunda, önerilen yöntemin %90,6 doğruluk oranı ile temel sınıflandırma algoritmalarından belirgin şekilde daha iyi performans sergilediği görülmüştür.
Elde edilen bulgular, tıp alanındaki uzmanlar için önemli sonuçlar doğurmakta ve çocukluk çağı alerjilerinin sınıflandırılmasında literatüre yeni ve etkili bir çözüm sunmaktadır.
Makaleye aşağıdaki linkten göz atabilirsiniz:
Doç. Dr. Pınar Karadayı Ataş’ın Q2 İndeksli Makalesi Central European Journal of Operations Research Dergisinde Yayınlandı: AutoFusion of feature pruning for decision making in operations research
Bu çalışmada, çeşitlilik ve doğruluk kavramları aynı anda dikkate alınarak hem özellik seçimi problemleri çözülmüş hem de hangi algoritmaların ve kaç modelin toplulukta yer alması gerektiği belirlenmiştir. Çalışmanın özgün yönü, budama (pruning) aşamasında kullanılan optimizasyon modelidir. Bu sayede topluluğun (ensemble) büyüklüğü, hiperparametre olarak belirlenmek yerine doğrudan optimizasyon modeli tarafından en uygun şekilde hesaplanmıştır.
Gerçekleştirilen deneyler sonucunda, önerilen yöntemin 8 farklı veri seti üzerinde ortalama 0.702 doğruluk sağladığı, budama yapılmayan durumda elde edilen 0.625 doğruluğa göre önemli bir iyileşme sunduğu ortaya konmuştur. Bulgular, yöntemin hem model doğruluğu hem de optimal model karmaşıklığının elde edilmesi açısından oldukça verimli olduğunu göstermektedir. Ayrıca algoritmanın farklı alanlara ait veri setlerinde de test edilmesi, mevcut ensemble tabanlı özellik seçimi yöntemlerine kıyasla daha yüksek tahmin doğruluğu sunduğunu doğrulamaktadır.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://link.springer.com/article/10.1007/s10100-023-00901-0
Doç. Dr. Pınar Karadayı Ataş’ın Q1 İndeksli Makalesi Natural Hazards Dergisinde Yayınlandı: HEM NAEMP: a novel hybrid ensemble model for North Anatolian Fault zone earthquake magnitude prediction
Bu çalışmada, Kuzey Anadolu Fay Hattı’ndaki deprem büyüklüklerini tahmin etmek amacıyla geliştirilen yenilikçi bir hibrit topluluk modeli olan HEM NAEMP tanıtılmaktadır. Model, Kuzey Anadolu ve tektonik benzerliği nedeniyle seçilen San Andreas fay hatlarından elde edilen verileri birleştirerek yeni bir veri seti oluşturmuş ve bu veri setinden özgün öznitelikler çıkarmıştır. Çalışmanın özgünlüğü, iki farklı fay hattına ait verilerin bir araya getirilmesi, yeni özniteliklerin üretilmesi ve daha önce kullanılmamış bir modelin geliştirilmiş olmasıdır.
Elde edilen sonuçlar, modelin LSTM, CNN ve ARIMA gibi yaygın yöntemlerle karşılaştırıldığında özellikle MAE ve MAPE değerlerinde daha düşük hata oranlarına, R² değerinde yüksek performansa ve daha kısa eğitim süresine sahip olduğunu ortaya koymuştur. Bu bulgular, HEM NAEMP modelinin deprem büyüklüklerinin tahmininde etkili, hızlı ve uygulanabilir bir yöntem olduğunu göstermektedir.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://link.springer.com/article/10.1007/s11069-025-07134-1
Doç. Dr. Pınar Karadayı Ataş’ın Q1 İndeksli Makalesi Information Sciences Dergisinde Yayınlandı: An Innovative Approach to Ensemble Learning in Bankruptcy Prediction using Support Vector Machines and Meta Fuzzy Functions
Araştırmada, Türk ticari bankalarının likidite, kârlılık ve borç ödeme gücü (solvency) gibi finansal oranları incelenerek bankaların başarısız (iflas etmiş) veya başarılı olarak sınıflandırılması amaçlanmıştır. Gaussian çekirdek tabanlı SVM’ler, güçlü sınıflandırma performansları nedeniyle topluluk modelinin temel sınıflandırıcıları olarak kullanılmış; önceki çalışmalarla karşılaştırma yapabilmek için lineer çekirdekli SVM’ler de ayrıca değerlendirilmiştir.
Veri yapısı panel veri olduğu için, önerilen yöntem ayrıca tek panel lojistik regresyon modeli ve daha önce önerilmiş bir topluluk yaklaşımı ile karşılaştırılmıştır. Bulgular, MFF tabanlı topluluk modelinin her iki temel modele de üstün geldiğini göstermektedir. Model, %85,4 doğruluk oranı ve %87 AUC-ROC skoru elde ederek güçlü bir performans ortaya koymuştur.
Sonuçlar, MFF tabanlı topluluk öğrenmesinin banka sınıflandırmasında etkin bir araç olduğunu ve özellikle ekonomik dalgalanmaların yaşandığı dönemlerde finansal analistler ile politika yapıcılar için önemli bir destek aracı sağlayabileceğini göstermektedir.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://www.sciencedirect.com/science/article/pii/S0020025525005821
Doç. Dr. Pınar Karadayı Ataş’ın Q1 İndeksli Makalesi Computers in Biology and Medicine Dergisinde Yayınlandı: A novel Harris Hawks Optimization-based clustering method for elucidating genetic associations in osteoarthritis and Diverse Cancer Types
Osteoartrit (OA), özellikle diz ve kalça eklemlerinde yüksek görülme sıklığına sahip bir hastalık olup, sağlık üzerindeki etkileri nedeniyle önemli bir halk sağlığı sorunu olarak öne çıkmaktadır. Bu çalışmada, OA ile mesane, böbrek, meme ve prostat kanserleri gibi farklı kanser türleri arasındaki olası genetik bağlantılar araştırılmıştır. Çalışmanın amacı, bu yaygın hastalıklar arasındaki karmaşık genetik ilişkileri çözümlemek ve potansiyel korelasyonlar ile altta yatan biyolojik süreçleri ortaya koymaktır.
Literatürde, OA ve kanserler arasındaki genetik bağlantılar büyük ölçüde incelenmemiştir. Bu boşluğu doldurmak için çalışma, Harris Hawks Optimization tabanlı kümeleme yaklaşımı (HHO-C) kullanarak, bu özel genetik veri setine yönelik makine öğrenmesi uygulamasını ilk kez gerçekleştirmektedir.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://www.sciencedirect.com/science/article/pii/S0010482525006948
Doç. Dr. Pınar Karadayı Ataş’ın Q2 İndeksli Makalesi Health Information Science and Systems Dergisinde Yayınlandı: A novel clustered-based binary grey wolf optimizer to solve the feature selection problem for uncovering the genetic links between non-Hodgkin lymphomas and rheumatologic diseases
Bu çalışma, alandaki ilk araştırma olma özelliğini taşımakta ve makine öğrenmesi yöntemlerini kullanarak NHL ile romatolojik hastalıklar arasındaki ilişkileri ayrıntılı bir şekilde incelemektedir. Öncelikle, NHL ve romatolojik hastalıkların moleküler mekanizmalarını ortaya çıkarmaya yönelik olarak yeni bir genetik veri seti geliştirilmiştir; bu veri seti, söz konusu ilişkilerin detaylı şekilde analiz edilmesini sağlamaktadır.
Ardından, Clustered-Based Binary Grey Wolf Optimizer (CB-BGWO) adı verilen yenilikçi bir yöntem tanıtılmıştır. Bu yöntem, genetik analizde özellik seçimi sürecini önemli ölçüde iyileştirmekte, NHL ve romatolojik hastalıklar arasındaki genetik etkileşimleri etkileyen önemli genetik değişkenlerin belirlenmesinde doğruluk ve verimliliği artırmaktadır.
Bu metodolojik yenilik, yalnızca analitik gücü artırmakla kalmayıp aynı zamanda genetik araştırma yöntemleri için yeni bir standart oluşturmaktadır. Çalışmanın bulguları, literatürdeki önemli bir boşluğu doldurmakta ve gelecekteki tedavi stratejileri ile araştırma yollarını destekleyecek değerli bilgiler sunmaktadır. NHL ile önemli romatolojik hastalıklar arasındaki karmaşık genetik bağlantıların aydınlatılması, bu karmaşık hastalıkların daha iyi anlaşılması ve tedavi edilmesine katkı sağlamaktadır.
Makaleye aşağıdaki linkten göz atabilirsiniz:
https://link.springer.com/article/10.1007/s13755-025-00350-w