Enstitüler / Institutes

Permanent URI for this communityhttps://hdl.handle.net/11727/1390

Browse

Filters

2020 - 20256

Settings

Type: search.filters.itemtype.Doctoral ThesisSubject: search.filters.subject.Derin Öğrenme

Search Results

Now showing 1 - 6 of 6
  • No Thumbnail Available
    Item
    Derin öğrenme yöntemleri ile akciğer grafilerinde patoloji sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Oltu, Burcu
    Akciğerler, solunum sisteminin temel organları olup yapısal bozukluklar, enfeksiyonlar veya çevresel etkenler nedeniyle işlev kaybına uğrayabilmektedir. COVID-19, tüberküloz, pnömoni, pulmoner fibröz, atelektazi, kardiyomegali ve pnömotoraks gibi akciğer hastalıkları erken evrede teşhis edilmediğinde ölümcül sonuçlara yol açabilmektedir. Bu nedenle akciğer hastalıklarının erken ve doğru şekilde teşhis edilmesi büyük önem taşımaktadır. Akciğer grafileri, düşük maliyet ve hızlı uygulanabilirlik gibi avantajlarıyla bu amaçla yaygın olarak kullanılmaktadır. Ancak örtüşen anatomik yapılar, sınırlı uzman sayısı ve yüksek görüntü hacmi gibi etkenler, bu görüntülerin yorumlanmasını zorlaştırmakta, günlük yaklaşık %3-5 oranında hata yapılmasına yol açmaktadır. Bu doğrultuda akciğer grafilerinin yorumlanabilmesi için radyologlara yardımcı olacak otomatik ve güvenilir teşhis sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında akciğer grafilerinin yüksek performansla sınıflandırılması amacıyla uçtan uca bir derin öğrenme modeli geliştirilmiş ve bu modelin başarısını artıracak özgün kayıp fonksiyonlarını önerilmiştir. Modelin omurgası olarak önceden eğitilmiş DenseNet201 mimarisi kullanılmıştır. DenseNet201’den çıkarılan öznitelik haritalarından daha zengin uzamsal bilgiler elde etmek amacıyla evrişimsel uzun kısa süreli bellek (Convolutional Long Short-Term Memory (ConvLSTM)) katmanı, kanal bazında özniteliklerin vurgulanması için sıkma-bırakma bloğu (Squeeze and Excitation (SE)) ve uzun menzilli bağımlılıkları yakalayan görü dönüştürücüler (Vision Transformer (ViT)) modele entegre edilmiştir. Ayrıca, küresel ortalama havuzlama (Global Average Pooling (GAP)) katmanı ile sınıflandırma için önemli uzamsal bilgilerin korunması sağlanmıştır. Bu bileşenlerin kombinasyonu ile önerilen model, yüksek sınıflandırma performansı sunmuştur. Çalışmada ayrıca, sınıflandırma başarısında önemli etkisi olan kayıp fonksiyonları derinlemesine incelenmiştir. Standart fonksiyonlara ek olarak hibrit ve dinamik yapılarda fonksiyonlar tasarlanmış, sınıflandırma eğilimlerine karşı ceza terimi içeren özgün bir fonksiyon önerilmiştir. Önerilen kayıp fonksiyonlarının avantajlarını bir araya getirerek sınıflandırma performansını artıracak farklı topluluk yaklaşımları uygulanmıştır. Bu fonksiyonların performansları sistematik olarak analiz edilmiş ve farklı modellerle de test edilerek modelden bağımsız başarı sağladığı gösterilmiştir. Başkent Üniversitesi Ankara Hastanesi Radyoloji Bölümü'nden elde edilen klinik veriler ile açık erişimli veri kümeleri birleştirilerek 7, 8, 9, 10, 12, 14 ve 15 sınıflı alt veri kümeleri oluşturulmuş ve her bir alt kümede önerilen model ve kayıp fonksiyonları detaylı şekilde test edilmiştir. Böylece hem veri kümesinden hem de sınıf sayısından bağımsız olarak modelin ve kayıp fonksiyonunun başarısı ortaya konmuştur. Elde edilen deneysel sonuçlar, önerilen yöntemin literatürdeki yaklaşımların çoğunu geride bıraktığını ve doğruluk, F1-skoru, AUC gibi performans metriklerinde yüksek başarı sergilediğini ortaya koymaktadır. Ayrıca modelin farklı senaryolarda tutarlı ve yüksek performans sergilemesi, güçlü bir genelleme yeteneğine sahip olduğunu kanıtlamaktadır. Sonuç olarak, bu tez kapsamında, akciğer grafilerinin otomatik olarak sınıflandırılmasını sağlayan yüksek performanslı ve tekrarlanabilir sonuçlar üreten yenilikçi bir model ve özgün kayıp fonksiyonları geliştirilmiştir. The lungs are the primary organs of the respiratory system and can lose functionality due to structural disorders, infections, or environmental factors. Lung diseases such as COVID-19, tuberculosis, pneumonia, pulmonary fibrosis, atelectasis, cardiomegaly, and pneumothorax may lead to fatal outcomes if not diagnosed at an early stage. Therefore, early and accurate diagnosis of lung diseases is crucial. Chest radiographs (CXRs) are widely used for this purpose due to their advantages, such as low cost, quick applicability, and low radiation dose. However, factors like overlapping anatomical structures, limited specialists, and high image volume make interpreting CXRs challenging, resulting in a daily error rate of 3–5%. Thus, the demand for automated and reliable diagnostic systems to assist radiologists in interpreting CXRs is increasing. In this thesis, an end-to-end deep learning model was developed for high-performance classification of CXRs, and novel loss functions were proposed to enhance the model’s performance. The pre-trained DenseNet201 architecture was used as the backbone. A Convolutional Long Short-Term Memory (ConvLSTM) layer to obtain richer spatial and temporal information from the feature maps obtained from DenseNet201, a Squeeze and Excitation (SE) block to emphasize channel-wise features, and Vision Transformers (ViT) to capture long-range dependencies were integrated into the model. In addition, a Global Average Pooling (GAP) layer was used to preserve important spatial information for classification. The combination of these components enabled high classification performance. The study also examined the often-overlooked role of loss functions in classification performance. Beyond standard functions, hybrid and dynamic structures were designed. A custom function with a penalty term was proposed to improve sensitivity to misclassification. Ensemble approaches combining the strengths of proposed loss functions were implemented. These loss functions were systematically analyzed and tested with various models, demonstrating architecture-independent success. To evaluate the performance and generalization ability of the proposed model and loss functions, a comprehensive dataset was created by combining clinical images from Başkent University Ankara Hospital with open-access datasets. This dataset was divided into subsets containing 7, 8, 9, 10, 12, 14, and 15 classes, and extensive testing was conducted on each subset. Results showed that the proposed method outperforms many existing approaches in the literature, achieving superior accuracy, F1-score, and AUC. The model’s consistent performance in various scenarios demonstrated strong generalization. In conclusion, this thesis presents a novel deep learning model and original loss functions that produce high-performance and reproducible results for the automatic classification of CXRs
  • No Thumbnail Available
    Item
    Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2023) Bakiler, Hande; Güney, Selda
    Elektronik burun (e-burun), kimyasal sensör dizilimi ile biyolojik malzemelerden yayılan uçucu bileşikler üzerinde hassas ölçümler yaparak çeşitli özellikleri belirleyen, tanımlayan ve sınıflandıran elektronik algılama teknolojisine dayalı bir cihazdır. İnsan koku alma mekanizmasını taklit ederek çalışan bu sistemler, son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. E-burundaki önemli konulardan biri de farklı gazların farklı konsantrasyon değerlerinin tahmin edilmesidir. Gaz konsantrasyonlarının doğru bir şekilde tahmin edilmesi, hastalık tespiti gibi hassas konularda da çok önemli bir rol oynamaktadır. Bu çalışma, derin öğrenme (Deep Learning, DL) ağlarını kullanarak 4 adet metal oksit gaz sensörü tarafından tespit edilen etanol, metan, etilen ve karbon monoksit gazlarının konsantrasyon seviyelerinin ve değerlerinin sınıflandırma ve regresyon başarılarının artırılması amacıyla yapılmıştır. Gazların konsantrasyon seviyelerine göre sınıflandırma başarılarının karşılaştırılmasında ve belirli bir aralıktaki konsantrasyon değerlerinin tahmin başarılarının karşılaştırılmasında farklı yöntemler kullanılmıştır. Bu işlemlerin gerçekleştirilmesi için gaz verilerine ön işleme ve farklı öznitelik çıkarımı adımları uygulanmıştır. Bu çalışmanın odak noktası, öznitelik çıkarımı yapılmasında yeni yöntemler geliştirerek sınıflandırma ve regresyondan elde edilen başarının artırılmasıdır. Bu amaçla, iki yeni metodoloji önerilmiştir. Geliştirilen yöntemlerden birinde, derin öğrenme ağlarından biri olan Uzun Kısa-Süreli Bellek (Long Short-Term Memory, LSTM) ağlarının tam bağlantılı katmanından öznitelik çıkarımı yapılmış, çıkarılan öznitelikler sınıflandırma ve regresyonda kullanılmıştır. Önerilen diğer metodolojide ise LSTM ağının tam bağlantılı katmanından elde edilen veriler Zamansal Evrişimli Ağ (Temporal Convolutional Network, TCN) modeline giriş olarak uygulanmıştır ve bu TCN’nin tam bağlantılı katmanından elde edilen özniteliklerde sınıflandırma ve regresyon çalışmalarında kullanılmıştır (LSTMFCLTCNFCL). Önerilen her iki yöntemin sonuçları geleneksel yöntemlere göre karşılaştırıldığında hem sınıflandırma hem de tahmin sonuçlarında iyileşme olduğu, başarının arttığı ve ortalama karesel hataların da önemli ölçüde azaldığı görülmektedir. Ayrıca, ön işleme aşamasında sinyal düzeltme uygulandığı zaman sonuçlarda dikkate değer bir şekilde artış olduğu da görülmektedir. Hem sinyal düzeltmenin uygulanması hem de geliştirilen yöntemlerle sonuçlarda iki taraflı bir iyileşme olması sağlanmıştır. Sınıflandırmada Destek Vektör Makinesi (Support Vector Machines, SVM) algoritması 94,7% ile en yüksek doğruluk oranını verirken, regresyonda ise en düşük ortalama karesel hatalar Gauss Süreci Regresyonu (Gaussian Process Regression, GPR) ile elde edilmiştir. Electronic nose (e-nose) is a device based on electronic sensing technology that determines, identifies and classifies various properties by making precise measurements on volatile components emitted from biological materials with a chemical sensor array. These systems, which work by imitating the human olfactory mechanism, have been widely used in different fields in recent years. One of the important issues in e-nose is the estimation of different concentration values of different gases. Accurate estimation of gas concentrations plays a crucial role in sensitive issues such as disease detection. This study was carried out to increase the classification and regression success of the concentration levels and values of ethanol, methane, ethylene and carbon monoxide gases detected by 4 metal oxide gas sensors using deep learning networks. Different methods was used to compare the classification successes of gases according to their concentration levels and to compare the estimation successes of concentration values in a certain range. In order to perform these operations, preprocessing and different feature extraction steps were applied to the gas data. The focus of this study is to increase the success of the classification and regression by developing new methods for feature extraction. For this purpose, two new methodologies have been proposed. In one of the developed methods, feature extraction was made from the fully connected layer of Long Short-Term Memory (LSTM) networks, which is one of the deep learning networks, and the extracted features were used in the classification and regression. In the other proposed methodology, the data obtained from the fully connected layer of the LSTM network was applied as an input to the Temporal Convolutional Network (TCN), and the features obtained from the fully connected layer of this TCN were used in classification and regression studies (LSTMFCL-TCNFCL). When the results of both proposed methods are compared with the traditional methods, it is seen that there is an improvement in both classification and estimation results, the success is increased and the mean squared errors are significantly reduced. In addition, it is seen that there is a remarkable increase in the results when signal correction is applied in the preprocessing stage. Both the application of signal correction and the developed methods have provided a bilateral improvement in the results. While the Support Vector Machine algorithm gave the highest accuracy rate with 94,7% in the classification, the lowest mean square errors in regression were obtained with the Gaussian Process Regression.
  • No Thumbnail Available
    Item
    Köpeklerin Uzun Kemiklerinin ve Uzun Kemiklerindeki Kırıkların Sınıflandırılması
    (Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Cangöz, Gülnur Begüm; Güney, Selda
    Son yılların en popüler konularından olan derin öğrenme algoritmaları, biyomedikal alanındaki problemlerin çözümünde önemli bir role sahiptir. Çeşitli görüntüleme yöntemleri ile elde edilen görüntüler kullanılarak hastalık ve kırık tespiti, biyolojik veri kestirimi, doku ve organ bölütlemesi, eksik veri tamamlanması gibi birçok uygulama bu algoritmalar sayesinde başarılı bir şekilde gerçekleştirilebilmektedir. Özellikle kemiklerdeki kırık tespiti, bu alanda en çok çalışılan konuların başında gelmektedir. Ancak bahsi geçen uygulamaların büyük bir çoğunluğu beşeri hekimlikte yer edinirken, veteriner tıpa hizmet eden uygulamalar daha geri planda bırakılmıştır. Özellikle literatürde bu alandaki eksikliğin fark edilmesi, tez konusunun en büyük motivasyon kaynağı olmuştur. Bu tez çalışması kapsamında, Ankara Büyükşehir Belediyesi Sokak Hayvanları Geçici Bakım Evi’nden alınan, köpeklere ait X-ray görüntülerini içeren geniş kapsamlı bir veri seti meydana getirilmiştir. X-ray görüntülerinden uzun kemiğin çeşidinin belirlenmesi, kırığın varlığının saptanması ve var olması durumunda da kırığın cinsine göre sınıflandırılması hedeflenmiştir. Sadece X-ray görüntülerine bakılarak kırık zamanının ve köpeğin yetişkinlik düzeyinin saptanabilmesi ise tez kapsamında yapılan diğer çalışmalar arasında yer almaktadır. Biyomedikal görüntü işleme alanındaki pek çok çalışma gibi, bu çalışmada da farklı derin öğrenme mimari karşılaştırılarak sonuçlar en iyileştirilmeye çalışılmıştır. One of the most popular topics of recent years, deep learning algorithms find wide application in the biomedical field. Disease and fracture detection, biological data estimation, tissue and organ segmentation, missing data completion, and many more applications can be successfully performed using images obtained by various imaging methods, thanks to deep learning algorithms. In particular, fracture detection is one of the most popular subjects in this field. Nevertheless, most of these applications are made for human medicine. Therefore, veterinary medicine have been ignored drastically. The realization of the deficiency in this area has been the biggest motivation for the thesis. In the thesis, a comprehensive data set containing X-ray images of dogs gathered from Ankara Metropolitan Municipality Stray Animals Temporary Care Home is created. It is aimed to determine the type of long bone from the images, then detect the presence of the fracture and, if present, classify the fracture type. According to X-ray images, the determination of the fracture time and the maturity of the dog are other studies carried out within the scope of the thesis. Like many studies in the field of the biomedical image processing, different deep learning architectures are compared, and the results are tried to be optimized.
  • No Thumbnail Available
    Item
    Giyilebilir sensörlerle sağlık izleme
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Aşuroğlu, Tunç; Oğul, Hasan
    Teknolojinin gelişmesiyle birlikte verinin toplanması, saklanması ve işlenmesi yaygınlaşmış ve bu sebepten giyilebilir sensör teknolojisi günlük hayatımızda gitgide popülerleşmeye başlamıştır. Giyilebilir sensörler ve akıllı tekstiller daha küçük, daha ucuz ve kullanıcı tarafından kolaylıkla erişilebilir hale geldikçe günlük aktivite takibi ve sağlık alanlarında yaygın olarak kullanımı artmıştır. Günümüzde giyilebilir sensör teknolojileri, sağlık alanında hastalıkları önleme, erken teşhis ve kronik durumların yönetimi için etkili bir araç olarak kullanılmaktadır. Sağlık alanında giyilebilir sensörlerin kullanılmasının asıl amacı, hastanın sağlık parametrelerinin uzaktan izlemeyebilme imkânı ve dolayısıyla hastaların bir sağlık merkezine gitmelerine gerek kalmadan evlerinde tedavi olabilmesi ve hastalık durumunu takip edebilmesine olanak sağlamaktır. Bu bağlamda, tez çalışmasında giyilebilir sensörlerle elde edilen sinyalleri kullanarak hastalık seviyesi takibi çalışmaları gerçekleştirilmiştir. Çalışmada bu amaçla, ölümcül bir enfeksiyon hastalığı olan Sepsis ve günümüzde tedavisi olmayan nörolojik bir hastalık olan Parkinson hastalığı üzerine çalışmalar yapılmıştır. Sepsis hastalığında giyilebilir sensörlerle kolayca elde edilebilen hayati belirtiler kullanılmıştır. Bu hayati belirtiler, hastalık durumunu takip etmeyi sağlayan organ yetmezliği skorunun tahmin edilmesinde kullanılmıştır. Parkinson hastalığı semptom seviyesi değer tahmini, ayağa giyilen ve ayağa uygulanan kuvveti ölçen giyilebilir sensörlerle yürüyüş analizi yapılarak gerçekleştirilmiştir. Bu tahminleri gerçekleştirmek için tez çalışmasında geleneksel makine öğrenmesi yöntemlerinin yanı sıra, derin öğrenme ve tez çalışması kapsamında geliştirilen CNN ve Rastgele Orman tabanlı derin öğrenme hibrit mimarileri kullanılmıştır. Değer tahmin analizinde, geliştirilen hibrit mimarilerinin geleneksel yöntemlere göre performans artışı sağladığı gözlemlenmiştir. With the development of technology, the collection, storage and processing of data has become widespread, and therefore wearable sensor technology has become increasingly popular in our daily life. As wearable sensors and smart textiles become smaller, cheaper and easily accessible by the user, they are widely used in daily activity tracking and healthcare. Wearable sensor technologies are used today as an effective tool for disease prevention, early disease detection and management of chronic conditions. The main purpose of using wearable sensors in the field of healthcare is to monitor the health parameters of patients remotely, and therefore to enable patients to be treated at home and prognose the disease status without having to go to a healthcare center. To achieve a baseline in this manner, experiments were carried out in this thesis using the signals obtained with wearable sensors to prognose diseases. For this purpose, a fatal infectious disease called Sepsis and a neurological disease without treatment called Parkinson's disease, were selected for thesis study. Vital signs that can be easily obtained with wearable sensors are used in Sepsis prognose experiments. These vital signs have been used to predict the organ failure score that allows monitoring the disease status. Parkinson's disease symptom level value estimation was performed by walking analysis with wearable shoe system that measures the force applied to the foot. In order to perform these predictions, CNN and Random Forest based deep learning hybrid architectures are developed. Also, experiments are conducted with traditional machine learning and deep learning architectures to validate the performance of this approach. In experimental results, it was observed that the developed hybrid architectures provide performance increase compared to traditional methods.
  • No Thumbnail Available
    Item
    Derin öğrenme teknikleri kullanılarak kemik kırığı tespiti ve sınıflandırması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Açıcı, Koray; Sümer, Emre
    Proksimal femur kırıklarının özellikle yaşlı nüfusu etkileyen ciddi bir sağlık sorunu olduğu bilinmektedir. Önümüzdeki yıllarda artan nüfusla birlikte vaka sayısının ikiye katlanacağı tahmin edilmektedir. Femoral kırıkların teşhisi için düz frontal pelvik radyografiler (PXR'ler) düşük maliyetleri nedeniyle yaygın olarak kullanılmaktadır. Ne yazık ki, tüm kalça kırıklarının %2'sinin PXR ile teşhis edilemediği belirtilmektedir. Bu durum yanlış tanıya yol açmakta, iyileşme sürecini engellemekte, tedavi maliyetlerini artırmakta ve hastaların yaşam kalitelerini düşürmektedir. Bu nedenle, kanonik makine öğrenimi algoritmalarının ve derin öğrenme mimarilerinin kırık tespiti ve sınıflandırmasında kullanımı, doğru teşhis ve tedaviye yardımcı olmak için artmaktadır. Buradan yola çıkılarak, tez çalışması kapsamında femur boyun kırığı tespiti ve femur kırığı sınıflandırması çalışmaları gerçekleştirilmiştir. Femur boyun kırığı tespiti çalışmasında sıfırdan bir CNN mimarisi önerilerek tasarlanmış ve dengeli ve dengesiz iki veri kümesi üzerinde deneyler yapılmıştır. GA ve PSO üst-sezgisel optimizasyon algoritmaları kullanılarak, önerilen CNN mimarisinin evrişimsel katmanlarındaki filtre boyutları ve bu katmanlarda üretilen öznitelik haritası sayıları optimize edilmeye çalışılmış ve başarım ölçütleri üzerinden performans artışı sağlandığı ortaya konmuştur. Femur kırığı sınıflandırması çalışmasında ise hazır CNN mimarileri transfer öğrenme yöntemiyle mevcut probleme uyarlanarak deneyler yürütülmüş ve performansları karşılaştırılmıştır. Hazır CNN mimarilerinin evrişimsel katmalarında otomatik olarak üretilen öznitelikler kanonik makine öğrenme sınıflandırıcılarını beslemek için kullanılmıştır. Tespit ve sınıflandırma çalışmalarında elde edilen performanslara göre derin öğrenme mimarilerinin kanonik sınıflandırıcılara üstün geldiği gözlemlenmiştir. It is known that proximal femur fractures are a serious health problem affecting especially the elderly population. It is estimated that the number of cases will double in the next three decades with the increasing population. To diagnose femoral fractures plain frontal pelvic radiographs (PXRs) are widely used due to their low cost. Unfortunately, it was stated that 2% of all hip fractures could not be diagnosed by a PXR. This situation leads to misdiagnosis, hinders the recovery process, increases the treatment costs, and decreases the life quality of the patients. Therefore, the utilization of canonical machine learning algorithms and deep learning architectures in fracture detection and classification has increased to aid in accurate diagnosis and treatment. Starting from this point of view, within the scope of the thesis, femoral neck fracture detection and femur fracture classification studies were carried out. The femoral neck fracture detection study was designed by proposing a CNN architecture from scratch and the experiments were conducted on the balanced and the imbalanced data sets. Using the meta-heuristic optimization algorithms, the filter sizes in the convolutional layers of the proposed CNN architecture and the number of feature maps generated in these layers have been tried to be optimized and it has been revealed that performance increases are achieved through performance criteria. In the femur fracture classification study, the experiments were carried out by adapting the pretrained CNN architectures to the existing problem with the transfer learning method. Automatically generated features of the pretrained CNN architectures were used to feed canonical machine learning classifiers. According to the performances obtained in the detection and classification studies, it has been observed that deep learning architectures are superior to canonical classifiers.
  • No Thumbnail Available
    Item
    Türkçe otomatik konuşma tanıma ve işaret diline çevirme
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Tombaloğlu, Burak; Erdem, Hamit
    Bu tezde, işitme engelli insanlar ile işitme engelli olmayan insanların aktif iletişimine yardımcı olabilecek bir sistem üzerinde çalışılmaktadır. Sistem genel olarak, iki adımda çalışmaktadır. İlk olarak konuşma metne çevrilir. Daha sonra metnin karşılık geldiği işaret dili videosu gösterilir. Metne çevrim aşamasında, Türk Dili incelenmiş olup fonem tabanlı bir dildir. Endüstri, güvenlik, iletişim ve robotik sistemlerin gelişmesiyle Otomatik Konuşma tanıma (ASR) tabanlı uygulamaların kullanımı gün geçtikçe artmaktadır. Teknolojik gelişmelerle beraber, birçok dilde ASR uygulamaları sıkça yaygınlaşırken, Türkçe, Fince ve Macarca gibi sondan eklemeli dil gruplarında bu uygulamalar çok fazla değildir. Türkçe hece yapısı olarak sondan eklemeli bir morfolojiye sahiptir. Bu yapısı sözcük dağarcığında büyük bir artışa neden olmaktadır. Sistem ileriye dönük olarak, veri tabanı haricindeki kelimeleri de yaklaşık olarak tespit edebilsin diye fonem ve alt kelime tabanlı bir tanıma sistemi tasarlanmıştır. Klasik yöntemlerin yanı sıra, akıllı ve öğrenebilen yöntemler de bu alanda sıkça kullanılmaktadır Bu çalışmada, Türk dilinde ASR problemi çözümüne yönelik güncel Derin Öğrenme kapsamlı uygulamalar geliştirilmiştir. Çalışmamızın, Konuşma Tanıma adımında klasik yöntemlerle beraber, Derin İnanç Ağları (DBN), Uzun-Kısa Vadeli Hafıza Ağları (LSTM) ve Geçitli Tekrarlayan Birimler (GRU) Derin Öğrenme teknikleri uygulanıp performansları karşılaştırılmıştır. En başarılı yöntemin dil modellemenin de Derin öğrenme ile yapıldığı GRU metodu ile olduğu görülmüştür. Yöntemlerin performansı, standart ölçütlere göre karşılaştırılmıştır. Yapılan çalışma, ASR uygulamaları ile ilgili bir taraftan konuyu detaylı araştırırken, yöntemin uygulama biçimi hakkında da detaylı bilgi vermiştir. Konuşma tanımda adımında Türkçe için yapılan iyileştirmeden sonra, konuşmanın yazıya dönüştürülmesi ile elde ettiğimiz kelimenin İşaret Dilinde hangi işarete karşılık geldiği bulunarak ve bu işaret videolarıyla Türk İşaret Diline çevrimi de gerçekleştirilmiştir. Türkçe için literatürde görünmeyen, Türkçe Konuşmayı Türk İşaret Diline çeviren bu çalışma, Türkçe konuşma tanıma sistemlerinde performans artırma ve işitme engelli insanların hayatını kolaylaştırmak için öncü bir çalışma olduğu düşünülmüştür. In this thesis, we are working on a system that can help people with hearing impairments to communicate actively with people who are not hearing impaired. The system generally works in two steps. First, the speech is translated into text. The sign language animation or video to which the text corresponds is then shown. During the translation into text phase, Turkish Language has been analyzed and it is a phoneme-based language. With the development of industry, security, communication and robotic systems, the use of Automatic Speech recognition (ASR) based applications is increasing day by day. Along with technological developments, while ASR applications are becoming common in many languages, these applications are not much in agglutinative language groups such as Turkish, Finnish and Hungarian. Turkish has an additive morphology as a syllable structure. This structure causes a great increase in vocabulary. A phoneme and subword based recognition system has been designed for the future so that the system can detect the words other than the database approximately. In addition to classical methods, intelligent and learning methods are frequently used in this field. In this study, current Deep Learning comprehensive applications have been developed for solving the ASR problem in Turkish language. In the Speech Recognition step of our study, Deep Belief Networks (DBN), Long-Short-Term Memory Networks (LSTM) and Gated Repetitive Units (GRU) Deep Learning techniques were applied and their performances were compared. It has been seen that the most successful method is with the GRU method, where language modeling is also done with deep learning. The performance of the methods was compared against standard criteria. The study, while investigating the subject in detail about the ASR applications, also gave detailed information about the application method of the method. After the improvement made for Turkish in the step of speech definition, the word we obtained by converting the speech into writing was found to correspond to the sign in Sign Language and translated into Turkish Sign Language with these sign videos. This study, which does not appear in the literature for Turkish, converts Turkish Speech to Turkish Sign Language, is thought to be a pioneering work to increase performance in Turkish speech recognition systems and facilitate the lives of hearing impaired people.