Enstitüler / Institutes
Permanent URI for this communityhttps://hdl.handle.net/11727/1390
Browse
4 results
Search Results
Item Makine öğrenimi teknikleri ile mekanik parçaların 3 boyutlu tasarımlarının sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Atasoy, IşılMakine öğrenmesi teknikleri kullanılarak geliştirilen veri işleme uygulamaları son yıllarda oldukça büyük bir hız ile gelişme kat etmekte ve farklı alanlarda birçok probleme çözümler sunmaktadır. Yazılım destekli çözümleri kullanan tüm sektörlerden alınan veriler incelendiğinde sonuç olarak verimliliklerin arttığı, insan kaynaklı hataların ve gecikmelerin önüne geçildiği gözlemlenmiştir. Bu çalışmada üretim ve tasarım endüstrisinde kullanılan standart mekanik parçaların derin öğrenme algoritmaları kullanılarak sınıflandırılması amaçlanmaktadır. Buna ek olarak, çalışmada kullanılan modellerin performansları karşılaştırılacaktır. Çalışma kapsamında iki aşamalı bir deney kurulmuştur. Deneyin aşamaları birbirinden bağımsız olup, sonuçları da bağımsız olarak değerlendirilmiştir. İlk aşamada cıvata, pim, somun, rondela mekanik parçalarının dijital tasarımlarından oluşan hazır bir veri seti kullanılmıştır. Bu veri seti her parçadan eşit sayıda 224x224x3 boyutlarında görseller içerecek şekilde toplamda 7616 adet örneklemden oluşmaktadır. İkinci aşamada ise aynı tasarım görsellerine ek olarak mekanik parçaların gerçek fotoğrafları da eklenip toplamda 1600 adet örnekten oluşan yeni bir veri seti oluşturulmuştur. Daha sonra deneyin her iki adımında da parçaların tanınma problemine çözüm bulmak için AlexNet, VGG, DenseNet, ResNet ve Xception sınıflandırma modelleri tercih edilerek, sonuçlar kaydedilmiştir. İlk adımda modeller sırasıyla ortalama 0.25, 0.25, 0.60, 0.69 ve 0.75 doğruluk oranları sunmuştur. İkinci adımda ise sırasıyla ortalama 0.27, 0.25, 0.65, 0.85 ve 0.96 doğrulukla başarı elde etmişlerdir. Çalışmanın sonuçlarında modellerin performans karşılaştırmaları belirtilmiştir. Machine learning techniques and data processing applications have been developing rapidly in recent years and offer solutions to many problems in different fields. Efficiency has increased in all sectors using software-supported solutions, and human errors and delays have been prevented. This study aims to classify standard mechanical parts used in the production and design industry using deep learning algorithms. In addition, the performances of the models used in the study will be compared. A two-stage experiment was established within the scope of the study. The stages of the experiment were independent from each other and the results were evaluated independently. In the first stage, a ready-made data set consisting of digital designs of mechanical parts of bolts, pins, nuts and washers was used. This data set consists of 7616 samples in total, including an equal number of 224x224x3 images from each piece. In the second stage, in addition to the same design visuals, real photographs of mechanical parts were added and a new data set consisting of 1600 samples in total was created. Then, in both steps of the experiment, AlexNet, VGG, EfficientNet, ResNet and Xception classification models were preferred to find a solution to the problem of recognition of parts, and the results were recorded. Then, in both steps, AlexNet, VGG, EfficientNet, ResNet and Xception models were preferred to list the broken ones and the results were generated. Initial replacement models offered average accuracy rates of 0.25, 0.25, 0.60, 0.69 and 0.75, respectively. Secondary renewal was successful with an average accuracy of 0.27, 0.25, 0.65, 0.85 and 0.96, respectively. The results of the study are stated in the comparison performances of the models.Item Otomotiv endüstrisinde makine öğrenimi teknikleri kullanılarak araç fiyatlarının tahmin edilmesine yönelik karşılaştırılmalı bir çalışma(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Akgök, Laden; Dikmen, MehmetPazarlamada doğru tahminlerin yapılabilmesi, finansal getirisi daha yüksek sonuçlar almak ve stratejik kararların daha doğru verilebilmesi açısından önemlidir. Sadece uzman görüşü ile yapılan tahminler yanlış veya yetersiz olabilir ve şirketlere büyük maddi zararlar verebilir. Bu çalışmada, popüler makine öğrenmesi teknikleri ile otomotiv endüstrisindeki araç fiyatları tahmin edilerek bu soruna bir çözüm sunulmaktadır. Son yıllarda literatürde başta moda ürünleri, perakende/pazar ürünleri olmak üzere bilgisayar, elektronik ürünler ve çevrimiçi ürün satışlarının fiyat tahmininde makine öğrenmesi teknikleri kullanılmaktadır. Bu çalışmada, Karar Ağacı, Rastgele Orman, Destek Vektörü, ve Yapay Sinir Ağları yöntemlerinin bir otomotiv satış veri seti üzerindeki performansları değerlendirilmiş ve karşılaştırılmıştır. Deneylerde, 13 özellikli (seri numarası, yeni fiyat, model, konum, yıl, gidilen kilometre, yakıt türü, şanzıman, araç sahibi türü, kilometre, motor, güç, koltuk, fiyat) ve 6019 örnek içeren bir satış veri seti kullanılmış ve üç aşamalı bir ön işlem uygulanmıştır. Bu ön işlemenin son aşamasında Sıralı, One Hot, İkili ve Frekans kodlama yöntemleri ile kategorik değerler sayısal verilere dönüştürülmüştür. Tüm analizlerde fiyat tahmin hatasının hesaplanmasında K-Katlamalı Çapraz Doğrulama yöntemi kullanılmıştır. Yapılan deneyler sonucunda kullanılan veri seti üzerinde en iyi sonucu veren kodlama yöntemi ile en iyi tahmin yöntemi karşılaştırmalı olarak ortaya konmuştur. Sonuçlar, bu çalışmayı ilgili uygulamalar için potansiyel bir seçim haline getiren bazı ilginç noktalar sunmuştur. Precise estimations in marketing is important in terms of getting results with higher financial returns and making more accurate strategic decisions. Estimations made only by expert opinion can be incorrect or insufficient and cause great financial damage to companies. In this study, a solution to this problem is presented to forecast vehicle prices in the automotive industry by using popular machine learning techniques. In recent years, machine learning techniques have been used in the literature for price estimation of computer, electronic products and online product sales, mainly fashion products, retail/market products. In this study, performances of Decision Tree, Random Forest, Support Vector, and Artificial Neural Networks regression techniques on an automotive sales dataset are evaluated and compared. In experiments, a sales dataset of 6019 samples with 13 features (serial number, new price, name, location, year, mileage driven, fuel type, transmission, owner type, mileage, engine, power, seats, price) was used, and a three-stage pre-processing was applied. In the last stage of this pre-processing, categorical values were converted into numerical data by Label, One Hot, Binary and Frequency coding techniques. In all analyses, K-Fold Cross Validation method was used in the estimation of price prediction error. As a result of the experiments, the best coding and the best estimation method on this data set were revealed comparatively. The results have presented some interesting points which makes this study a potential choice for relevant applications.Item Mimarlıkta makine öğrenimi uygulamarı: Fırsatlar, zorluklar ve geleceğe dair öngörüler(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Şapcı, BilgeYapay zekânın alt dallarından biri olan makine öğrenimi, algoritmalar kullanılarak verilerin analiz edilmesiyle öğrenen, insan zekâsını taklit edebilen ve kendi kendini geliştirebilen bir sistem olarak tanımlanmaktadır. Makine öğrenimi kullanılarak büyük verilerin depolanması ve bu verilerin işlenmesiyle de yeni verilerin oluşumu sağlanmaktadır. Makine öğrenimi teknikleri bu özellikleri sayesinde başta mühendislik ve üretim sektörleri olmak üzere pek çok alanda kullanıldığı halde, yapılan araştırmaların azlığı ve yetersiz çalışmalar sebebiyle mimarlık alanındaki henüz yaygın olarak kullanılmamaktadır. Bu tezin amacı, makine öğreniminin mimaride sağladığı faydaları vurgulamak ve tasarım üretimi ve yapım sürecinde karşılaşılabilecek sorunları ve riskleri belirlemektir. Bu bağlamda, önce makine öğrenimi teknikleri incelenerek çeşitli disiplinlerdeki kullanım şekilleri ele alınmıştır. Ardından günümüze kadar mimarlık alanında makine öğrenimi kullanılarak yürütülen örnek çalışmalar araştırılmıştır. Tezde incelenen bu çalışmalarda, makine öğrenimi tekniklerinin nasıl ve hangi amaçlarla kullanıldığı üzerinde durularak, makine öğrenimi kullanımının mimarlık alanında sağlayabileceği faydalar, uygulama sırasında karşılaşılabilecek zorluklar ve oluşabilecek potansiyel riskler belirlenmiştir. Elde edilen sonuçlara bağlı olarak makine öğrenimi tekniklerinin mimarlık alanında kullanımı geliştirilerek tasarım, üretim ve inşa süreçlerinde verimli bir araç olarak kullanılabileceği öngörülmektedir. Machine learning, one of the sub-branches of artificial intelligence, is defined as a system that can learn by analyzing data using algorithms, can imitate human intelligence and can improve itself. It is possible to store large amount of new data and the data formed by processing these data using machine learning. Although, machine learning techniques are used in many fields due to these features, especially in the engineering and production sectors, they are not yet widely used in the field of architecture because of scarcity of research and insufficient studies. The aim of this thesis is to highlight the benefits provided by machine learning in architecture and to identify the problems and risks that may be faced during design production and construction process. In this context, first the machine learning techniques are observed and their use in various disciplines are discussed. Then, examples carried out until today on machine learning in architecture are presented. In the thesis, the benefits that can be gained, problems that can be encountered and the risks that may rise during the use of machine learning are identified, focusing on how and for what purposes machine learning techniques are used in the field of architecture. It is concluded that the use of machine learning techniques in the field of architecture can be developed and used as an efficient tool in design, production and construction processes, depending on the findings of this research study.Item İstatistiksel analiz yöntemleri ve makine öğrenme yöntemleri ile film başarı tahmini(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Sarıkaya, Bugay; Dede Şener, DuyguFilm endüstrisinde başarılı bir sinema filmi çekmek için büyük yatırımlar yapılmaktadır. Ancak, büyük yatırımlara rağmen, beklenildiği gibi başarılı olamayan bazı film örnekleri mevcuttur. Bu nedenle, bir filmin başarısını büyük ölçekte tahmin etmek, film yapımcıları için film vizyona girmeden önce çok önemlidir. Bu çalışmada, yapımcılara film yatırımı konusunda bir öngörü sağlamak için sınıflandırmaya dayalı bir tahmin modeli geliştirilmesi amaçlanmıştır. Bir filmin başarısını tahmin etmek için önerilen modelde farklı istatistiksel analiz ve makine öğrenmesi yaklaşımları kullanılmıştır. Esas olarak, hangi film özelliğinin filmin başarısı ile yüksek oranda ilişkili olduğunu ve film başarısını tahmin etmede hangi makine öğrenme tekniğinin daha iyi olduğunu tespit etmeye odaklanılmıştır. Bunun için öncelikle ki-kare (chi-square) analizi ve varyans analizi testi kullanılarak istatistiksel bir analiz yapılmıştır. Ardından sınıflandırma yöntemlerinden Rastgele Orman (Random Forest), Destek Vektör Makinesi (Support Vector Machine) ve Yapay Sinir Ağı (Artificial Neural Network), regresyon yöntemlerinden, Çoklu Doğrusal Regresyon (Multi Linear Regression), Destek Vektör Regresyon (Support Vector Regression), Rastgele Orman Regresyon (Random Forest Regression) gibi farklı makine öğrenme teknikleri kullanılarak karşılaştırmalı bir analiz yapılmıştır. Deneysel sonuçlar, bir filmin başarısının en önemli belirleyicilerinin “oyOrtalamasi”, “oySayisi”, “gelir” ve “butce” olduğunu göstermektedir. Bunun yanı sıra Rastgele Orman, diğer makine öğrenme yöntemleri arasında film başarısını tahmin etmede %96 doğruluk (accuracy) oranıyla başarılı olmuştur. Destek Vektör Regresyon, diğer regresyon yöntemleri arasında film başarı tahmin etmede 1.77 Kök Ortalama Kare Hatası (Root Mean Square Error, RMSE) değeri ile başarılı olmuştur. In the movie industry, huge investments have been made to shoot a successful motion picture. However, despite large investments, there are some movie examples that cannot be successful as expected. Therefore, predicting the success of a movie is so important on a large scale for the movie producers before releasing the movie. In this study, a classification-based prediction model is aimed to develop for providing a foresight to the producers about investing on a movie. Different statistical analysis and machine learning approaches were used in the proposed model for predicting success of a movie. We mainly focus on detecting which movie attribute is highly correlated with the success of the movie and which machine learning technique is better at predicting the movie success. To do so, firstly a statistical analysis was conducted by using chi-square analysis and analysis of variance test. Then a comparative analysis was performed by using different machine learning techniques including Random Forest, Support Vector Machine and Artificial Neural Network, and Multiple Linear Regression, Support Vector Regression and Random Forest Regression methods as regression methods. The experimental results indicate that the most important predictors of a movie’s success are “voteAverage”, “voteCount”, “revenue” and “budget. In addition to this, Random Forest has become successful by the accuracy of 96% in predicting movie success among other machine learning methods, and Support Vector Regression has become successful by the Root Mean Square Error (RMSE) 1.77 in predicting movie success among other regression methods.