Sürdürülebilir Kalkınma Amaçları
Yazarlar
- Dogan, Ramazan Ozgur(6)
- Dogan, Hulya(5)
- Catal Reis, Hatice(4)
- Reis, Hatice Catal(4)
- Turk, Veysel(4)
- Bozkurt, Ferhat(3)
- Celik, Kemal(3)
- İncir, Ramazan(3)
- Bingol, Ozkan(2)
- Gökgöz, Baki(2)
- Gül, Fatih(2)
- Ture, Hayati(2)
- Al-Taib, Asmaa Abduh(1)
- Almasani, Heba(1)
- Alparslan Kiliç(1)
- Aslan, Muhammed Emin(1)
- Ay, Ilyas(1)
- Aydin, Tolga(1)
- Aydın, Tolga(1)
- Bayrak, Coskun(1)
- Başağa, Hasan Basri(1)
- Başoğlu, Mustafa Engin(1)
- Bingöl, Ozkan(1)
- Bulut, Sinan(1)
- CELIK, Ayse(1)
- CELIK, Fatih(1)
- CELIK, Kemal(1)
- Cam, Handan(1)
- Celik, Fatih(1)
- Cetin, Gokhan(1)
- Demir, Yasin(1)
- Demir, Zeynep(1)
- Demirel, Ugur(1)
- Dogu, Fatma Tuana(1)
- Ekinci, Murat(1)
- Ekmekci, Dursun(1)
- Esme, Engin(1)
- Gedikli, Eyup(1)
- Genemo, Musa Dima(1)
- Günen, Mehmet Akif(1)
Yayınlar
- MakaleYalnız künye2021ReCRNet: a deep residual network for crack detection in historical buildings
Reis, Hatice Catal; Khoshelham, Kourosh
In historical buildings, surface cracks are important indicators of potential structural damage. Natural disasters and indirect human factors, which are frequently encountered in recent periods, negatively affect historical buildings and structures. Fast and cost-effective crack detection methods play a key role in structural health monitoring of historical buildings. This paper presents methodologies for identifying concrete cracks using deep learning. We propose ReCRNet, a deep learning architecture designed for classifying images of cracks. The performance of the proposed method is evaluated and compared with state-of-the-art methods such as AlexNet, VGG 19, linear support vector machine (SVM), and decision tree (DT). The results show that ReCRNet achieves better performance in terms of accuracy, precision, recall, F1-score, and receiver operating characteristic (ROC), in comparison with the other crack classifiers. Accordingly, the proposed approach is recommended for automatic monitoring of historical buildings and building condition assessments.
- MakaleAçık Erişim2021Predicting stock prices using machine learning methods and deep learning algorithms: The sample of the istanbul stock exchange
Demirel, Ugur; Cam, Handan; Unlu, Ramazan
Stock market prediction in financial and commodity markets is a major challenge for speculators, investors, and companies but also profitable with an accurate prediction. Thus, obtaining accurate prediction results becomes extremely important especially while the stock market is essentially volatile, nonlinear, complicated, adaptive, nonparametric and unpredictable in nature. This study aims to forecast the opening and closing stock prices of 42 firms listed in Istanbul Stock Exchange National 100 Index (ISE-100) using well-known machine learning methods, Multilayer Perceptrons (MLP) and Support Vector Machines (SVM) models and deep learning algorithm, Long Short Term Memory (LSTM) by comparing their forecasting performances. The analysis includes 9 years of data from 01.01.2010 to 01.01.2019. For each firm 2249 data for the opening and 2249 for the closing stock prices were established as daily data sets. Forecasting performance of these methods was evaluated by applying different criteria for each model: root mean squared error (RMSE), mean squared error (MSE) and R-squared (R2). The results of this study show that MLP and LSTM models become advantageous in estimating the opening and closing stock prices comparing to SVM model.
- MakaleAçık Erişim2021A data-driven multi-regime approach for predicting energy consumption
Kahraman, Abdulgani; Kantardzic, Mehmed; Kahraman, Mustafa; Kotan, Muhammed
There has been increasing interest in reducing carbon footprints globally in recent years. Hence increasing share of green energy and energy efficiency are promoted by governments. There-fore, optimizing energy consumption is becoming more critical for people, companies, industries, and the environment. Predicting energy consumption more precisely means that future energy management planning can be more effective. To date, most research papers have focused on predicting residential building energy consumption; however, a large portion of the energy is consumed by industrial machines. Prediction of energy consumption of large industrial machines in real time is challenging due to concept drift, in which prediction performance deteriorates over time. In this research, a novel data-driven method multi-regime approach (MRA) was developed to better predict the energy consumption for industrial machines. Whereas most papers have focused on finding an excellent prediction model that contradicts the no-free-lunch theorem, this study concentrated on adding potential concept drift points into the prediction process. A real-world dataset was collected from a semi-autonomous grinding (SAG) mill used as a data source, and a deep neural network was utilized as a prediction model for the MRA method. The results proved that the MRA method enables the detection of multi-regimes over time and provides a highly accurate prediction performance, thanks to the dynamic model approach.
- Yüksek Lisans TeziAçık Erişim2019Hisse senedi fiyatlarının makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları ile tahmini
Uğur Demirel
Türkiye gibi gelişmekte olan ekonomiler açısından menkul kıymetler piyasasının fiyat tahminlerinin yapılması oldukça önemlidir, ancak piyasalarda her türlü spekülatif hareketin yaşanması bu borsalarda iniş ve çıkışların çok yüksek olmasına neden olmaktadır. Bu durum yatırımcıların hisse senedi fiyat hareketlerini tahmin edebilmelerini güçleştirmekte ve dolayısıyla yatırımlarını doğru değerlendiremedikleri için kayıplar yaşamalarına sebep olmaktadır. Bu nedenle yatırımcılar gelecekteki hisse senedi fiyatlarını doğru tahmin edebilmek için çeşitli yöntem ve metotlar kullanma ihtiyacı hissetmektedirler. Son zamanlarda bu tahminlerin elde edilmesinde makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları diğer alanlarda olduğu gibi finans alanında da sıkça kullanılmaya başlanmıştır. Bu çalışmada, veri seti olarak Borsa İstanbul Ulusal-100 Endeksi (BIST 100)'de işlem gören firmaların hisse senetlerinin günlük 2. seans açılış ve kapanış fiyatlarına ilişkin Ocak 2010 ile Ocak 2019 tarihleri arasındaki veriler kullanılmıştır. Çalışmada makine öğrenmesi ve derin öğrenme ışığında bu hisse senetlerinin açılış ve kapanış fiyatlarının tahmin edilmesi amaçlanmaktadır. Bu kapsamda tahminleme modeli oluşturabilmek adına Çok Katmanlı Algılayıcılar (ÇKA) ve Destek Vektör Makineleri (DVM) gibi klasik makine öğrenimi yöntemleri ve Uzun Kısa Dönemli Hafıza (UKVH) yöntemi gibi derin öğrenme algoritmaları kullanılmaktadır. Çalışmanın sonucunda ÇKA ve UKVH ağlarının DVM'lerine göre daha tutarlı tahminler yaptığı tespit edilmiştir. Bu sonuç analizlerde gruplar arasında fark olup olmadığını gösteren çift kuyruklu t-testi analizi ile de desteklenmiştir.