-
Varyant-
-
E-Posta-
-
Web Sitesi-
-
Durum-
-
Ünvan-
-
YÖK Araştırmacı No-
-
COMPARATIVE ANALYSIS OF DISTANCE METRIC LEARNING-BASED METHODS IN MACHINE LEARNING AND DEEP LEARNING
Korucu, Gizen Mutlu | Acı, Çiğdem
2025-11-23
A Feature Selection-Based Multi-Stage Methodology for Improving Driver Injury Severity Prediction on Imbalanced Crash Data
Çiğdem İnan ACI | Gizen Mutlu | Murat Ozen | Esra Sarac | Vahide Nida Kılıç Uzel
Predicting driver injury severity is critical for enhancing road safety, but it is complicated because fatal accidents inherently create class imbalance within datasets. This study conducts a comparative analysis of machine-learning (ML) and deep-learning (DL) models for multi-class driver injury severity prediction using a comprehensive dataset of 107,195 traffic accidents from the Adana, Mersin, and Antalya provinces in Turkey (2018–2023). To address the significant imbalance between fatal, injury, and non-injury classes, the hybrid SMOTE-ENN algorithm was employed for data balancing. Subsequently, feature selection techniques, including Relief-F, Extra Trees, and Recursive Feature Elimination (RFE), were utilized to identify the most influential predictors. Various ML models (K-Nearest Neighbors (KNN), XGBoost, Random Forest) and DL architectures (Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN)) were developed and rigorously evaluated. The findings demonstrate that traditional ML models, particularly KNN (0.95 accuracy, 0.95 F1-macro) and XGBoost (0.92 accuracy, 0.92 F1-macro), significantly outperformed DL models. The SMOTE-ENN technique proved effective in managing class imbalance, and RFE identified a critical 25-feature sub...
Enhanced Multi-Class Driver Injury Severity Prediction Using a Hybrid Deep Learning and Random Forest Approach
Çiğdem İnan Acı | Gizen Mutlu | Murat Ozen | Mehmet Acı
Predicting driver injury severity and identifying factors influencing crash outcomes are crucial for developing effective traffic safety measures. This study focuses on estimating driver injury severity (uninjured, injured, or killed) and determining critical factors affecting crash outcomes. A hybrid framework combining Deep Neural Networks (DNNs) and Random Forest (RF) is proposed, where a DNN extracts features and RF performs the final classification, leveraging ensemble methods. The results were compared with those of well-known methods (e.g., kNN, XGBoost), with the hybrid approach achieving the best performance (0.92 accuracy, 0.89 F1-macro, 0.91 F1-micro scores) in predicting injury severity. The results showed that crash type, vehicle type, driver fault, intersection type, season, time, and road type had the greatest impact, while factors like pavement condition and driver gender had minimal influence. To the best of our knowledge, this is the first study to combine DNN-based feature extraction with RF classification in the context of traffic injury severity prediction. The framework offers a new approach for drivers and policymakers, providing a deeper understanding of driver injury severity prediction and its underlying factors.
Tahminden Eyleme: Enerji Yönetim Sistemlerinde Makine Öğrenimi ve Derin Öğrenme Uygulamaları
Korucu, Gizen Mutlu
Küresel enerji sektörü, artan talep, yenilenebilir kaynakların entegrasyonu ve sürdürülebilirlik hedeflerinin getirdiği baskılarla köklü bir dönüşüm geçirmektedir. Geleneksel enerji yönetim yöntemlerinin bu yeni ve karmaşık ekosistemde yetersiz kalması, Makine Öğrenimi (MÖ) ve Derin Öğrenme (DÖ) gibi veri odaklı teknolojilerin benimsenmesini zorunlu kılmıştır. Bu çalışma, MÖ'nün enerji yönetimindeki dönüştürücü rolünü; temel yöntemleri, pratik uygulamaları ve gelecek perspektiflerini kapsayacak şekilde bütüncül bir yaklaşımla ele almaktadır. Bölümde ilk olarak, Karar Ağaçları, Destek Vektör Makineleri, K-En Yakın Komşu ve Uzun Kısa Vadeli Bellek gibi temel MÖ/DÖ algoritmalarının teorik altyapıları ve enerji sistemlerindeki kullanım amaçları açıklanmaktadır. Ardından, güncel literatürden seçilmiş vaka çalışmaları aracılığıyla bu tekniklerin; elektrik fiyatı tahmini, akıllı şebeke operasyonları, yenilenebilir enerji üretim öngörüsü ve anomali tespiti gibi kritik alanlardaki somut başarıları ve performans metrikleri incelenmektedir. Çalışma ayrıca, MÖ uygulamalarının önündeki en büyük engeller olan veri kalitesi sorunları, ölçeklenebilirlik, model açıklanabilirliği ve enerji adaleti gibi etik kaygıları da detaylı bir şekilde tartışmaktadır. Sonuç olarak bu bölüm, MÖ'nün en...
Derin Öğrenme ile Akıllı Sağlık Sistemleri Klinik Destek, Görüntüleme ve Tahmin Modelleri
Vuran Sarı, Nisa | Mutlu Korucu, Gizen
Yapay zekâ teknolojilerinin sağlık alanındaki yükselişi, özellikle Yapay Sinir Ağları (YSA) gibi derin öğrenme temelli yaklaşımlar sayesinde büyük ivme kazanarak günümüzde sağlık bilişiminin ve klinik karar destek sistemlerinin vazgeçilmez birer parçası olma yolunda emin adımlarla ilerlemektedir. Bu kitap bölümünde, YSA’ların sağlık hizmetlerindeki dönüştürücü rolü Klinik Destek ve İlaç Geliştirme, Görüntü İşleme, Yoğun Bakım ve Kardiyak Tahmin, Beyin Tümörü ve Sinir Cerrahisi, Kas-İskelet ve Spinal Sistem ve Epilepsi ve Nöbet Tahmini olmak üzere altı farklı kategoride ele alınmış olup, son beş yılda yayımlanmış öncü bilimsel makaleler ışığında incelenmiştir. İncelenen çalışmalar, epileptik nöbetlerin EEG sinyalleri üzerinden öngörülmesi, yoğun bakım hastalarının hayatta kalma olasılıklarının tahmini, kas-iskelet ve omurilik yaralanmalarının prognozu gibi farklı klinik senaryolarda YSA'nın nasıl uygulandığını ortaya koymaktadır. Özellikle konvolüsyon sinir ağı (Convolutional Neural Network, CNN), Tekrarlayan Sinir Ağı (Recurrent Neural Network, RNN), Çekişmeli Üretici Ağ (Generative Adversarial Network, GAN) ve Transformer tabanlı hibrit modeller gibi gelişmiş mimarilerin kullanıldığı örneklerde, YSA’ların geleneksel istatistiksel yöntemleri çoğu durumda gerid...
Eğitim Alanında Yapay Sinir Ağları Kullanılan Çalışmalar
Mutlu Korucu, Gizen | Vuran Sarı, Nisa
Son yıllarda yapay zekâ ve büyük veri analitiği, eğitim alanında köklü bir dönüşüme öncülük etmektedir. Bu kitap bölümü, son beş yılda yapay sinir ağları (Artificial Neural Network, ANN) tabanlı modellerin eğitimdeki uygulamalarını inceleyerek bu alandaki güncel eğilimleri ve metodolojileri sistematik bir çerçevede sunmayı amaçlamaktadır. Çalışma, literatürü dört ana tematik başlık altında kategorize etmektedir: akademik performans tahmini, kişiselleştirilmiş eğitim, içerik üretimi ve soru çözümü ile eğitim sistemlerinin geliştirilmesi ve değerlendirilmesi. Ayrıca, Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP), Konvolüsyonel Sinir Ağları (Convolutional Neural Network, CNN), Uzun-Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Transformatör gibi temel derin öğrenme modellerinin çalışma prensipleri açıklanmıştır. İncelenen çalışmalar, ANN tabanlı modellerin, öğrenci başarısızlık riskini erken belirlemede, bireysel öğrenme yolları ve duygusal durumlara göre uyarlanmış içerik önermede, otomatik olarak soru ve ders materyali üretmede ve kurumsal düzeyde eğitim kalitesini değerlendirmede geleneksel yöntemlere kıyasla üstün bir performans sergilediğini göstermektedir. Özellikle MLP, LSTM ve CNN gibi modellerin, erken müdahale sistemlerinden takım tabanlı performans takibine...
Enhancing Driver Injury Severity Prediction Using Optimized Oversampling and Feature Selection Techniques
Korucu, Gizen Mutlu | Acı, Çiğdem | Özen, Murat
2024-12-11
MÜHENDİSLİKTE YENİLİKÇİ ÇALIŞMALAR
Mutlu, Gizen | Acı, Çiğdem
Son yıllarda, Nöral-Bulanık Sistemler’in (NBS) güçlü öğrenme yeteneği ve diğer algoritmalarla uyumlu çalışmasından faydalanarak örüntü tanıma, nesnelerin interneti, zaman serisi tahminleri gibi çeşitli teknolojik alt dallarda dikkate değer başarılar elde edilmiştir. Bilinen yapay zekâ algoritmalarının karmaşık ve belirsiz veriler üzerinde yetersiz kaldığı noktalarda NBS’nin uzmanlığından yararlanarak mevcut algoritmaların başarıları artırılmıştır. Böylelikle NBS kullanımı daha yaygın hale gelmiştir. Bu çalışmada 2019-2022 yılları arasında sağlık alanında yapılan NBS tabanlı çalışmalar araştırılmış ve sonuçlar kıyaslanmıştır. Sonuç olarak, NBS’lerin mevcut yapay zekâ algoritmaları ile birleştiğinde daha yüksek doğrulukla çalıştığı gözlemlenmiştir
SVM-SMO-SGD: A hybrid-parallel support vector machine algorithm using sequential minimal optimization with stochastic gradient descent
Mutlu, Gizen | Acı, Çiğdem
The Support Vector Machine (SVM) method is one of the popular machine learning algorithms as it gives high accuracy. However, like most machine learning algorithms, the resource consumption of the SVM algorithm in terms of time and memory increases linearly as the dataset grows. In this study, a parallel-hybrid algorithm that combines SVM, Sequential Minimal Optimization (SMO) with Stochastic Gradient Descent (SGD) methods have been proposed to optimize the calculation of the weight costs. The performance of the proposed SVM-SMO-SGD algorithm was compared with classical SMO and Compute Unified Device Architecture (CUDA) based approaches on the well-known datasets (i.e., Diabetes, Healthcare Stroke Prediction, Adults) with 520, 5110, and 32,560 samples, respectively. According to the results, Sequential SVM-SMO-SGD is 3.81 times faster in terms of time, and 1.04 times more efficient RAM consumption than the classical SMO algorithm. The parallel SVM-SMO-SGD algorithm, on the other hand, is 75.47 times faster than the classical SMO algorithm in terms of time. It is also 1.9 times more efficient in RAM consumption. The overall classification accuracy of all algorithms is 87% in the Diabetes dataset, 95% in the Healthcare Stroke Prediction dataset, and 82% in the Adults dataset.
Time and Memory Comparison of Parallel K-Nearest Neighbor Algorithms on GPUs
Korucu, Gizen Mutlu | Acı, Çiğdem
2022-11-18