Time and Memory Comparison of Parallel K-Nearest Neighbor Algorithms on GPUs

Korucu, Gizen Mutlu | Acı, Çiğdem

2022-11-18

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 result...

Deep Learning-Based Prediction Models for the Detection of Vitamin D Deficiency and 25-Hydroxyvitamin D Levels Using Complete Blood Count Tests

Acı, Çiğdem | Acı, Mehmet

Vitamin D (VitD) is an essential nutrient that is critical for the well-being of both adults and children, and its deficiency is recognized as a precursor to several diseases. In previous studies, researchers have approached the problem of detecting vitamin D deficiency (VDD) as a single ”sufficient/deficient” classification problem using machine learning or statistics-based methods. The main objective of this paper is to predict a patient’s VitD status (i.e., sufficiency, insufficiency, or deficiency), severity of VDD (i.e., mild, moderate, or severe), and 25-hydroxyvitamin D (25(OH)D) level in a separate deep learning (DL)-based models. An original dataset consisting of complete blood count (CBC) tests from 907 patients, including 25(OH)D concentrations, collected from a public health la...

Morphological and structural complexity analysis of low-resource English-Turkish language pair using neural machine translation models

Acı, Mehmet | Vuran Sarı, Nisa | Acı, Çiğdem

Neural machine translation (NMT) has achieved remarkable success in high-resource language pairs; however, its effectiveness for morphologically rich and low-resource languages like Turkish remains underexplored. As a highly agglutinative and morphologically complex language with limited high-quality parallel data, Turkish serves as a representative case for evaluating NMT systems on low-resource and linguistically challenging settings. Its structural divergence from English makes it a critical testbed for assessing tokenization strategies, attention mechanisms, and model generalizability in neural translation. This study investigates the comparative performance of two prominent NMT paradigms—the Transformer architecture, and recurrent-based sequence-to-sequence (Seq2Seq) models with atten...

COMPARATIVE ANALYSIS OF DISTANCE METRIC LEARNING-BASED METHODS IN MACHINE LEARNING AND DEEP LEARNING

Korucu, Gizen Mutlu | Acı, Çiğdem

2025-11-23

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

Sağlık Görüntülerinin Sınıflandırılmasında Derin Nöral Bulanık Ağının Performansı

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Çevrimiçi Aktif Öğrenme ile Geliştirilen Bulanık Sinirsel Sınıflandırıcı Analizi

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Bulanık Kümeleme ve Destek Vektörleri ile Sinir Ağı Güçlendirme Uygulamaları

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Bu çalışmada, sinir ağlarının kullanımında Regülerize Edilmiş Bulanık Kümeleme Sinir Ağı’nın (RFCNN) gürültülü ve uyumsuz veriler karşısında dayanıklılığının arttırılması amaçlanmıştır. Geleneksel sinir ağları, gürültülü verilerle çalışırken performans düşüşleri yaşamaktadır. Bu sorunu ele almak için, destek vektör tabanlı (Support Vector, SV) tabanlı Hiyerarşik Bulanık C-Ortalamalar (Hierarchical Fuzzy C-Means, HFCM) ve Bulanık C-Ortalamalar (Fuzzy C-Me-ans, FCM) kümeleme tekniklerini L2-norm düzenleme ile birleştirerek daha da-yanıklı bir model geliştirilmesi hedeflenmiştir. Çalışmada, SV tabanlı kümeleme tekniklerinin aykırı değerlerin etkilerini azaltarak modelin performansını iyileştiği gösterilmiştir. L2-norm düzenlemesi, modelin aşırı uyumunu önlemek ve varyans-önyargı dengesini sağ...

Mühendislik Alanında Gelişmeler

Korucu, Gizen Mutlu | Acı, Mehmet | Acı, Çiğdem

-