Yazar "Kotan, Bayram" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Çok Katmanlı Algılayıcı ile Ağ Trafiği Sınıflandırma Analizi
    (2022) Kırışoğlu, Serdar; Kotan, Kurban; Kotan, Bayram
    Çevrimiçi ağ trafiği sınıflandırması, uzun vadeli ilginin odak noktası olmaya devam ediyor. Ağ trafiğini izleme ve ağ trafiği analizi birçok farklı yoldan yapılabilir. Ağ trafiğini izleme, hizmet kalitesi (QoS) için ham veri girişi sağlar ve bu da ağ analistine ağ kaynaklarını nasıl kullandığını anlama ve ağ performansını belirleme olanağı sağlar. Bu bilgi ile ağ analisti, ağ kaynaklarını kontrol etmek ve yönetmek için QoS politikalarını belirleyebilir. Ağ trafiğinin izlenmesi akademik araştırma için modeller oluşturmak için de kullanılabilir. Bu makalede derin öğrenme algoritması kullanılarak ağ trafiğini doğru şekilde sınıflandıran bir makine öğrenme yaklaşımı sunulmuştur. Aynı zamanda bu çalışmada diğer makine öğrenme algoritmaları ile karşılaştırmalar yapılmıştır. Çok Katmanlı Algılayıcı (MLP), ağın sınıflandırıcısını oluşturmak için kullanılmıştır. Deney sonuçları derin öğrenme algoritmasının diğer algoritmalardan daha iyi sonuç verdiğini ve sınıflandırmada %99,0233 Detection Rate (DR) değerine, %78,3941 doğruluğa (ACC) sahip olduğunu göstermiştir.
  • Küçük Resim Yok
    Öğe
    Detection of Economic Crises With Language Models and Comparative Analysis of Simple Time Series Analysis Models and Machine Learning Algorithms on the Stock Market
    (Ieee-Inst Electrical Electronics Engineers Inc, 2025) Kotan, Kurban; Kotan, Bayram; Kirisoglu, Serdar
    This study investigates the use of natural language processing language representation models as an early warning system for economic crises, and compares the performance of time series analysis and machine learning models in financial markets before and during the economic crises in order to select the best model. The data used in the research was collected based on the economic crises that occurred in Turkey in December 2021. The aim is to identify an economic crises period by using language representation models for economic news between August 2021 and January 2022. After identifying the economic crises period, short term (1 day), medium term (15 days) and long term (30 days) forecasts were made for the index of thirty companies with the highest trading volume (BIST30) of Borsa Istanbul between 01/01/2021 and 31/12/2021 and performance comparisons were made between the models. The aim is to develop an effective smart, automatic crises detection and forecasting model selection application. The CHIT algorithm introduced in the study is a new missing data filling algorithm used in time series forecasting comparisons. Since the CHIT algorithm has a high impact on the model performance, this algorithm is used in the pre-processing step and comparisons are made.