Yazar "Kotan, Kurban" seçeneğine göre listele

Listeleniyor 1 - 5 / 5
  • 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
    Cyclical hybrid imputation technique for missing values in data sets
    (Nature Portfolio, 2025) Kotan, Kurban; Kirisoglu, Serdar
    The problem of missing data in data sets is the most important first step to be addressed in the preprocessing phase. Because incorrect imputation of missing data increases the error in the modeling phase and reduces the prediction performance of the model. When it comes to health, it is inevitable to choose models that show a higher success rate. In cases where there is missing data, the performance of machine learning models may differ depending on the amount of data contained in the data set. The presence of missing data and this high rate affects the accuracy and reliability of analysis and modeling studies because it will affect the complete amount of data in the data set. Estimating and filling in the missing data very precisely, close to its real value, will provide a significant visible performance increase in the modeling phase, which is the next stage. After imputing the missing data with an artificial intelligence model rather than a random method, it is obvious that the accuracy of the model trained with this data is higher than the model trained with data filled with classical filling methods such as mean and mode. In this study, we propose a new algorithm that has been tested on many datasets to address the problems caused by missing data imputation in the dataset. The algorithm aims to impute missing values more effectively by using row-based and column-based imputation techniques together and cyclically. The algorithm takes into account individual missing values using column-based imputation features and the overall data structure using row-based imputation features. The proposed algorithm achieved 100% accuracy with some row and column-based imputation techniques on 3 different datasets used in the study. Higher accuracy was achieved compared to other imputation techniques.
  • 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.
  • Küçük Resim Yok
    Öğe
    Ekonomik kriz anlarının doğal dil işleme ile tespiti, zaman serisi ve makine öğrenmesi modellerinin tahmin karşılaştırması
    (Düzce Üniversitesi, 2025) Kotan, Kurban; Kırışoğlu, Serdar
    Para, ilk kez Lidyalılar tarafından kullanılan, mal ve hizmetlerin değerini ölçmek için evrensel bir standart olarak ekonomik faaliyetlerin temelini oluşturan insanlık tarihindeki en önemli buluşlardan biridir. Para daha sonra yatırım ve birikim amacıyla emtiaların, tahvillerin ve hisse senetlerinin alınıp satıldığı finansal piyasaların oluşmasına neden olmuştur. Bu finansal sistemde yatırımcılar hem kazanç elde etmek hem de riskleri yönetmek zorundadır. Borsa tahmini, yatırımcıların yatırımlarını korumak ve en iyi getiriyi elde etmek için çok önemlidir. Böylelikle yatırımcılar akıllıca secimler yaparak finansal kayıpları azaltır ve hızlı değişikliklerden korunur. Ancak borsa, siyasi ve psikolojik gibi birçok faktörden etkilendiğinden geleneksel tahmin yöntemlerinin doğruluğu çoğu zaman düşüktür. Günümüzde yapay zekâ ile tahminler daha isabetli yapılabilmektedir. Makine öğrenme ve doğal dil islemenin kullanımı, veri odaklı ve akılcı kararlar alma fırsatı vererek borsa tahminlerini daha güvenilir bir hale getirmektedir. Finansal piyasaların tahmininde kullanılan geleneksel yöntemler olan zaman serileri analiz metotlarıyla modern yöntemler arasındaki karşılaştırma ve doğal dil isleme modelleriyle ekonomik kriz dönemini saptama bu çalışmanın odak noktasını oluşturmaktadır. Bu tez, doğal dil isleme modellerinin ekonomik kriz tespiti için erken uyarı sistemleri olarak kullanılmasını araştırır. Ayrıca çalışma, makine öğrenmesi modelleri, sinir ağları temelli modelleri ve zaman serisi analiz metotlarının ekonomik kriz öncesi ve ekonomik kriz döneminde finansal piyasalarda performanslarını karşılaştırarak en iyi modelin seçilmesini sağlar. 2021 Aralık ayında Türkiye'de meydana gelen ekonomik kriz döneminin verileri üzerinde çalışılmıştır. Ekonomik kriz döneminin tespiti için 2021 Ağustos ile 2022 Ocak arası dönemindeki ekonomi ile ilgili haber verilerine doğal dil isleme analizleri uygulanmıştır. Ekonomik kriz öncesi (01.01.2021 ile 31.11.2021 tarihleri arası) ve ekonomik kriz dönemi (Aralık 2021 ve sonrası) için yapılan performans karşılaştırmaları için Borsa İstanbul'daki BİST30 olarak adlandırılan en yüksek işlem hacmine sahip 30 şirketin endeksi üzerinde çalışılmıştır. Modellerin kısa (1 gün), orta (15 gün) ve uzun (30 gün) vadeli tahmin performansları karşılaştırılmıştır. Böylelikle piyasalarda dalgalanmalara neden olabilecek bir ekonomik kriz anı tespit edilerek ekonomik kriz öncesi ve ekonomik kriz döneminde en iyi modelin seçilmesi sağlanır. Hedef, etkili bir 'Akıllı, Otomatik Kriz Tespit ve Tahmin Modeli Seçme Uygulaması' oluşturmaktır.
  • Küçük Resim Yok
    Öğe
    Sustainable Economic Development Through Crisis Detection Using AI Techniques
    (Mdpi, 2025) Kotan, Kurban; Kirisoglu, Serdar
    Economics is based on data and indicators. Although their interpretation can be complicated, their effects can be calculated in advance. In other words, economic crises are not as complicated and unpredictable as natural disasters. If economic news, news that reflects the thoughts of society, and especially the experiences and predictions of economic experts, is semantically processed from the news texts written by economic experts, economic crises can be predicted long in advance. In addition, the frequency of news about crises in society is also effective. Events that affect society are often mentioned. This can be an indication of some economic crises. In this research, we attempted to detect the economic crises and inflation increases in Turkey in December 2021 and in Germany in September 2022 several months in advance with natural language processing (NLP) models. In the study, the daily news retrieved via RSS from the leading news channels and newspapers was first preprocessed and then the similarities were checked with NLP models. Finally, similarities and changes were analyzed in comparison with inflation data. It was found that similar changes a few months ago had a high correlation with inflation data.