Bilgilendirme: Kurulum ve veri kapsamındaki çalışmalar devam etmektedir. Göstereceğiniz anlayış için teşekkür ederiz.

Doktora Tezleri

Permanent URI for this collectionhttps://gcris.yasar.edu.tr/handle/123456789/13679

Browse

Browsing Doktora Tezleri by Department "LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Doctoral Thesis
    Derin öğrenme kullanılarak müziksel benzerliklerin tespiti
    (2025) Sofuoğlu, İlhan; Ünlütürk, Mehmet Süleyman
    Müzik, yüzyıllardır insanları büyüleyen karmaşık ve çok yönlü bir sanat biçimidir. Derin öğrenmedeki son gelişmeler nedeniyle, bu teknolojinin müzik içeriğini araştırmak ve anlamak için kullanılmasına yönelik artan bir odaklanma olmuştur. Bu tezde, derin öğrenme tekniklerini kullanarak müzik benzerliğini tespit etme zorluğunu ele almayı amaçlıyoruz. Derin öğrenme modellerinin karmaşık müzik özelliklerini etkili bir şekilde yakalama ve analiz etme potansiyeline sahip olduğunu ve müzik benzerliklerinin doğru bir şekilde tespit edilmesini sağladığını savunuyoruz. Bunun müzik öneri sistemlerinde, müzik prodüksiyonunda ve hatta intihal tespitinde çok sayıda uygulaması olabilir. Büyük müzik besteleri kümeleri üzerinde eğitilen derin öğrenme modellerinin kullanımıyla, farklı müzik parçaları arasındaki benzerlikleri temsil eden önemli özellikleri ve kalıpları tespit edip çıkarabiliriz. Sağlam ve doğru müzik benzerliği tespiti elde etmek için derin sinir ağlarını gelişmiş özellik çıkarma teknikleriyle birleştiren bir çerçeve öneriyoruz. Önerilen çerçeve, müzik benzerliğini yüksek doğrulukla tespit etmek için derin sinir ağlarını ve gelişmiş özellik çıkarma tekniklerini kullanır. Performanslarını değerlendirmek için çeşitli müzik veri kümeleri üzerinde testler yapmak üzere önerilen çerçeveyi kullanıyoruz. Bulgular, metodolojimizin geleneksel teknikleri geride bıraktığını ve müzikal benzerlikleri belirlemede olağanüstü hassasiyet seviyelerine ulaştığını göstermektedir. Ayrıca, müzikal benzerlik tespiti alanında derin öğrenme yöntemlerini uygulamayla ilişkili kısıtlamaları ve zorlukları analiz ediyoruz. Genel olarak, tez, müzikal benzerlikleri doğru bir şekilde tespit etmek için derin öğrenmenin potansiyelini vurgulamaktadır.
  • Thumbnail Image
    Doctoral Thesis
    Pekiştirmeli öğrenme ile dönel kavşaklarda trafik ışıklarının optimizasyonu
    (2024) Ağbulut, Onur; Karabulut, Korhan
    Traffic congestion has been a problem as the cities and urban areas have become more crowded, which brings a rise in the number of vehicles running through roads. This increase in the number of vehicles, combined with insufficient infrastructure and the number of roads fails to cover the number of vehicles travelling every day. Some environmental effects, such as weather conditions and accidents happening on the roads also increase congestion. Traffic light controllers are the prominent elements of traffic flow in the modern world. They control the current active flow direction either by letting the vehicles pass or stop. Roundabouts are also traffic elements for regulating the traffic flow. They are an alternative traffic component to intersections that aim to organize vehicles flowing through traffic properly. In some ways, they are very similar to intersections; however, some notable differences make roundabouts distinct from intersections. Together with this, AI has made a lot of progress. Improved hardware technology made it possible to train and test AI agents much faster, thus enabling them to be applicable in a shorter time, which was very hard to achieve before. Apart from this, new solutions and algorithms have been developed that took AI and its sub-fields like ML and RL systems to become more intelligent. This also enables AI to become more engaged in the current daily life. In this thesis study, a reinforcement learning-based solution for congestion problems in traffic flow was developed to optimize roundabout traffic flow by controlling traffic lights. A solution based on the Q-Learning Algorithm is developed. Reward and state mechanisms are implemented to optimize various traffic metrics. This study aims to optimize traffic flow in roundabouts in terms of mean waiting time, the number of stopped vehicles, average speed of cars, etc., by controlling the change of traffic lights. Several experiments for different traffic flow scenarios are designed and simulated independently multiple times to obtain statistically significant results. To compare the performance of the proposed method, experiments in which traffic lights change sequentially are also designed and executed. In these experiments, outputs for different traffic metrics are calculated. Later, the results of the proposed method are compared with these baseline results. As a result, the proposed method using Q-Learning algorithm-based reinforcement learning has been observed to produce better results than baseline results in more than one metric: mean waiting time, number of stopped vehicles, average of cars, etc., especially when there is a high traffic volume.