Yazar "Gul, Muhammed Furkan" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Afrika Akbabaları Optimizasyon Algoritmasının Güncel Metasezgisellerle Karşılaştırmalı Analizi
    (Osmaniye Korkut Ata Üniversitesi, 2025) Arslan, Sibel; Zoralioğlu, Yıldız; Gul, Muhammed Furkan
    Optimizasyon problemlerinin karmaşıklığının artmasıyla birlikte yeni metasezgisel algoritmalar geliştirilmektedir. Bu algoritmalar farklı problemler üzerinde üstün performanslar sergileyerek başarılarını göstermektedir. Bu çalışmada, son zamanlarda önerilen 4 metasezgisel algoritma olan Yapay Sinekkuşu Algoritması (Artificial Hummingbird Algorithm, AHA), Afrika Akbabaları Optimizasyon Algoritması (African Vultures Optimization Algorithm, AVOA), Kerevit Optimizasyon Algoritması (Crayfish Optimization Algorithm, COA) ve Deniz Yırtıcıları Optimizasyon Algoritması’nın (Marine Predators Optimization Algorithm, MPA) 26 test fonksiyonu üzerindeki performansları karşılaştırılmıştır. Karşılaştırmalar sonucunda algoritmaların farklı fonksiyonlar üzerinde çok küçük farklarla birbirlerinden daha iyi performans gösterdiği gözlemlenmiştir. Aynı zamanda karşılaştırma sonuçları t-test istatistiksel testi ile değerlendirilmiştir. AVOA, çeşitli test fonksiyonları için çözümlerin kalitesini değerlendirmede diğer yeni metasezgisellere göre daha iyi veya karşılaştırılabilir performans göstermiştir. Gelecek araştırmalarda AVOA’nın farklı problemler üzerinde kullanılması hedeflenmektedir.
  • Küçük Resim Yok
    Öğe
    Mackey-Glass Time Series Prediction with Immune Plasma Programming
    (IEEE, 2023) Gul, Muhammed Furkan; Arslan, Sibel
    Automatic Programming (AP) is one of the subfields of artificial intelligence that enables efficient modeling of systems. Immune Plasma Programming (IPP), one of the newly proposed AP methods, is developed taking inspiration from plasma treatment. In this study, mathematical models using IPP for time series prediction are proposed. It is also compared with wellknown AP methods such as Genetic Programming and Artificial Bee Colony Programming. According to the simulation results, IPP has proven that it can be applied to real-world problems by showing superior performance on various performance criteria compared to other methods.
  • Küçük Resim Yok
    Öğe
    Predicting Academic Performance of Students Using Machine Learning Techniques
    (Institute of Electrical and Electronics Engineers Inc., 2023) Zoralioglu, Yildiz; Gul, Muhammed Furkan; Azizoglu, Fatma; Azizoglu, Gokhan; Toprak, Ahmet Nusret
    With the advancement of information technologies in recent years, it has become common practice to analyze educational data gathered from a variety of sources. Analyzing these education data helps in improving the education system by identifying factors that affect students' progress and assessing their performance in school. Therefore, studies on predicting students' academic performance with high accuracy and extracting meaningful models from vast volumes of education data remain of great importance for researchers. In this study, the academic performance of students is predicted using random forest, decision tree, support vector machines, XGBoost, and logistic regression machine learning algorithms with data from Portuguese schools. In order to increase the prediction performance of the developed model, the imbalance in the dataset is eliminated with the SMOTE technique, and the most important features affecting the performance of the students are selected by using the Recursive Feature Elimination method. The results show that the XGBoost algorithm outperforms the research in the literature with an accuracy value of 97,2%. © 2023 IEEE.