Yazar "Bilgin, Mehmet Erhan" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Akıllı ev sistemlerinde yapay öğrenme yöntemleriyle anomali tespiti
    (İstanbul Ticaret Üniversitesi, 2022) Bilgin, Mehmet Erhan; Zaim, Abdül Halim; Kılınç, Hacı Hakan
    Bu çalışma olası normal olmayan durumların uç noktalarda hesaplanmasını sağlamak amacıyla çeşitli istatiksel yöntemlere dayalı yapay öğrenme yöntemleri uygulanarak anomali tespitinde yüksek başarı oranı amaçlanmıştır. Akıllı ev sistemi Raspberry Pi cihazında sıcaklık, nem, ışık yoğunluğu, hareket algılama ve hava kalite ölçüm sensörleriyle hazırlandı. Sensörlerden toplanan veriler ilişkisel veri tabanı olan SQLite veri tabanına kaydedildi. Python programalama dilinin yapay öğrenme kütüphaneleri yardımıyla anomali tespiti gerçekleştirildi. Verileri toplama aşamasında normal olmayan ölçüm değerlerinin oluşması için sensör değerlerini etkiyecek şekilde sıcaklık, nem, gaz, hareket ve ışık yoğunluk miktarı saptırıldı ve yapay öğrenim algoritmasına bu değerler anormal değer olarak tanıtıldı. Çalışma sonucunda Isolation Forest ile etikelnemiş verilerin Decision Tree, Extra Trees, Random Forest ve XGBoost yapay öğrenme yöntemlerinin anomali tespitinde %100'e yakın başarı oranı ile anomali tespiti gerçekleştirebildiği hesaplanmıştır.
  • Küçük Resim
    Öğe
    An anomaly detection study for the smart home environment
    (IEEE, 2022) Bilgin, Mehmet Erhan; Kilinc, H.Hakan; Zaim, Abdul Halim
    Unusual sensor data in smart homes may herald different problems based on sensor errors, security vulnerabilities, activity and behavior changes. This study focuses on detecting anomalies and unusual situations in 7 different sensor data in a house. For this, a model created with a combination of unsupervised and supervised machine learning algorithms is used. The sensor data are labeled using Isolation Forest which is one of the unsupervised algorithms. Then, the data is trained with the supervised algorithms Decision Tree, Extra Trees, Random Forest and XGBoost classification algorithms. Anomaly decisions are made with an accuracy of over 99 percent.