Zaim, Abdül HalimKılınç, Hacı HakanBilgin, Mehmet Erhan2024-10-102024-10-102022https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kIrIdtdJ31bRgjb6fHvMUewzY-OkN_E0tXxy0yYJBRExW8B3ImVhHyTKV8HVe8xIhttps://hdl.handle.net/11467/7587Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Siber Güvenlik Bilim DalıBu 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.In this study, a high success rate in anomaly detection is aimed by applying machine learning methods based on various statistical methods in order to calculate possible abnormal situations at extreme points. The smart home system was prepared with temperature, humidity, light intensity, motion detection and air quality measurement sensors on the Raspberry Pi device. The data collected from the sensors were recorded in the SQLite database, which is the relational database. Anomaly detection was performed with the help of the machine learning libraries of the Python programming language. In the data collection phase, ambient temperature, humidity, gas, motion, and light intensity were distorted so as to affect the sensor values to create abnormal measurement values and these values are introduced as abnormal values to the machine learning algorithm. As a result of the study, it has been calculated that the Decision Tree, Extra Trees, Random Forest and XGBoost artificial learning methods of the data labeled with Isolation Forest can perform anomaly detection with a success rate close to 100% in anomaly detection.trinfo:eu-repo/semantics/openAccessBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis147771456