Doktora Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12469/7776

Browse

Now showing 1 - 3 of 3

Open data platform for agriculture: Multi layers perspective
(Kadir Has Üniversitesi, 2020) Aydın, Şahin
Son yıllarda, daha hassas tarımsal faaliyetler gerçekleştirebilmek amacıyla bilgi ve iletişim teknolojileri (BİT) tarafından desteklenen çeşitli projeler geliştirilmekte ve tarım alanında oldukça yoğun bir şekilde kullanılmaktadır. Bu projeler, nesnelerin interneti (IoT), kablosuz sensörler ağları (WSN), bulut bilişim (CC) ve anlamsal ağ gibi farklı temel BİT terimlerini içine alan yenilikçi ve akıllı araçlarla desteklenmektedirler. Bu projelerin başarıyla uygulanması, çeşitli paydaşların farklı türde veri kaynaklarından toplanan ilgili verileri kullanarak ne ölçüde destek sağladıklarına bağlıdır. Tarım alanındaki çok sayıda farklı paydaşın hassas tarımsal faaliyetlerde bulunabilmeleri ve tarımsal üretim sürecinde ürün ile ilgili farklı parametrelerin izlenebilirliğini elde edebilmeleri için karmaşık verilere ve bu verilerle oluşturulacak akıllı sistem uygulamalarına ihtiyaçları vardır. Bu tezde, ilk olarak, açık veri terimi tarım bağlamında incelenmiş, açık bir veri işleme modeli oluşturulmuş ve tarım alanlarından çevresel verileri toplamak için IoT tabanlı bir çözüm geliştirilmiştir. Ayrıca BİT tabanlı bir çözüm geliştirilerek önerilen modelin uygulanabilirliği de gösterilmiştir. İkinci olarak, fındık için ürüne özgü özellik ontolojisi geliştirilmiştir. Geliştirilen ontolojiyi değerlendirmek için çeşitli ontoloji değerlendirme araçları ve yöntemleri incelenmiştir. Özellikle, önerilen ontolojinin kalitesini değerlendirmek için bir dizi metrik kullanılmış ve geliştirilen fındık ontolojisinin sonuçları ve kalitesi hem araştırmacılar hem de uygulayıcılar için tartışılmıştır. Üçüncü bir araştırma konusu olarak, tarımsal açık veri platformları üzerinde yayınlamak ve kullanmak amacıyla model-view-controller (MVC) tasarım desenine dayalı veri toplama formları oluşturmak için genel ontoloji tabanlı bir veri toplama modeli önerilmiştir. Veri toplama formlarının oluşturulması için önerilen modelin etkinliğini gösteren Fındık Ontolojisini entegre eden OWL2MVC adlı bir araç geliştirilmiş ve bu araçla ilgili detaylar da ilgili bölümde açıklanmıştır. OWL2MVC yazılım aracı, vaka çalışması senaryosunu uygulayan elli üç katılımcı tarafından verimlilik, etkililik, yardımcılık, kontrol edilebilirlik ve öğrenilebilirlik gibi beş farklı ölçek dikkate alınarak kullanılabilirlik açısından değerlendirilmiştir. Elde edilen bulgular, aracın genel olarak tatmin edici kullanılabilirlik puanına sahip olduğunu ve paydaşlara tarımsal açık veri platformları için gerekli desteği vermeyi vaat ettiğini göstermiştir. Son olarak, sahaya özgü parametreleri sensör ölçüm değerlerine bağlamak için bir tarımsal özellik sözlüğünün nasıl kullanılacağını göstermek amacıyla ontoloji tabanlı bir veri entegrasyonu yaklaşımı önerilmiştir. Ayrıca, önerilen yaklaşımın uygulanabilirliğini kanıtlamak için bir açık veri platformu da geliştirilmiştir. Açık veri platformu, yirmi yedi katılımcı tarafından verimlilik, etkililik, yardımcılık, kontrol edilebilirlik ve öğrenilebilirlik gibi beş farklı ölçek dikkate alınarak kullanılabilirlik açısından değerlendirilmiştir. Kullanılabilirlik sonuçlarına göre, geliştirilen platformun her bir ölçek için tatmin edici puanlara sahip olduğu tespit edilmiştir. Küresel kullanılabilirlik ölçeğinin puanı açık veri platformu için oldukça makul bir değer olarak hesaplanmıştır. Ayrıca, bu araştırmada, tarım alanındaki sensör verilerinin sözdizimsel birlikte çalışabilirliğinin gerçekleştirilebilmesi için web hizmetlerinin ve Web API'lerin nasıl kullanılacağı da geliştirilen açık veri platformu yardımıyla gösterilmiştir.
Proposing a Model for Precision Management Supervised With Machine Learning in Livestock Management
(Kadir Has Üniversitesi, 2021) Ödevci, Bahadır Baran; Emsen, Ebru; Aydın, Mehmet Nafiz
The global demand for meat is predicted to rise by 40% in the next 15 years, owing to an increase in the number of people adopting protein-richer diets, and technology solutions in agricultural and livestock production systems are likely to play a vital role in addressing this issue. On the other hand, while expanding meat output, it will be critical to discover ways to reduce livestock farming's environmental footprint and assure high levels of animal care and health. In this thesis, we aim to propose a model and approach along with a number of steps to follow for a livestock farm to adapt an information management system to attain optimum production efficiency. We are seeking answers to respond to the following research question: How can a livestock farm utilize information management systems for optimum efficiency? In order to expand the research on a specific livestock case study, we focus on intensively managed sheep for lamb production. However, the model and approach proposed in this thesis can be applicable to any livestock farming that aims to utilize information systems for precision management of farm operations. First, we reviewed scientific research related to long-standing, novel-technology, and data sensors with emphasis on data-information-knowledge-wisdom and decision-making processes and for intensively managed sheep for lamb production. Secondly, we addressed what data elements exist in the context of a livestock farm and how data elements in the context of livestock farms are associated. Special attention was given to the data model of the farm context for managerial precision livestock farming (PLF) systems. Thirdly, we proposed the decision-making points supervised by machine learning models in a PLF management information system for intensively managed sheep for lamb production. At this point, we developed and adapted a Mobile Sheep Manager Software (M-SMS) for a commercial lamb production model using an appropriate cloud architecture that collects and utilizes farm data and responds to the farm management with respect to insights into the operational and financial aspects of the farm. The technology identifies real-time alarms pertaining to animal welfare, health, environmental effects, and production on the farm and provides troubleshooting recommendations. We also looked at its suitability for user experience as well as its impact on farm profitability and sustainability. This research has shown that M-SMS combined with cloud services compounded with Predictive Analytics Services can fine-tune flock management and significantly improve operational excellence. According to the usability results, intensive sheep farmers had access to "point and click" solutions to keep legislative records, attain operational guidance and build flock performance data. Finally, we propose a model and steps to follow to adapt the information management system to any livestock management system in order to attain optimum efficiency. It was concluded that the architecture of this application can be easily adapted to other intensively managed livestock if the steps in this study are followed precisely.
Random Capsule Network (capsnet) Forest Model for Imbalanced Malware Type Classification Task
(Kadir Has Üniversitesi, 2021) Çayır, Aykut; Dağ, Hasan
Behavior of malware varies depending the malware types, which affect the strategies of the system protection software. Many malware classification models, empowered by machine and/or deep learning, achieve superior accuracy for predicting malware types. Machine learning-based models need to do heavy feature engineering work, which affects the performance of the models greatly. On the other hand, deep learning-based models require less effort in feature engineering when compared to that of the machine learning-based models. However, traditional deep learning architectures' components, such as max and average pooling, cause architecture to be more complex and the models to be more sensitive to data. The capsule network architectures, on the other hand, reduce the aforementioned complexities by eliminating the pooling components. Additionally, capsule network architectures based models are less sensitive to data, unlike the classical convolutional neural network architectures. This thesis proposes an ensemble capsule network model based on the bootstrap aggregating technique. The proposed method is tested on two widely used, highly imbalanced datasets (Malimg and BIG2015), for which the-state-of-the-art results are well-known and can be used for comparison purposes. The proposed model achieves the highest F-Score, which is 0.9820, for the BIG2015 dataset and F-Score, which is 0.9661, for the Malimg dataset. Our model also reaches the-state-of-the-art, using 99.7% lower the number of trainable parameters than the best model in the literature.

Browse

Browsing Doktora Tezleri by Department "Enstitüler, Lisansüstü Eğitim Enstitüsü, Yönetim Bilişim Sistemleri Ana Bilim Dalı"