Person: BÜYÜKTANIR, BÜŞRA
Loading...
Email Address
Birth Date
Research Projects
Organizational Units
Job Title
Last Name
BÜYÜKTANIR
First Name
BÜŞRA
Name
3 results
Search Results
Now showing 1 - 3 of 3
Publication Open Access du-CBA: veriden habersiz ve artırımlı sınıflandırmaya dayalı birliktelik kuralları çıkarma mimarisi(2023-01-01) BÜYÜKTANIR, BÜŞRA; YILDIZ, KAZIM; ÜLKÜ, EYÜP EMRE; Büyüktanır B., Yıldız K., Ülkü E. E., Büyüktanır T.İstemci sunucu sistemlerinde makine öğrenmesi modeli kullanılması bir ihtiyaçtır. Ancak istemcilerden verilerin toplanması, sunucuya aktarılması, makine öğrenmesi modeli eğitilmesi ve bu modelin istemcilerde çalışan cihazlara entegre edilmesi bir çok problemi beraberinde getirmektedir. Verilerin istemcilerden sunucuya transferi ağ trafiğine sebep olmakta, fazla enerji gerektirmekte ve veri mahremiyetini istismar edilebilmektedir. Çalışma kapsamında, bahsedilen problemlere çözüm için federe öğrenme mimarisi kullanılmaktadır. Mimariye göre, her bir istemcide istemcinin kendi verilerinden makine öğrenmesi modeli eğitilmektedir. Her bir istemcide eğitilen modeller sunucuya gönderilmekte ve sunucuda bu modeller birleştirilerek yeni bir model oluşturulmaktadır. Oluşturulan nihai model tekrar istemcilere dağıtılmaktadır. Bu çalışmada Veriden Habersiz İlişkili Kurallara Dayalı Sınıflandırma (Data Unaware Classification Based on Association, du-CBA) olarak adlandırılan ilişkisel sınıflandırma algoritması geliştirilmiştir. Federe öğrenme ile klasik öğrenme mimarilerini karşılaştırıp başarılarını ölçmek için çalışma kapsamında benzetim ortamı oluşturulmuştur. Benzetim ortamında du-CBA ve CBA algoritmaları kullanılarak modeller eğitilmiş ve sonuçlar kıyaslanmıştır. Modellerin eğitiminde University of California Irvine (UCI) veri havuzundan alınan beş veri seti kullanılmıştır. Deneysel sonuçlar, her bir veri seti için federe öğrenme ile eğitilen modellerin, klasik öğrenme ile eğitilen modellerle neredeyse aynı doğruluğu elde ettiğini ama eğitim sürelerinin yaklaşık %70 oranında azaldığını göstermiştir. Sonuçlar geliştirilen algoritmanın başarıya ulaştığını ortaya koymaktadır.Publication Metadata only Data privacy in big data: Federated learning(Bilgi Kültür Sanat Yayınevi, 2023-06-01) BÜYÜKTANIR, BÜŞRA; DOĞAN, BUKET; Büyüktanır B., Doğan B.With the advancement of technology, the place of internet-based devices in our lives has increased day by day. With these devices, more data has been produced and thus the concept of big data has entered our lives. The big data produced includes various information as well as personal information. The working performance of artificial intelligence technology used in internet-based devices is directly proportional to large and various data. However, at this point, it is of great importance to ensure the privacy of the personal data used. Due to data privacy, in some organizations, data is used where it is produced, but data sharing is not done. This situation both negatively affects the development of artificial intelligence applications and limits the new productions that will emerge by processing the data produced in this field. As a solution to all these problems, federated learning technology has been developed. Federated learning is an up-to-date technology that enables model training without sacrificing data privacy. In this study, the working architectures of the big data concept and federated learning technology are explained, the current studies in the literature are reviewed and their usage areas are summarized. It is thought that this study will contribute to researchers who will work on federated learning for big data, which is up-to-date and open to development.Publication Metadata only Data privacy in big data: Federated learning(2023-06-25) BÜYÜKTANIR, BÜŞRA; DOĞAN, BUKET; Büyüktanır B., Doğan B.