Person:
BÜYÜKTANIR, BÜŞRA

Profile Picture

Email Address

Birth Date

Research Projects

Organizational Units

OrgUnit Logo
Organizational Unit

Job Title

Last Name

BÜYÜKTANIR

First Name

BÜŞRA

Name

Filters

2020 - 20233
Reset filters

Settings

Has files: true ×

Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    PublicationOpen 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.
  • Thumbnail Image
    PublicationOpen Access
    Yazılım Projelerinde Fazla Mesainin Proje Ekibi ve Projenin Yönetimine Etkisi
    (2020-08-30) DOĞAN, BUKET; Merve PINAR;Büşra BÜYÜKTANIR;Şura EMANET;Buket DOĞAN
    Yazılım projelerinde, çalışma takvimine göre projenin belirlenen sürede yetişmeme durumu ortaya çıkabilir. Böyle durumlarda fazla mesai yapılması çözüm olarak görülmektedir. Fakat çalışma saatlerinin artmasının proje sonucuna etkisi belirsizdir. Bu çalışmada fazla mesainin, çalışanlar ve proje üzerindeki etkilerinin incelenmesi için çalışanların fazla mesai ile çalışma saatlerinin arttırılması konusundaki düşüncelerini almak amacıyla, çevrimiçi katılım sağlanarak cevaplanacak şekilde anket hazırlanmıştır. 2019 Kasım ayı boyunca, çevrimiçi ortamda aktif olan ve 34 sorudan oluşan ankete, yazılım projelerinde görev alan 180 kişi katılmıştır. Çalışmanın sonucunda, fazla mesaiden dolayı çalışanların dinlenemedikleri, fiziksel sağlık sorunlarının ortaya çıktığı vesosyal yaşamlarının olumsuz etkilendiği ortaya çıkmıştır. Ayrıca art arda yapılan fazla mesailerin, çalışanların mesai saatleri içerisindeki üretkenliğini de olumsuz etkilediği belirlenmiştir.
  • Thumbnail Image
    PublicationOpen Access
    Housing price estimation with deep learning: A case study of Sakarya Turkey
    (2022-06-01) YILDIZ, KAZIM; BÜYÜKTANIR, BÜŞRA; ÖZDEMİR M., YILDIZ K., BÜYÜKTANIR B.
    Shelter is one of the most basic human needs. Besides housing needs, the housing market is also very important for investment. It is also a market where many people, such as engineers, architects, real estate agents make economic gain. When a house is bought for living in it, it is not desired to be changed for many years, and when it is bought for investment, it is a tool that requires good income. Therefore, the best decision should be made when buying a house, and it should be scrutinized. Correct estimation of house prices is very important for both buyers to make the right decision and for sellers to sell without a loss. There are many parameters for estimating house prices. In addition to variables such as the number of floors, location, and several bathrooms used in previous studies, economic factors (such as the price of bread, foreign currency price, new car price) and the housing loan interest rate of the banks were taken as inputs in this study. Sakarya province, where all parameters can be tested to make a more accurate determination, was chosen as the research area. A comparison of polynomial regression, random forest, and deep learning methods was made and it was concluded that the most accurate method was deep learning. At the same time, it was determined which parameters are more effective in house price estimation.