Bu çalýþmada, hastalarýn anlýk veya sürekli olarak takibini gerektiren durumlarda, hareket sýnýrlýlýðý olmadan kalp sinyallerini izlemek için, taþýnabilir bir elektrokardiyogram (EKG) devresi tasarlanmýþtýr. Tek kullanýmlýk Elektrotlar vasýtasýyla hastadan alýnan EKG sinyalinin algýlanmasý, yükseltilmesi, temizlenmesi ve sayýsallaþtýrýlmasý gerçekleþtirildikten sonra Zigbee 802.11.4 standardýna göre çalýþan Kablosuz Algýlayýcý Að (KAA) ile merkezi bir düðüme iletilmesi gerçekleþtirilmiþtir. Bilgisayarýn seri portunda bulunan merkezi düðümden alýnan EKG verisi, sürekli akýþ grafiðine dönüþtürülmüþtür. Geliþtirilen taþýnabilir bu sistem ile hasta EKG’lerinin takibinde kablo kullanma zorunluluðu ortadan kaldýrýlmýþtýr. Gerçekleþtirilen bu çalýþmadan da görüleceði üzere KAA’nýn kendi kendine að oluþturma yeteneði ve arttýrýlabilir düðüm özelliði sayesinde EKG sinyallerinin uzak mesafelere iletim kýsýtlamasý aþýlabilir. KAA ile biyolojik iþaretlerin iletimi hastalarýn uzak mesafelerden takibini yapan birçok çalýþmaya ýþýk tutacaktýr.

In this study, in order to follow the heart signals of patients that needs to be monitored instantly and continuously without mobility restrictions, a portable electrocardiogram circuit is designed. After performing the detection, upgrading, cleaning and digitizing of ECG signal received from patient via disposable electrodes, ECG signals was performed that transmit to a central node with Wireless Sensor Network (WSN) based on ZigBee 802.11.4 standard. Central node is connected to the serial port of a computer. Received data from the central node is processed on computer and continuous flow graph is obtained. The obligation to use wires for tracing patients’ ECG has been removed with this portable system. As it can be seen in this study, thanks to WSN’s property of forming network by itself and its augmentable loop property, the restrain of ECG signals to reach far away distances can be surmounted. The transmission of biological signals with WSN will light on many studies that follow of patients from a distance.

Bu çalýþmada, piyasada bulunan Hata Takip ve Yönetim Biliþim Sistemleri kapsamlý bir þekilde araþtýrýlmýþtýr. Kullanýmý yaygýn olan sistemlere iliþkin ayrýntýlý bilgilere yer verilmiþtir. Orta büyüklükteki Biliþim Teknolojileri firmalarýnda ve Kentkart Ege Elektronik AÞ. Firmasýnda, Hata Takip ve Proje Yönetimi Sistemleri’ne olan ihtiyacýn analizi yapýlmýþtýr. Analize göre elde edilen ihtiyaç doðrultusunda, uygun araçlar uygulama yapýlmasý için seçilmiþtir. Hata Takip ve Proje Yönetim uygulamalarýnýn yapýlabileceði araç Atlassian firmasýnýn bir ürünü olan JIRA sistemi olarak belirlenmiþtir. Yapýlan çalýþmalarla JIRA sistemine ihtiyaçlar uyarlanmýþ, Hata Takip ve Proje Yönetim Sistemleri Ar-Ge çalýþanlarýnýn kolaylýkla kullanabileceði bir yapýda olacak þekilde tasarlanmýþtýr. Proje için Fayda-maliyet analizi de yapýlmýþ ve projenin kullanýmýnýn oldukça yararlý olacaðý belirlenmiþtir.

In this study, commercially available Bug Tracking and Management Information Systems has been investigated in a comprehensive manner. The systems that commonly used described in detail. Bug Tracking and Project Management Systems requirements analysis of medium-sized companies and Kentkart Ege Electronic which is an Information Technology company has been made. Obtained by the analysis requirements, the appropriate tools are selected for system application. JIRA that a product of Atlassian company was determined as a Bug Tracking and Project Management application tool. In this study, JIRA system adapted to the requirements, Bug Tracking and Project Management systems is designed in a structure which can be easily used by R&D employees. Cost-Benefit analysis is done and using this project was determined to be quite useful.

Ülkemizde ve dünyadaki eðitim sistemlerinde gerek öðrencilerin baþarýlarýnýn deðerlendirilmesinde gerekse öðrenci seçiminde çoktan seçmeli þýklar içeren optik formlar çok sýk kullanýlmaktadýr. Optik formlar optik okuyucu cihazlar sayesinde optik iþaret tanýma teknikleri kullanýlarak deðerlendirilmektedir. Bu tip cihazlarýn pahalý olmasý, bu cihazlara eriþimin sýnýrlý olmasý ve deðerlendirme sonuçlarýný bekleme süresinin uzun olmasý hem büyük þehirlerde hem de taþrada çalýþan eðitimcilere zorluk çýkarmaktadýr. Bu çalýþmada eðitimcilerin sahip olduklarý akýllý telefon ya da tabletleri aracýlýðý ile bir mekâna ya da optik cihaza baðlý kalmadan, hýzlý bir þekilde öðrenci cevap formlarýný deðerlendirebilecekleri mobil bir yazýlým geliþtirilmiþtir. Optik form tanýma, okuma ve deðerlendirme iþlemi eðitimcinin mobil telefonu ya da tableti aracýlýðý ile çektiði öðrencinin cevap formu görüntüsü üzerinde yapýlmaktadýr. Geliþtirdiðimiz Android tabanlý mobil uygulama kullanýcý dostu bir arayüze sahip olup baþarý oraný yüksektir ve bu alanda mobil ortamlarda çalýþan ilk uygulama olma özelliðini taþýmaktadýr.

Optical forms that contain multiple-choice answers are widely used both for electing students and evaluating student achievements in education systems in our country and worldwide. Optical forms are evaluated by employing optical mark recognition techniques through optical readers. High cost of these machines, limited access to them, long waiting time for evaluation results make the process hard for educationists working in cities or countries. In this study, a mobile application was developed for the educationists who own mobile phones or tablets for the purpose of evaluating students' answer sheets quickly and independent of location and optical readers. Optical form recognition, reading and evaluation processes are done on the image of student's answer sheet that is taken with the mobile phone or tablet of educationist. The Android based mobile application that we developed has a user-friendly interface, high success rate and is the first of our knowledge application that operates on mobile platforms in this field.

Bu çalýþmanýn hedefi, Dil Modeli (DM) üretmek için kullanýlan metin derlem büyüklüðünün, Ses Tanýma Sistemleri (STS) üzerindeki etkisini araþtýrmaktýr. Çalýþmada ayrýca DM elde etmek için yapýlmasý gereken iþler detaylý olarak anlatýlmaktadýr. DM istatistiksel olarak oluþturulduðundan, eðitim verisinde bulunan veri miktarý arttýkça STS doðruluðunun artmasý beklenmektedir. Fakat Türkçe gibi sondan eklemeli dillerde, kullanýlan derlemin büyüklüðünün hangi noktaya kadar sistemin doðruluk oraný üzerinde etkin olacaðý önem taþýmaktadýr. Bu çalýþmada, toplanan farklý büyüklükteki metin derlemleri ile konuþma tanýma sisteminde Dil Model Aðýrlýðý (DMA) ve Aktif Token Sayýsý (ATS) parametrelerini deðiþtirerek yapýlan deneyler yer almaktadýr. Bu çalýþma DM boyutu büyüdükçe Türkçe konuþma tanýma baþarýmýnýn yükseldiðini göstermektedir. Ancak, DMA ve ATS deðerlerinde yapýlan ayarlamalarýn tanýma baþarýmýna olumlu bir etki yaptýðý gözlemlenememiþtir.

In this paper we aimed at investigating the effect of Language Model (LM) size on Speech Recognition (SR) accuracy. We also provided details of our approach for obtaining the LM for Turkish. Since LM is obtained by statistical processing of raw text, we expect that by increasing the size of available data for training the LM, SR accuracy will improve. Since this study is based on recognition of Turkish, which is a highly agglutinative language, it is important to find out the appropriate size for the training data. The minimum required data size is expected to be much higher than the data needed to train a language model for a language with low level of agglutination such as English. In the experiments we also tried to adjust the Language Model Weight (LMW) and Active Token Count (ATC) parameters of LM as these are expected to be different for a highly agglutinative language. We showed that by increasing the training data size to an appropriate level, the recognition accuracy improved on the other hand changes on LMW and ATC did not have a positive effect on Turkish speech recognition accuracy.

Duygusal Twitter, kullanýcýya kullaným kolaylýðý saðlayan ve görsel kullanýcý ara yüzü ile hem bireysel, hem de kurumsal kullanýcýlar için Twitter verisini ayrýþtýran, analiz eden ve raporlayan bir programdýr. Duygusal Twitter’da her tweet için olumlu, olumsuz ve nötr olmak üzere 3 farklý sonuç döndürülmektedir. Çalýþmada hem sözlük hem de n-gram modeli kullanýlarak iki yöntem geliþtirilmiþtir. Sözlük yöntemi, n-gram yöntemine göre daha baþarýlý sonuçlar vermiþtir.

Sentimental Twitter software is parsing, analyzing and reporting Twitter data, giving service to individuals and corporate users via its user friendly graphical user interface. Each tweet is classified as positive, negative or neutral in Sentimental Twitter. In this study, both lexicon and n-gram method has been used to perform and implement two different methods. As a result the lexicon method has been measured more performance than the n-gram method.

Görüþ madenciliði, görüþ sahibinin tutum, davranýþ, duygu gibi öznel bilgilerinin çýkarýlmasý için doðal dil iþleme, metin madenciliði, hesaplamalý dilbilim gibi bilim alanlarýnýn tekniklerini kullanan güncel bir araþtýrma alanýdýr. Görüþ madenciliði iþleminin temel olarak bir sýnýflandýrma problemi olarak ele alýnmasý mümkündür. Bu nedenle, makine öðrenmesine dayalý yöntemler sýklýkla görüþ sýnýflandýrma amacýyla uygulanmaktadýr. Görüþ madenciliðinde makine öðrenmesine dayalý yöntemler temel olarak, öðreticili, yarý-öðreticili ve öðreticisiz yöntemler olmak üzere üç temel sýnýf altýnda incelenmektedir. Bu çalýþma kapsamýnda, görüþ madenciliði alanýnda gerçekleþtirilen temel makine öðrenmesine dayalý çalýþmalar ve her bir makine öðrenmesi yönteminin güçlü ve zayýf yönleri ele alýnmaktadýr.

Opinion mining is an emerging field which uses methods of natural language processing, text mining and computational linguistics to extract subjective information of opinion holders. Opinion mining can be viewed as a classification problem. Hence, machine learning based methods are widely employed for sentiment classification. Machine learning based methods in opinion mining can be mainly classified as supervised, semi-supervised and unsupervised methods. In this study, main existing literature on the use of machine learning methods for opinion mining has been presented. Besides, the weak and strong characteristics of machine learning methods have been discussed.

Firmalar, özellikle e-ticaret firmalarý, öneri sistemleri kullanarak müþteri memnuniyetini, dolayýsý ile karlýlýklarýný artýrmayý hedeflemektedirler. Günümüzde Öneri Sistemleri yaygýn olarak kullanýlmakta ve bunlarý kullanan firmalara stratejik avantajlar saðlamaktadýr. Bu sistemler farklý aþamalardan oluþurlar. Ýlk aþamada kullanýcý-ürün deðerlendirme matrisi kullanýlarak aktif kullanýcý ile diðer kullanýcýlar arasýndaki benzerlikler bulunur. Daha sonra bu benzerliklerden yola çýkýlarak aktif kullanýcýnýn yakýn komþularý belirlenir. Tahmin hesaplama aþamasýnda, ilk adýmda bulunan benzerlikler kullanýlarak aktif kullanýcýnýn yakýn komþularýnýn aðýrlýk vektörü oluþturulur. Komþular tahmin hesaplamasýna bu aðýrlýklar oranýnda etki ederler. Bu çalýþmamýzda iþbirlikçi filtreleme algoritmalarýnýn son basamaðý olan tahmin hesaplama adýmý için yeni yöntemler geliþtirilmiþtir. Bu yöntemlerin baþarýmý literatürde kullanýlan deðerlendirme metrikleri ile ölçülüp bu alanda yapýlan çalýþmalar ile karþýlaþtýrýlmýþtýr.

Companies, in particular e-commerce companies, aims to increase customer satisfaction, hence in turn increase their profits, using recommender systems. Recommender Systems are widely used nowadays and they provide strategic advantages to the companies that use them. These systems consist of different stages. In the first stage, the similarities between the active user and other users are computed using the user-product ratings matrix. Then, the neighbors of the active user are found from these similarities. In prediction calculation stage, the similarities computed at the first stage are used to generate the weight vector of the closer neighbors. Neighbors affect the prediction value by the corresponding value of the weight vector. In this study, we developed two new methods for the prediction calculation stage which is the last stage of collaborative filtering. The performance of these methods are measured with evaluation metrics used in the literature and compared with other studies in this field.