Uluslararası kategoride proje bulunamadı!
Sondan Eklemeli Düşük Kaynaklı Diller Üzerinde Sinirsel Makine Çevirisi alanında Çift Kodlayıcılı Sentaks Farkındalıklı Transformer Mimarisi
Türkçe-İngilizce dil çifti özelinde sinirsel makine çevirisi alanında, morfolojik ve sentaktik bilgileri dil modeli yapısına entegre eden özgün bir çift kodlayıcılı Transformer modeli geliştirilecektir. TR2EN ve WMT18 veri kümeleri üzerinde temel ve önerilen modeller eğitilecek; performansları BLEU, CHRF, METEOR ve TER metrikleriyle değerlendirilecektir. Geliştirilen modelin, özellikle eklemeli yapıya sahip Türkçe gibi dillerde daha doğru ve anlamlı çeviriler üretmesi hedeflenmektedir. Proje çıktıları açık kaynak olarak paylaşılacak ve bilimsel yayınlarla yaygınlaştırılacaktır.
09.09.2025 – MEHMET ACI, NİSA VURAN SARI
Web URL'lerine Dayalı Kimlik Avı Sınıflandırması İçin CNN-LSTM ve Transfer Öğrenme Modelleri (2209-A) 2024/1
Oltalama (phishing) saldırıları, kişisel ve finansal bilgileri ele geçirmek için kullanılan en yaygın ve etkili siber suç yöntemlerinden biridir. Artan internet kullanımı, bu tür saldırıların daha sık ve daha karmaşık hale gelmesine neden olmuştur. Oltalama saldırılarının tespiti, bireyleri ve kuruluşları bu tür tehditlerden koruma açısından büyük önem taşımaktadır. Bu projede, oltalama sitelerinin URL'lerinin Doğal Dil İşleme (DDİ) yöntemleri ile analiz edilerek tespit edilmesi hedeflenmektedir. Oltalama tespiti için kullanılacak yöntemler arasında Konvolüsyonel Sinir Ağları (Convolutional Neural Network - CNN), Uzun Kısa Süreli Bellek (Long Short-Term Memory - LSTM), CNN-LSTM Hibrit Model ve BERT tabanlı transfer öğrenme modeli bulunmaktadır. Çalışmamızda, bu dört yöntemin başarı oranlarını karşılaştırarak en etkili yöntemi belirlemeyi amaçlamaktayız. Veri kümesi olarak Web Page Phishing Detection Dataset kullanılacaktır. Bu veri kümesi, 11.430 URL'den oluşmakta olup, her biri 87 farklı özellik içermektedir. Özellikler; URL'lerin yapısal ve dil bilgisel analizi, sayfaların içeriği ve harici servislerden elde edilen verilerden elde edilmiştir. Veri kümesi dengeli olup, phishing ve meşru URL'lerin eşit olarak dağıtıldığı bir yapıya sahiptir. Yöntemlerin performansı, doğruluk (accuracy), kesinlik (precision), geri çağırma (recall), F1 skoru ve karmaşıklık matrisi gibi değerlendirme metrikleri kullanılarak analiz edilecektir. Çalışma sonucunda, phishing saldırılarına karşı en başarılı modelin belirlenmesi amaçlanmaktadır.
15.04.2025 – NİSA VURAN SARI, Elif SAYAR
Makine ve Derin Öğrenme Algoritmalarının Zararlı Yazılım Sınıflandırmasındaki Performans Karşılaştırması (2209-A) 2024/1
Bu proje, kötü amaçlı yazılımların tespitinde ve sınıflandırmasında makine öğrenmesi ve derin öğrenme yöntemlerinin etkinliğini kapsamlı bir analizle ortaya koymayı amaçlamaktadır. Literatürde mevcut kötü amaçlı yazılım tespiti yöntemleri birçok farklı algoritma kullanılarak uygulanmış olsa da, başarı oranlarında büyük farklılıklar görülmektedir. Bu bağlamda, projede Naive Bayes (NB), Rastgele Orman (Random Forest, RF), K-En Yakın Komşu (KNN) gibi geleneksel makine öğrenmesi algoritmalarının yanı sıra Aşırı Gradyan Artırma (Extreme Gradient Boosting, XGB) gibi topluluk öğrenme yöntemleri ve Derin Sinir Ağları (DNN) ile Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) gibi derin öğrenme modelleri kullanılarak zararlı yazılım veri kümeleri üzerinde sınıflandırma çalışmaları gerçekleştirilecektir. Statik analizle desteklenen bu modellerin doğruluğu, hızı ve başarımı literatürdeki çalışmalarla kıyaslanarak değerlendirilirken, hiperparametre optimizasyonlarıyla performans artırımı da sağlanacaktır. Projenin hedefi, elde edilen sonuçları değerlendirerek kötü amaçlı yazılım tespitinde yüksek doğruluk ve düşük hata oranına ulaşmaktır. Bu çalışma, özellikle siber güvenlik alanında zararlı yazılım tespitinde yeni yaklaşımların benimsenmesi adına önemli bir katkı sunacaktır. Proje sonunda elde edilen bulguların, zararlı yazılımların tespitinde daha güçlü modeller geliştirilmesine ve güvenlik birimlerinin tehditlere karşı daha hızlı yanıt verebilmesine imkân tanıması hedeflenmektedir. Analizlerin sonuçlarını karşılaştırarak her veri kümesinde en başarılı doğruluk sonucu veren yöntem belirlenecektir yöntem belirlenecektir.
15.04.2025 – NİSA VURAN SARI, Umut Fikri SANTUR
Hibrit Sınıflama-Regresyon Algoritmalarının Trafik Güvenliği Analizlerine Uygulanması
Bu projede, Emniyet Genel Müdürlüğünden (EGM) yasal izin ile alınan Akdeniz Bölgesi’ndeki üç ile (Mersin, Adana ve Antalya) ait detaylı trafik kazası verileri ve proje kapsamında geliştirilecek algoritmalar kullanılarak trafik güvenliği analizleri yapılacaktır.
01.04.2024 – ESRA SARAÇ EŞSİZ, ÇİĞDEM ACI, MURAT ÖZEN, NİSA VURAN SARI, GİZEN MUTLU KORUCU
