Tez No	İndirme	Tez Künye	Durumu
633730		Akış verisindeki dağılım tahminine dayalı tavsiye sistemi ve beklenmedik öneri sunumu / Recommendation system based on distribution prediction in stream data and unexpected recommendation Yazar:ANIL UTKU Danışman: PROF. DR. MUHAMMET ALİ AKCAYOL Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:ARIMA modelleri = ARIMA models ; Derin öğrenme = Deep learning ; Gerçek zaman tahmini = Real time forecasting	Onaylandı Doktora Türkçe 2020 242 s.
Olayların, sonraki meydana gelme zamanlarının tahmin edilmesine yönelik çalışmalar uzun yıllardır devam etmektedir. Bu sayede olaylar meydana geldiğinde ortaya çıkacak zararı minimuma indirmek ya da elde edilecek faydayı maksimum yapmak amaçlanır. Bir müşterinin sonraki davranışının tahmini, doğal afetlerin sonraki olma zamanının tahmini, belirli bir zaman aralığında gelecek talep sayısının tahmini gibi çok farklı alanlarda çalışmalar yapılmaktadır. Ancak, literatürde olayların meydana gelmeden önce bir sonraki olma zamanının ve olay türünün tahminine yönelik beklenen düzeyde başarılı sonuç veren bir çalışma bulunmamaktadır. Bu tez çalışmasında, olay zamanı tahminine yönelik hibrit bir derin öğrenme modeli olan HDLM geliştirilmiştir. HDLM ile elde edilen sonuçlar, RF, SVM, ARIMA, MLP, CNN, GRU, LSTM ve CNN ile GRU modelleri kullanılarak oluşturulan CNN+GRU hibrit modeli ile kapsamlı bir şekilde karşılaştırılmıştır. Geliştirilen model e-ticaret, DDoS, suç ve acil çağrı veri kümeleri üzerinde uygulanmıştır. Deneysel sonuçlar, geliştirilen hibrit derin öğrenme modelinin ileriye dönük bir sonraki olayın olma zamanının tahmininde diğer modellerden daha başarılı olduğunu göstermiştir.
Studies for predicting the occurrence time of events have been going on for many years. In this way, it is aimed to minimize the damage when events occur or to maximize the benefit to be obtained. Studies are carried out in many different areas such as the prediction of a client's next behavior, the prediction of the time of natural disasters, and the prediction of the number of requests that will come in a certain period of time. However, there are no studies in the literature that give the expected level of successful results for the prediction of the next time and event type before the events occur. In this thesis, HDLM, a hybrid deep learning model has been developed for event time prediction. The results obtained with HDLM have been extensively compared with RF, SVM, ARIMA, MLP, CNN, GRU, LSTM and CNN+GRU hybrid model created using CNN and GRU models. The developed model has been applied on e-commerce, DDoS, crime and emergency call datasets. Experimental results showed that the developed hybrid deep learning model is more successful than other models in predicting the time of the next event.