KodluyoruzYapay Zeka

Ülkemizde Makine Öğrenmesiyle Geliştirilen 5 Örnek Proje

Kodluyoruz olarak, ülkemizi yapay zeka alanına hazırlamak üzere bu yıl Ankara ve İstanbul’da tam 5 bootcamp hayata geçirdik, 150 genci geleceğin veri bilimcileri olmaları için hazırladık.

Hayata geçirdiğimiz Uygulamalı Veri Bilimi ve Makine Öğrenmesi bootcamp’leri Türkiye’de bir ilk oldu. Gençlerin bu eğitimlerden mezun olabilmeleri için bir proje geliştirmeleri gerekliydi. Aşağıda, yapılan beş örnek projeyi paylaşıyoruz. Amacımız veri bilimi ve makine öğrenmesine giriş yapmak isteyen herkesin gerçek hayatta neler yapabileceklerini görüp ilham almaları.

Bu yazının hazırlanma sürecindeki desteklerinden dolayı ekip arkadaşım Tolga’ya çok teşekkürler. Ayrıca ve tabii ki, projeleri gerçekleştiren mezunlarımıza tebrikler; ülkemizin ve dünyanın sizlere çok ihtiyacı var!

Sirius: Yalan haberlerin tespiti

 

Proje sahipleri: Eyüp Kaan Ülgen, Nader Alfakesh

Günümüz dünyasında bilgiye ulaşmak çok kolay, ama aynı zamanda artan bir hızda karşımıza çıkan sahte haberlere maruz kalıyoruz. Toplumların bu haberlerle kolay bir şekilde manipüle edilebileceği düşünüldüğünde, hangi haberin sahte olduğunu anlayabilmemiz oldukça kritik.

Eyüp ve Nader, sahte haberler saptayabilmek için bir model geliştirdiler. Yarısı gerçek, yarısı sahte haberleri kapsayan 6.336 haberlik bir veri setini kullandılar. Öncelikle verileri ön işlemeye tabi tuttular ve bütün metinleri küçük harfe çevirdiler. Ardından da 3 farklı metin ön işleme yöntemi kullandılar:

  • ‘Tokenization and N-grams’: Yazıları sözcüklere, kelime öbeklerine veya cümlelere ayırma.
  • Stemming: Gramer eklerini silerek kelimenin kökünü bulma, ama burada kelimenin sözlükte olup olmaması önemli değil.
  • Lemmatization: Gramer eklerini silerek kelimenin kökünü bulma, ama burada kelimenin sözlükte olmasını sağlamak önemli.

Bu yöntemlerle oluşturulan 7 farklı model, %80 – 90 oranında yalan haberleri doğru tespit edebildi.

Predictive Maintenance: Makineler için bakım tahmini

 

Proje sahipleri: Berna Taş, Makbule Özge Özler

Fabrikalarda kullanılan makinelerin bozulmadan önce bakımlarının yapılması üretim hattının durmaması için çok önemlidir. Burada makinelerin bakımlarının ne zaman yapılacağı maliyetler açısından büyük öneme sahiptir. Makine hata verdiğinde bakım yapmak üretimin yarıda kesilmesine ve büyük zararlara sebep olabilir. Öte yandan, belirli aralıklarla bakım yapmak ise ihtiyaç olmayan makineleri de kapsayacağı için artan maliyetler anlamına gelir.

Eğer makinelerle ilgili çeşitli verileri takip eder ve yapay zeka vasıtasıyla hangi makinenin ne zaman bakıma ihtiyacı olduğunu önceden tahmin edebilirsek hem üretimin yarıda kesilmesini hem de gereksiz bakımları önleyebiliriz. Bu sayede sadece bakıma ihtiyacı olan ürünlerin bakımı yapılır.

Bunu başarmak için Berna ve Makbule Özge’nin geliştirdiği model, titreşim değerleri, voltaj ölçümleri ve makineye ait daha pek çok veriden yararlandı ve sonuçta iki tahminde bulundu:

  • Makinenin arıza verip vermeyeceği: Lojistik Regresyon, Naïve Bayes ve KNN modelleri kullanarak %70 – 83 arası tahmin doğruluğuna ulaştılar.
  • Hangi parçanın arıza vereceği: Kullanılan KNN ve LinearSVC modelleri, %80 civarında başarı oranı sağladı.

Life: Yapay zeka ile kemik yaşı tespiti

 

Proje sahipleri ve destekçileri: İlknur Tepe, Ecem Pangal, Abdullah Vanlıoğlu, Oğuzhan Durmaz

Kemik yaşının tespit edilmesi, özellikle adli vakalarda çok önemli. Yaşın tespit edilebilmesi için kemiklerin arasındaki boşluklar kullanılıyor. Eğer bu boşluklarla ilgili veriler makine öğrenmesi kullanılarak değerlendirilirse daha doğru yüksek tahminler yapılabilir.

İlknur ve Ecem’in Life projesi, farklı görüntü filtreleri kullanarak kemiklerdeki boşlukları hesapladı ve bu boşlukları referans alarak kemik yaşını ay bazında hesapladı.

Anti-violence: Şiddet içeren videoların tespiti

 

Proje sahipleri: Meryem Şahin, Orhan Sertkaya, Ahmed Breem

Çocuklar günümüzde çok küçük yaşlardan itibaren saatlerce video izliyorlar. Videoların eğitici olmasına ve ebeveynlere yardımcı olmasına karşın bazı içerikler zaman zaman şiddet içeren görüntüler barındırıyor. Ebeveynlerin çoğu zaman bu içerikleri belirleyememesi, bazı çocuklar için ileride ciddi sorunlara yol açabilir.

Meryem, Orhan ve Ahmed, çok küçük yaştaki çocukların zaman zaman maruz kaldığı şiddet içeren görüntülere bir çözüm bulma hassasiyetiyle yola çıktılar. Bu proje ile video platformlarında yer alan şiddet içerikli videoları yapay zeka ile tespit edip şiddet içeriklerini sansürlenmeyi hedeflediler.

2000 adet video içeren bir setini ve TenserFlow, Keras ve OpenCV kütüphanelerini kullandılar ve modellerini eğitmek için LSTM modelini tercih ettiler. Bu model, bir videonun şiddet içerip içermediğini %80’in üzerinde doğrulukla tahmin etmeyi başardı.

Otonom araç simülasyonu

 

Proje sahipleri: Orçun Deniz, Ahmet Enes Yücekurt, Orhan Sertkaya, Orçun Birgül, İnci Demirel

Projenin amacı, insanların tepki sürelerinden kaynaklanan trafik sorununun önüne geçmek için otonom araçların geliştirilmesi ve araçların koordineli hareketinin sağlanması. Grup üyeleri, üç kameradan (sol-sağ-ön) gelen görüntülerle, araçların direksiyon açısını tahmin etmeye çalıştılar. Bunun için kullanılan yöntemler, ‘behavioural cloning’, ‘Convolutional Neural Networks (CNN)’ ve ‘Data Augmentation’ oldu. Model geliştirildiğinde ise amaç, araçların farklı durumlara farklı tepkiler vermesinin sağlanması olacak.

 

Başlangıç Noktası E-bülten

Merak etmeyin. Asla Spam yapmıyoruz.

İlginizi çekebilir
Yapay Zeka

Veri Bilimi ve Yapa Zeka Yazı Serisi

Yapay Zeka

Ulusal Yapay Zeka Stratejisi İçin Uluslararası Müttefiklere İhtiyacımız Var

AğlarYapay Zeka

Duygu Analizi

EtikYapay Zeka

Google Avrupa Birliği’nin, Microsoft ABD’nin Yanında

Başlangıç Noktası E-bülten

Merak etmeyin. Asla Spam yapmıyoruz.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir