Bilgisayar Programcılığı - Kitap Bölümü Koleksiyonu

Bu koleksiyon için kalıcı URI

https://hdl.handle.net/20.500.12695/2005

Listeleniyor 1 - 5 / 5

Gelişmekte Olan Ülkeler İçin İnsani Gelişme ile Ekonomik Büyüme İlişkisinin Analizi
(All Sciences Academy, 2025) Bozkurt Kurtuluş; Pekmezci Aytaç; Taş, Özge
Bu çalışma; ekonomik kalkınmışlığın önemli göstergelerinden biri olan insani kalkınmışlık ile ekonomik büyüme olgusu arasındaki ilişkiyi hem teorik hem de ampirik olarak analiz etmeyi amaçlayan bir çalışmadır. Bu bağlamda özellikle gelişmekte olan ülke gurubunda yer alan ve konuyla ilgili sağlıklı verilere ulaşılabilen 32 adet üst-orta gelir gurubunda yer alan ülkeler örneklem olarak seçilmiştir. Çalışmanın ele aldığı dönem ise 1990-2022 dönemi olarak belirlenmiştir. Çalışma kapsamında konuyla ilgili olarak bu çalışmada da kullanılan panel veri analiz yöntemini kullanan çalışmalara ilişkin bir literatür özeti sunulmuştur. Çalışmanın uygulama noktasında ise insani gelişmişlik ile ekonomik büyüme arasında kısa ve uzun dönem için istatistiki olarak anlamlı bir ilişki olup olmadığı analiz edilmeye çalışılmıştır. Veriler ise UNDP’den (Birleşmiş Milletler Kalkınma Programı) temin edilmiştir. Çalışmanın analiz kısmında öncelikle her bir seri için tanımlayıcı istatistikler sunulmuştur. Sonrasında ise sırasıyla yatay kesit bağımlılığına ve eğim heterojenliğine bakılmıştır. Yatay kesit bağımlılığı tespit edildiği içinse 2. Nesil panel birim kök testlerinden CADF Testi kullanılarak serilerin durağan olup olmadığı araştırılmıştır. Analizin son aşamasında ise kısa dönemli ilişkinin varlığını tespit etmek için Dumitrescu ve Hurlin (2012) Granger Panel Nedensellik Testi sonuçlarına ve uzun dönemli ilişkinin varlığını test etmek içinde Westerlund (2007) Panel Eşbütünleşme Testi sonuçlarına bakılmıştır. Yapılan analizler sonucunda ise kısa dönemde iki seri arasında çift taraflı bir nedensellik ilişkisi tespit edilmiştir. Yine uzun dönemde de iki seri arasında bir eşbütünleşme ilişkisinin olduğu sonucuna ulaşılmıştır.
Sağlık Bilimlerinde Yapay Zekâ Algoritmalarında Denetimsiz Öğrenme
(Duvar Yayınları, 2024) Taş, Özge; 0000-0001-7220-5054; Kapadokya Üniversitesi
Bu çalışma yapay sinir ağları yönteminde sınıflandırma yapısının kullanılması ve uygulanmasını içermektedir. Araştırma, diyabet tahmini veri seti olup, hastalardan diyabet durumları, tıbbi ve demografik değişkenlerden oluşmaktadır. Veriler yaş, cinsiyet, vücut kitle indeksi, hipertansiyon durumları, kalp hastalığı, sigara içme öyküsü, Hba1c (glise hemoglobin) seviyesi ve kan şekeri seviyesi özelliklerini içermektedir. Veriler kaggle.com adresinden elde edilmiştir. Veri setinde eksik gözlem değeri yoktur. Veriler kaggle.com adresinden elde edilmiştir. Verilerin analizinde Yapay Sinir Ağları modelinde sınıflandırma algoritması kullanıldı. Analizde 1000 toplam gözlem sayısı kullanıldı. YSA çalışma prensibine göre bunun %’60i eğitim %20’si test verileri için ayrılmıştır. Veri setinde diyabet hasta olma ya da olmaması durumunu araştırmaya yönelik olarak yaş, cinsiyet gibi demografik özellikler ve tıbbi değişkenlerden olmak üzere 9 nicelik bulunmaktadır. Araştırmada 1000 gözlemli diyabet hastası olan kişilere ait verilerden rasgele olmak üzere %60’i eğitim, %20’si test ve %20’si ise holdout veri olarak ayrılmıştır. YSA ile sınıflandırma gerçekleştirildiğinde 1 gizli katmanlı 8 birimlik sinir ağı oluşturuldu. Sinir ağı incelendiğinde HbA1c seviyesi ile diyabet bağımlı değişkenin tahmininde diğer değişkenlere göre daha fazla öneme sahip olduğu bulunmuştur. Sınıflandırma sonuçları incelendiğinde eğitim veri seti için 17 gözlem yanlış sınıflandırılmış, diyabet hastası olmayan %99,8 i ve diyabet hastası olan %69,8’i ise doğru sınıflandırılmıştır. Test verisi için 5 gözlem yanlış sınıflandırılmış, diyabet hastası olmayan kişilerin %99,4’ü ,diyabet hastası olanların ise %55,6’sı doğru sınıflandırılmıştır. Holdout veri setinde 8 gözlem yanlış sınıflandırıldı ve diyabet hastası olan kişilerin %100’ü doğru sınıflandırılırken, diyabet hastası olmayanların %60’ı doğru sınıflandırıldığı bulunmuştur. ROC eğrisi incelendiğinde modelin anlamlılığı test edilmiştir.
Artificial Intelligence and Ethical Hacking: Security Assessment of Major Language Model Exploits
(ALL SCIENCES ACADEMY, 2025) Taş, Özge
SUMMARY Artificial Intelligence (AI) and ethical hacking are becoming increasingly intertwined as organizations use large language models (LLMs) for advanced cybersecurity measures. While adopting these models offers significant benefits, such as automating security assessments and improving threat intelligence, it also comes with significant risks, such as potential data leaks, creating harmful content, and exploiting vulnerabilities for malicious purposes. This dual-use nature of AI technologies raises pressing ethical concerns by necessitating a robust framework to guide their responsible application in cybersecurity practices. The notable impact of AI on ethical hacking reflects a growing need for security professionals to navigate the complexities introduced by LLMs. Ethical hackers can use AI-driven methodologies to identify system vulnerabilities, but these same technologies can be abused by cybercriminals to launch sophisticated attacks. The phenomenon of "ethics laundering," in which organizations exaggerate their commitment to ethical AI and fail to implement significant changes, creates further challenges, highlighting the need for true accountability in the deployment of AI systems. The security risks associated with a master's degree in law (LL.M) include the potential to generate misleading or inaccurate information; This, in turn, can undermine public trust and have serious consequences in areas such as finances and healthcare. In addition, issues such as data poisoning and sudden injections pose significant barriers to protecting against malicious outputs. Therefore, continuous monitoring, strict user policies, and comprehensive security audits are critical strategies to mitigate these risks and ensure the ethical use of AI technologies in cybersecurity. In light of these challenges, ethical hacking and the future of AI depend on fostering collaborative relationships among stakeholders, including regulators, industry leaders, and the tech community. Such collaboration is essential for developing effective regulations and ethical guidelines that balance technological innovation with consumer protection, ultimately providing a proactive approach to the evolving landscape of AI and cybersecurity
Green AI: Sustainability-Focused Artificial Intelligence Approaches and Future Strategies
(Platanus Publishing, 2025) Taş, Özge; Deniz İsmail Emre; Deniz İsmail Emre
Green artificial intelligence (AI), in conjunction with sustainability, is an emerging interdisciplinary field. Its primary focus is the enhancement of the environmental sustainability of AI technologies, in addition to the leveraging of AI to address ecological challenges. Since its inception around 2019, Green AI has garnered attention due to the escalating concerns about the energy consumption and carbon footprint associated with advanced AI systems, particularly large language models (LLMs). This movement advocates for responsible technological development that aligns with global sustainability goals and addresses the pressing ecological impacts of AI advancements.Green AI encompasses two primary variants: The concept of "Green-in-AI" aims to minimise the environmental impact of AI technologies themselves by optimising algorithms and energy use. In contrast, "Green-by-AI" employs AI to address environmental issues, such as enhancing agricultural practices and biodiversity monitoring. As organisations increasingly rely on AI for various applications, the potential for significant reductions in greenhouse gas emissions through efficient energy management and resource allocation has become a focal point of research and application (Yang J., E.i. 2019; Brevini, B. 2020). Notwithstanding the promise of Green AI, notable controversies persist regarding its dual role as both a tool for sustainability and a contributor to environmental degradation. To illustrate, the energy-intensive processes necessary to train voluminous AI models can engender considerable carbon emissions, thus giving rise to questions surrounding the overall ecological merits of such technologies. Projections indicate that data centres, which are pivotal for AI operations, may consume up to 21% of global energy demand by 2030. This necessitates an urgent reevaluation of energy practices within the tech sector. As the field evolves, it faces challenges such as algorithmic bias, regulatory inadequacies, and the need for enhanced energy efficiency. The term "stakeholders" is employed to denote the individuals or groups with a vested interest in the subject under discussion. Ultimately, the future of Green AI will depend on balancing technological innovation with sustainable practices to foster a greener and more equitable world.
KUANTUM HATA DÜZELTME ENTEGRASYONU İLE GROVER SALDIRILARINA DİRENEN HİBRİT SİMETRİK ŞİFRELEME YAKLAŞIMI
(Serüven Yayınevi, 2025) Taş, Özge
Kuantum Hata Düzeltme Entegrasyonu ile Grover Saldırılarına Direnen Hibrit Simetrik Şifreleme Yaklaşımı Hibrit şifreleme yaklaşımı kuantum hata düzeltme entegrasyonu ve grover saldırılarına karşı direnç göstermektedir. Gelişen kuantum hesaplama yöntemleriyle kriptografik sistemlerin güvenliğini arttırmak için yenilikçi hesaplama yöntemleri geliştirilmiştir.Kuantum algoritması olan grover algoritması geleneksel simetrik şifreleme yöntemlerini tehdit ettikçe kuantum hata düzeltmeyi içeren hibrit şifreleme yöntemleri geliştirilmesi giderek önemli hale gelmiştir. Bu yaklaşımla hassas verilerin korunması kuantum tehtidlerinin oluşturduğu diğer güvenlik açıklarını ele almak için simetrik ve asimetrik şifreleme yöntemlerinin birleşim yöntemleri kullanılmaktadır. Hibrit simetrik şifreleme çalışma prensibi simetrik bir anahtarın verilerin büyük bir kısmını şifrelediği ve asimetrik sistemin bu simetrik anahtarı ilettiği çift katmanlı bir mekanizma kullanır. Kuantum hata düzeltme tekniklerine entegre ederek bu yöntem şifrelenmiş verilerin iletim sırasında hatalara ve saldırılara karşı bütünlüğünü korumayı amaçlar ve bu durum modern iletişim altyapılarının güvenliğini sağlamada kritik önem taşır.Bu tür gelişmeler yalnızca gizliliği ve verimliliği sağlamakla kalmaz aynı zamanda kriptografik sistemlerin kuantum teknolojilerine hakim olduğu bir sistem sağlar.Bu hibrit yaklaşım önemli düzeydeki etkileri gelişmiş güvenlik önemlerinin alınmasına olanak sağlayarak , siber güvenlik alanında kuantum hesaplama zorluklarına uyum sağlama konusunda artan ihtiyaçlara yanıt sunar.Dünya çapındaki kurumlar Grover algoritmasının etkilerini ve yerleşik şifreleme standartlarına yönelik potansiyel risklerini araştırırken kuantum hata düzeltmenin hibrit şifreleme çözümlerine entegrasyonu veri güvenliğini korumak için proaktif bir önlem olarak görülmektedir. Bu değişimler özellikle geleneksel ve kuantum dirençli metodojiler arasındaki kriptografik uygulamaların geleceği hakkında önemli tartışmalara yol açmaktadır. Alanda yapılan önemli çalışmalar bu hibrit sistemlerin uygulanmasına, anahtar boyutlarında gerekli ayarlamalara ve kuantum sonrası kriptografik çözümlere geçişe odaklanmaktadır. Kuruluşların bu teknolojileri entegre etmesi için klasik ve kuantum teknolojilerinin getirdiği tehditlere dayanabilen güvenli ve ölçeklenebilir kriptografik çerçevelerin geliştirilmesinin araştırmalar için kritik öneme sahiptir.

Güncel Gönderiler