Spam messages have emerged as a significant issue in digital communication, adversely affecting users’ mental health, personal safety, and network resources. Traditional spam detection methods often suffer from low detection rates and high false positives, underscoring the need for more effective solutions. This paper proposes the EGMA model, an ensemble learning-based hybrid approach for spam detection in SMS messages, which integrates gated recurrent unit (GRU), multilayer perceptron (MLP), and hybrid autoencoder models utilizing a majority voting algorithm. The EGMA model enhances performance by incorporating additional statistical features extracted from message content and employing text vectorization techniques, such as Term Frequency–Inverse Document Frequency (TF-IDF) and CountVectorizer. The proposed model achieved impressive classification accuracies of 99.28% on the SMS Spam Collection dataset, 99.24% on the Email Spam dataset, 99.00% on the Enron-Spam dataset, 98.71% on the Super SMS dataset, and 95.09% on UtkMl’s Twitter Spam dataset. These results demonstrate that the EGMA model outperforms individual models and existing methods in the literature, providing a robust solution for enhancing spam detection performance and effectively mitigating the threats that spam messages pose in digital communication.

Glokom, belirli bir yaştan sonra görme sinirleri üzerinde oluşan bir hasardan dolayı ortaya çıkan bir rahatsızlıktır. Bu tür hastalıkların tespitini yapmada günümüzde makine öğrenmesi yöntemleri başarıyla uygulanabilmektedir. Görüntü verilerinin doğrudan kullanımı yerine yeni bir temsili uzaya taşınarak sınıflandırma işleminin gerçekleştirilmesi sınıflandırma performansını olumlu etkilemektedir. Bu çalışmada öznitelik çıkartmada temel bileşen analizi (PCA), doğrusal ayırım analizi (LDA) ve görü dönüştürücü (ViT) yönteminden yararlanılmıştır. Ayrıca önerilen modellerden birinde ViT B16 öncesi CLAHE filtremele tekniği kullanılmıştır. Bu yöntemlerin tek başına veya bir araya getirildiği altı farklı model ile sınıflandırma işlemi gerçekleştirilmiş olup sonuçlar karşılaştırmalı olarak verilmiştir. Fine Tune ViT-PCA-SVM ve Fine Tune ViT-LDA-SVM modelleri %92 oranında sınıflandırma başarısı elde etmiştir. Sonuç olarak derin öğrenme yöntemi olan ViT ve makine öğrenmesi yöntemlerinden olan PCA veya LDA’nın öznitelik çıkartma olarak bir arada kullanıldığı yöntemler sınıflandırma başarısını arttırmıştır.