Elektronik perakendecilik (e-perakende), perakendeci ile müşterilerin web ve mobil uygulamalar aracılığıyla iletişimde bulunduğu bir perakendecilik çeşididir. E-perakende işletmelerinin artan rekabet ortamında büyümeye devam edebilmesi ve rakip işletmelerden farklılaşarak ön plana çıkabilmesi için değişen tüketici taleplerine zamanında ve doğru bir şekilde cevap verebilmesi gerekmektedir. Ülkemizdeki yerel süpermarket verileri ile e-perakende sektörüne yönelik Makine Öğrenmesi ve Derin Öğrenme algoritmalarını kullanan bir talep tahmin çalışması (bildiğimiz kadarıyla) henüz yapılmamıştır. Bu çalışmada yerel bir süpermarketin son iki yıllık e-ticaret verileri (web sitesi ve mobil uygulama) ve ürün satışını etkileyen faktörler (TÜFE ve yıllık işsizlik oranı) göz önüne alınarak belirli kategorideki ürünlere yönelik talep tahmin edilmiştir. Talep tahmin modeli için altı farklı yapay zekâ algoritmasının (Derin Öğrenme, Yapay Sinir Ağları, Gauss Süreç Regresyonu, Regresyon Ağacı, Destek Vektör Regresyonu ve Ağaç Toplulukları) yirmi dört farklı yöntemi eğitilmiş ve test edilmiştir. Sonuçlar, korelasyon katsayısı (R), Kök Ortalama Kare Hata (KOKH) ve Ortalama Mutlak Hata (OMH) kriterleri ile değerlendirilmiştir. En iyi sonuç Uzun ve Kısa Vadeli Hafıza Ağları kullanılarak alınmıştır (KOKH=0,0353; OMH=0,0164; R=0,9742). Elde edilen sonuçlar ürün tedarikinin doğru miktarlarda yapılmasında, satış kampanyalarında ve pazarlama stratejilerinde kullanılarak e-perakende satışının başarısını artırabilecektir.

As malware has become increasingly complex, advanced techniques have emerged to improve traditional detection systems. The increasing complexity of malware poses significant challenges in cybersecurity due to the inability of existing methods to understand detailed and contextual relationships in modern software behavior. Therefore, developing innovative detection frameworks that can effectively analyze and interpret these complex patterns has become critical. This work presents a novel framework integrating API call sequences and DLL information into a unified, graph-based representation to analyze malware behavior comprehensively. The proposed model generates initial embeddings using Node2Vec, which uses a random walk approach to understand structural relationships between nodes. Graph Attention Network (GAT) then enhances these initial embeddings, which utilizes attention mechanisms to incorporate contextual dependencies and enhance semantic representations. Finally, the enhanced embeddings are classified using Convolutional Neural Network (CNN) and Gated Recurrent Units (GRU)s, a custom hybrid CNN-GRU-3 deep learning-based model capable of effectively modeling sequential patterns. The dual role of GAT as a classifier and feature extractor is also analyzed to evaluate its impact on embedding quality and classification accuracy. Experimental results show that the proposed model achieves superior results with an accuracy rate of 0.9961 compared to state-of-the-art approaches such as ensemble learning and standalone GAT. This achievement highlights the framework’s ability to utilize contextual information for malware detection. The real-world dataset used provides a benchmark for future work, and this research lays a comprehensive foundation for advancing graph-based malware analysis.

Predicting driver injury severity and identifying factors influencing crash outcomes are crucial for developing effective traffic safety measures. This study focuses on estimating driver injury severity (uninjured, injured, or killed) and determining critical factors affecting crash outcomes. A hybrid framework combining Deep Neural Networks (DNNs) and Random Forest (RF) is proposed, where a DNN extracts features and RF performs the final classification, leveraging ensemble methods. The results were compared with those of well-known methods (e.g., kNN, XGBoost), with the hybrid approach achieving the best performance (0.92 accuracy, 0.89 F1-macro, 0.91 F1-micro scores) in predicting injury severity. The results showed that crash type, vehicle type, driver fault, intersection type, season, time, and road type had the greatest impact, while factors like pavement condition and driver gender had minimal influence. To the best of our knowledge, this is the first study to combine DNN-based feature extraction with RF classification in the context of traffic injury severity prediction. The framework offers a new approach for drivers and policymakers, providing a deeper understanding of driver injury severity prediction and its underlying factors.