Sağlık sektöründe son yıllarda büyük veri kümelerinin artmasıyla birlikte, makine öğrenimi yöntemleri diyabet veri setlerinin keşfi, analizi ve tahmin süreçlerinde önemli bir rol oynamaya başlamıştır. Bu çalışmada, diyabetin erken teşhisine odaklanılmış ve çeşitli makine öğrenimi modellerinin performansı ile Açıklanabilir Yapay Zeka (XAI) tekniklerinin etkisi incelenmiştir. Diyabet veri seti üzerinde, K-En Yakın Komşular (KNN), Destek Vektör Makineleri (SVM), Naive Bayes, Yapay Sinir Ağları (YSA), Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları kullanılarak modellerin performansları karşılaştırılmıştır. Modellerin değerlendirilmesi, veri temizleme ve ön işleme aşamalarının ardından eğitim ve test süreçleriyle yapılmıştır. Bu değerlendirme sırasında doğruluk, F1 skoru, hassasiyet ve özgünlük gibi başarı kriterleri göz önünde bulundurulmuştur. En iyi sonuç veren modelin çıktılarına SHAP (Shapley Additive Explanations) ve LIME (Local Interpretable Model-Agnostic Explanations) gibi açıklanabilir yapay zeka yöntemleri uygulanarak, modelin verdiği kararların anlaşılabilirliği sağlanmıştır. Bu yöntemler, modelin en önemli özelliklerini belirleyip karar sürecini daha şeffaf hale getirir. Gerçek dünya uygulamalarında bu modellerin potansiyelini anlamak adına uzman görüşleriyle analiz sonuçları desteklenmiştir. KNN, SVM, Naive Bayes, YSA, Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları sırasıyla %81.18, %75.38, %75.49, %74.83, %76.91, %91.68 ve %98.91 doğruluk oranlarıyla değerlendirilmiştir.

İnşaat mühendisliği literatüründe, özel beton türlerinin karışım tasarımını modellemek ve bu amaçla betonun bazı özelliklerini tahmin etmek için makine öğrenmesi yöntemleri sıklıkla kullanılmaktadır. Geleneksel karışım tasarımı hesapları, istenilen özellikte betonun üretilebilmesi için bir deneme yanılma süreci gerektirmektedir. Bu süreçte zaman, işgücü ve malzeme kayıpları yaşanır. Makine öğrenmesi yöntemleri kullanılarak deneme yanılma karışımlarının sayısı azaltılabileceğinden, gerek duyulan özelliklere sahip betonun üretilebilmesi kolaylaşabilir. Burada söz konusu malzeme Kendiliğinden Yerleşen Hafif Beton (KYHB) gibi özel bir tür beton ise karışım tasarımının pratik hale getirilmesi ile üretim sürecinin hızlandırılması daha büyük önem kazanır. Hem kendiliğinden yerleşen özellikte hem de hafif agrega içeren bu beton türünün istenilen özelliklerde üretilebilmesi süreci geleneksel betona göre daha zordur. Bu çalışmada, KYHB’nin basınç dayanımını tahmin etmek için dört farklı makine öğrenmesi algoritması karşılaştırılmalı değerlendirilmiştir. Çalışmanın amacı, KYHB bileşiminden basınç dayanımının tahmin edilmesidir. Ek olarak makine öğrenmesi algoritmalarının beton performansını tahmin etmedeki başarısını kanıtlamak ve böylece yöntemin öncelikle beton karışım hesabı için kullanımını artırmaktır. Bu amaçla, KYHB karışımının bazı deneysel özelliklerini ve bileşimini içeren bir veri seti ile Lineer Regresyon, Gauss Süreç Regresyonu, Quadratik ve Kernel Destek Vektör Makinası yöntemleri kullanılarak 4 farklı tahmin modeli geliştirilmiştir. Geliştirilen modellerin performansı, deneysel sonuçlar ile model çıktısı arasındaki doğrusal korelasyon oranı ve hata miktarları açısından değerlendirilmiştir. Gauss Süreç Regresyonu modeli ise bu çalışmada en başarılı makine öğrenmesi metodu olmuştur.

This study is aimed to be conducted on invasive ductal carcinoma breast cancer, which is a type of cancer that is common around the world and found in women. Early diagnosis of this disease can be lifesaving. It was aimed to conduct the study to determine the early diagnosis of breast cancer due to its early detection feature. In addition to deep learning techniques, image processing techniques were also used in the study. A dataset consisting of breast cancer images was used. The images in the data set may be complicated or time-consuming when evaluated using traditional diagnostic methods. This is where deep learning models come into play. The models used in the study analyzed breast cancer cells. As a result of the analysis, cells were classified as cancerous or cancer-free. Five different models were used in this study: CNN, SVM, Random Forest, DenseNet and MobileNet. When the results were examined, it was analyzed that the proposed method showed better performance than other methods. The accuracy rates of the models were: CNN (95.1%), SVM (89.87%), Random Forest (93.21%), DenseNet (94.31%), and MobileNet (94.6%). In conclusion, this study reveals the differences between models used in breast cancer diagnosis. In this period when the importance of artificial intelligence increases, it is predicted that it will be an important step in saving breast cancer patients. If the methods are used efficiently and effectively, the rate of early diagnosis will increase and diseases will be prevented.

The recent seismic activity in southeastern Turkey in February 2023 again emphasized the critical need to promptly evaluate structural damage to assist in emergency response operations. This study introduces a comprehensive ensemble deep learning approach to structural damage classification following earthquake events, based on a dataset containing 13,270 high-resolution images with 15 different damage classes. Six different state-of-the-art convolutional neural network models (VGG16, ResNet50, InceptionV3, DenseNet121, EfficientNetB0, and MobileNetV2) are combined using a weighted voting approach to handle extreme class imbalance using weighted categorical cross-entropy loss. An integrated explainability component is incorporated into the trained convolutional neural network models to highlight the image regions that contribute to the predicted damage class, thereby improving the interpretability of deep learning decisions in safety-critical post-disaster assessment scenarios. The performance evaluation results show that the ensemble model achieves a test accuracy of 93.77%, with an increase of 2.67% compared to the best performing model individually. Notably, the ensemble model improves performance in minority classes like collapsed buildings. The proposed framework can be used to provide a powerful approach to structural damage evaluation, balancing accuracy with interpretability, to assist structural engineers in post-earthquake evaluation procedures.

Security datasets are central to the evaluation of intrusion detection and prevention systems, but their suitability differs substantially across domains, data sources, attack scenarios, labeling practices, and reproducibility conditions. This study presents a structured evidence-mapping review of security datasets reported in intrusion detection and prevention research between 2018 and 2025. The final evidence map includes 42 primary dataset-use publication records, 82 dataset or evidence-source mentions, and 69 unique datasets, corpora, or evidence sources after duplicate, retracted, and irrelevant records were removed. The review organizes datasets across network-based IDS, IPS, firewall, VPN, WAF, endpoint, email filtering, IAM, DDoS, Windows, Linux-Apache, NetFlow, cloud, and IoT/IIoT security settings. In addition to adoption-frequency analysis, the study assesses representative dataset families in terms of documentation, labeling information, feature representation, class balance, public availability, reproducibility, and practical usability limitations. The findings show that established benchmarks remain widely reused, but recent studies increasingly rely on domain-specific datasets for IoT/IIoT, DDoS, cloud, edge, host, and cyber-physical environments. The review also proposes and illustrates a dataset-selection framework that links dataset choice to security objectives, operational context, telemetry requirements, attack coverage, and evaluation protocol. The results support more transparent, context-aware, and reproducible dataset selection for intrusion detection and prevention research.

While there are evident advantages to deploying UAVs for structural inspection applications within reinforced-concrete structures where human access may be hazardous or restricted, UAV deployment is still inhibited within structures due to a lack of GPS, payload and power limitations, signal attenuation, limited transmission opportunities, and low bandwidth for communication. Within the confines of the present project, a low-cost two-layer six-rotor architecture was developed; a single Pixhawk PX4 manages stabilized flight, while a Raspberry Pi 4 manages mission-level operations. The complete prototype integrated a relative-pose/nearby-object estimator, hybrid 433 MHz and Wi-Fi/MQTT communications, avionics-side energy management, mission continuity via SQLite, and human-in-the-loop fail-safe support. Prototype experiments revealed reduced horizontal drift compared to both tested comparison configurations, continued operation under constrained communication conditions, and a 62.0% reduction in avionics-side power consumption, excluding propulsion. This was followed by a complementary PX4–Gazebo evaluation probing horizontal and vertical proximity responses, six-sector LiDAR processing, and stale-data watchdog functionality. Across 45 repeated simulation runs and 3000 retained sector-level observations, no simulated collisions occurred during the horizontal-approach, vertical-proximity, or watchdog tests. No false sector assignments were observed, and the overall mean absolute error was 0.0285 m. From this limited demonstration, the architecture appears satisfactory at the prototype and simulated-subsystem levels. Further physical testing will be needed prior to operational deployment.