Son yıllarda internet kullanımının artmasıyla insanların bilgi ve haber alma kaynakları da değişmiştir. Radyo, televizyon, gazete ve dergi gibi geleneksel medya platformları yerine sosyal medya platformlarının kullanımı giderek artmaktadır. Geleneksel medyada haberler belirli bir kaynak tarafından gönderilirken, sosyal medyada her kullanıcı bir haber kaynağı olabilmektedir. Bu da sosyal medyadaki haberlerin bir süzgeçten geçirilmeden paylaşılmasına ve sahte haberlerin büyük bir hızla yayılmasına neden olmaktadır. Sahte haber; propaganda, provokasyon veya insanları yanıltma amacıyla sahte veya provokatif kullanıcılar tarafından yayılan haberlerdir. Dikkat çekici özellikte oldukları için sosyal medya aracılığı ile çok kısa sürede yayılabilmektedirler. Bu nedenle sahte haberlerin en kısa sürede tespit edilmesi büyük öneme sahiptir. Çoğu sosyal medya platformunda sahte haber tespiti uzmanlar tarafından yapılmaktadır. Çok yoğun paylaşım trafiği bulunan sosyal medya platformlarında uzmanlar tarafından kısa sürede sahte haber tespiti mümkün olmamaktadır. Bu da sahte haberin kısa sürede çok kişi tarafından paylaşılmasına neden olmaktadır. Bu nedenle yarı otomatik ve otomatik sahte haber tespiti sistemleri, uzmanlara göre daha kısa sürede sahte haber tespitini sağlayabilmektedir. Sahte haberleri kısa sürede tespit edebilmek için otomatik tespit sistemlerinin geliştirilmesi gerekmektedir. Bu çalışmada Türkçe dilinde, denetimli ve denetimsiz makine öğrenmesi algoritmaları kullanılarak Twitter üzerinde sahte haber tespiti yapılmış ve sonuçları incelenmiştir. Denetimsiz öğrenme algoritmalarından, K-ortalamalar (K-means), Negatif Olmayan Matris Çarpımı (Non-Negative Matrix Factorization-NMF) ve Doğrusal Diskriminant Analizi (Linear Discriminant Analysis-LDA); denetimli öğrenme algoritmalarından, K En Yakın Komşu (K Nearest Neighbor-KNN), Destek Vektör Makinaları (Support Vector Machines-SVM) ve Rassal Orman (Random Forest-RF) algoritmaları ile tahmin yapılmıştır. Her bir algoritma 100 defa çalıştırılarak ortalama F1 metrik değerleri incelenmiştir. Denetimli öğrenme algoritmalarında 0.86 F1-metrik değeriyle başarılı sonuçlar alınmıştır. Denetimsiz öğrenme algoritmalarının F1-metrik değeri ise 0.72'de kalmıştır.

Multinomial Logistic Regression (MLR) is a common choice in models for various classes classification tasks because it is easy to understand and reveals the structure of probabilities. On the other hand, the usual way of training MLR via gradient based methods is very sensitive to local optima on the complicated log, likelihood surfaces, especially in cases of high, dimensional or noisy feature spaces. In this paper, an ABC, MLR hybrid method is introduced where MLR weight optimization is considered a global search problem and is done via three advanced variations of the Artificial Bee Colony (ABC) algorithm: Gbest, guided ABC (GABC), Opposition Based ABC (OABC), and Improved ABC (IABC). Thus, each variation is focused on the different shortcomings of the basic ABC by gaining global best guidance, integrating opposition-based learning, and utilizing chaotic, map initialization with multi, dimensional update strategies, respectively. A composite fitness function that combines classification accuracy and cross, entropy loss is used to guide the search, and an early stopping mechanism is incorporated to avoid unnecessary computations. The resulting classifiers GABC, MLR, OABC, MLR, and IABC, MLR are tested via stratified 10, fold cross, validation on 15 benchmark datasets from KEEL and UCI repositories, covering binary and multi, class problems of different sizes and dimensionalities, and are compared with eight well, known machine learning algorithms. The experimental results show that these three hybrid models always perform better than the standard gradient, trained MLR baseline, with GABC, MLR attaining the highest mean accuracy (0.8208) and mean F1, score (0.8032) over all datasets. The proposed framework keeps the interpretability of MLR while significantly improving its optimization robustness, thus offering a good and flexible alternative to the standard training methods for multi, class logistic regression.

Burr formation during drilling of aluminum alloys can compromise hole quality and assembly accuracy, increasing the need for secondary deburring operations. The time-consuming and operator-dependent nature of manual visual inspection creates a need for rapid and consistent automated assessment of drilling-induced burrs. This study developed a YOLOv10n-based approach for the automated classification of burr formation in drilled AA6013 aluminum alloy using optical microscope images. Hole quality was categorized into three classes: Good, Medium, and Poor. To improve the model’s generalization capability, eight datasets were generated from the original dataset using horizontal flipping (HF), 180° rotation (R180°), and combinations of these augmentation strategies. Model performance was comprehensively evaluated using Accuracy, Precision, Recall, and F1-score, together with TP, TN, FP, and FN values. The effect of the decision threshold on model sensitivity and false-negative predictions was also investigated. The best overall performance was achieved with Dataset-8, yielding an Accuracy of 0.985 and an F1-score of 0.977. Lower performance was observed for the non-augmented and individually augmented datasets, whereas combined augmentation strategies improved the model’s generalization capability. Increasing the decision threshold resulted in lower Recall and a higher number of false negatives, highlighting the importance of threshold selection in classification performance. Visual examination of the microscope images further showed that the Good, Medium, and Poor classes were associated with negligible, limited, and extensive burr formation, respectively. Integration of the trained model into a real-time imaging system enabled instantaneous burr-quality classification. As a result, the proposed approach demonstrates strong potential as a rapid, non-contact, and objective automated inspection method for post-drilling quality control.