Machine learning is one of the fields that help to get better results from data or analysis without any human intervention. In recent years with the developing technology, it is widely used in the field of medical diagnosis, especially to analyze serious and complex situations and make predictions with high accuracy. In this study, it was tried to diagnose diabetic disease at an early stage by using Naïve Bayes and Support Vector Machines (DVM) machine learning algorithms on Pima Indians Diabetes Dataset. In order to increase the performance of the classifiers used, the missing values in the data set were restructured according to the skewness, and data standardization was done using standard scaling. Then, the Synthetic Minority Oversampling (SMOTE) technique was used to reduce the negative effect of class imbalance problem on classification. Evaluation criteria of the classifiers created within the scope of the study were calculated by using Accuracy Rate, Precision, Recall and F1-Score (F1 Score) values. According to these results, Support Vector Machines gave the best server with 88% accuracy rate. Makine öğrenmesi, herhangi bir insan müdahalesi olmadan elde olan verilerden veya analizlerinden daha iyi sonuçlar elde edilmesine yardımcı olan alanlardan biridir. Ciddi ve karmaşık durumları analiz etmek ve doğruluk oranı yüksek tahminlerde bulunmak için son yıllarda gelişen teknolojiyle birlikte özellikte tıbbi teşhis alanında yaygın olarak kullanılmaktadır. Bu çalışma kapsamında Pima Indians Diyabet veri seti (Pima Indian Diabetes Dataset) üzerinde Naive Bayes ve Destek Vektör Makineleri (DVM) makine öğrenme algoritmaları kullanılarak diyabet hastalığı erken evrede teşhis edilmeye çalışılmıştır. Kullanılan sınıflandırıcıların performanslarını artırmak için veri setinde eksik değerler çarpıklık durumuna göre tekrar yapılandırılmış, veri standardizasyonu standart ölçeklendirme kullanılarak yapılmıştır. Ayrıca sınıf dengesizlik probleminin sınıflandırma üzerindeki olumsuz etkisini azaltmak için Sentetik Azınlık Aşırı-Örnekleme (SMOTE) tekniği kullanılmıştır. Çalışma kapsamında oluşturulan sınıflandırıcıların değerlendirme kriterleri Doğruluk Oranı (Accuracy Rate), Kesinlik (Precision), Duyarlılık (Recall) ve F1-Skore (F1 Score) metrikleri kullanılarak hesaplanmıştır. Destek Vektör Makineleri %90 doğruluk oranı ile en iyi sunucu vermiştir.

This study presents detection of pulmonary disorders using different spectral analysis methods such as fast Fourier transform, autoregressive and the autoregressive moving average. Power spectral densities of the sounds were estimated through these methods. Feature vectors were constructed by extracting statistical features from the PSDs. Created feature...

This volume comprises the proceedings of the 1995 Cardiff symposium on sieve methods, exponential sums, and their applications in number theory. Included are contributions from many leading international figures in this area which encompasses the main branches of analytic number theory. In particular, many of the papers reflect the interaction between the different fields of sieve theory, Dirichlet series (including the Riemann Zeta-function), and exponential sums, whilst displaying the subtle interplay between the additive and multiplicative aspects of the subjects. The fundamental problems discussed include recent work on Waring's problem, primes in arithmetical progressions, Goldbach numbers in short intervals, the ABC conjecture, and the moments of the Riemann Zeta-function.

Early diagnosis and appropriate treatment remain a necessary challenge. Dermatologic emergencies have insufficient attention by the general population and by physicians from other specialties. The differential diagnosis of erythematosquamous diseases is a real problem in dermatology. They all share the clinical features of erythema and scaling with very little differences. These diseases are psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic dermatitis, and pityriasis rubra pilaris. Usually a biopsy is necessary for the diagnosis but unfortunately these diseases share many histopathological features as well. In this study, computer-aided software was developed to diagnosis dermatological diseases by using artificial neural networks. The supervised backpropagation algorithm is used to train the networks. Classification of the average value of sensitivity (or recognition percentage) was found as 98% for six erythemato-squamous diseases.

Ağ tabanlı Saldırı Tespit Sistemleri (NIDS), ağda bulunan tüm cihazlardan gelen trafiği izlemek ve analiz etmek için kullanılır. Makine Öğrenimi (ML) tabanlı NIDS, günümüzde bilgisayar ağlarını siber saldırılara karşı korumak için önemli araçlardan biridir. ML tabanlı NIDS'in eğitimi ve değerlendirilmesi için ağ veri özellikleri önemli bir etkiye sahiptir. Bu nedenle ML modelinin doğruluğunu ve performansını değerlendirmek için birden çok veri kümesinin ortak temel özellik kümesi içermesi gerekir. Bu çalışmada ortak NetFlow özelliklerine sahip NIDS veri setleri (NF-UNSW-NB15, NF-BoT-IoT, NF-ToN-IoT ve NF-CSE-CIC-IDS2018) kullanılarak ikili sınıflandırma yapılmıştır. Veri setlerindeki saldırı ve normal akış (saldırı yok) sınıfları dengesiz dağılım göstermektedir. Bunun üstesinden gelmek için Rastgele Alt Örnekleme yöntemi kullanılmıştır. Sınıflandırma yöntemleri olarak Rastgele Orman, K-En Yakın Komşuluk, Destek Vektör Makineleri ve Yapay Sinir Ağları algoritmaları kullanılmıştır. Farklı veri setlerinin yeniden örneklenmiş durumlarına, ML yöntemleri kullanılarak doğruluk ve performansları karşılaştırılmıştır. Bu çalışma kapsamında kullanılmış olan dört veri seti içinde en iyi sonucu Rastgele Orman algoritması vermiştir.

The COVID-19 virus that began in late December 2019 continues to spread rapidly in many countries around the world. Due to its contagious and fast-spreading nature, it causes great harm to countries economically, medically, socially and in all other areas. Therefore, it is imperative to predict the evolution and spread of the epidemic. By understanding the trend of developing confirmed cases in an area, governments can control the epidemic by launching appropriate plans and instructions.Many scientists have tried to predict the number of cases using traditional mathematical techniques; however, the common traditional mathematical differential equations have limitations in estimating cases numbers in time series data and even have major errors in estimation. To solve this problem, we propose an improved method for predicting validated states based on the LSTM (long-term memory) neural network.Since the traditional prediction models predict the number of cumulative cases only, so they expect that the rate of infections will always rise and they cannot predict when the spread of the virus will decrease or end, so our model is built on short-term memory that predicts the number of daily cases but not the number of cumulative cases (LSTM).