Kerim KARADAĞ

Dr. Kerim KARADAĞ

orcid

Research Focus & Metrics

Academic Career Length

7Years (2020-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
31 May 2024 in Multimedia Tools and Applications
Verified
Journal Article
Closed access
PDF file
MTMehmet Emin Tenekeci
Mehmet Emin Tenekeci
SASadeq Taha Abdulazeez
Sadeq Taha Abdulazeez
KKKerim KARADAĞ
Kerim KARADAĞ
MMMahmut Modanli
Mahmut Modanli

7 August 2024 in Sensors
Verified
Journal Article
Open access
PDF file
YİYüsra İnci
Yüsra İnci
ABAli Volkan BİLGİLİ
Ali Volkan BİLGİLİ
RGRecep Gündoğan
Recep Gündoğan
GGGafur GÖZÜKARA
Gafur GÖZÜKARA
KKKerim KARADAĞ
Kerim KARADAĞ
MTMehmet Emin Tenekeci
Mehmet Emin Tenekeci
In soil science, the allocation of soil samples to their respective origins holds paramount significance, as it serves as a crucial investigative tool. In recent times, with the increasing use of proximal sensing and advancements in machine-learning techniques, new approaches have accompanied these developments, enhancing the effectiveness of soil utilization in soil science. This study investigates soil classification based on four parent materials. For this purpose, a total of 59 soil samples were collected from 12 profiles and the vicinity of each profile at a depth of 0–30 cm. Surface soil samples were analyzed for elemental concentrations using X-Ray fluorescence (XRF) and inductively coupled plasma–optical emission spectrometry (ICP-OES) and soil spectra using a visible near-infrared (Vis-NIR) spectrometer. Soil samples collected from soil profiles (12 soil samples) and surface (47 soil samples) were used to classify parent materials using machine learning-based algorithms such as Support Vector Machine (SVM), Ensemble Subspace k-Near Neighbor (ESKNN), and Ensemble Bagged Trees (EBTs). Additionally, as a validation of the classification techniques, the dataset was subjected to five-fold cross-validation and independent sample set splitting (80% calibration and 20% validation). Evaluation metrics such as accuracy, F score, and G mean were used to evaluate prediction performance. Depending on the dataset and algorithm used, the classification success rates varied between 70% and 100%. Overall, the ESKNN (99%) produced better results than other classification methods. Additionally, Relief algorithms were employed to identify key variables for each dataset (ICP-OES: CaO, Fe2O3, Al2O3, MgO, and MnO; XRF: SiO2, CaO, Fe2O3, Al2O, and MnO; Vis-NIR: 567, 571, 572, 573, and 574 nm). Subsequent soil reclassification using these reduced variables revealed reduced accuracies using Vis-NIR data, with ESKNN still yielding the best results.

31 August 2022 in Traitement du Signal
Verified
Journal Article
Closed access
KKKerim KARADAĞ
Kerim KARADAĞ

2 November 2022 in Emirates Journal of Food and Agriculture
Verified
Journal Article
Open access
PDF file
KKKerim KARADAĞ
Kerim KARADAĞ
N plants, it is one of the important factors to provide ecological factors for productivity. Plants perceive the effects of environmental factors outside as stress and create appropriate physiological responses in their metabolism. Water stress is a type of abiotic stress and is one of the important factors affecting the growth and development of plants. Irrigation water management is very important for sustainable use of water resources. Therefore, support tools are becoming increasingly important in deciding irrigation. With the developments the technology, computerized support applications are usually used in agricultural areas. In the study, it is aimed to determine the effects of irrigation applications performed in different periods on yield quality and spectral reflections of safflower plant and to create applicable irrigation programs in safflower cultivation. From the reflections detained from safflower leaves by using spectroradiometer device, the determination of safflower plant according to water ratio different situations is done. Reflections are taken as three groups where the plants are grown at wavelengths of 325 nm to 1075 nm. Water due diligence related with safflower is consist of two stages. The first stage is the provision of the feature vector, the second stage is the classification of the feature vector related to data. As classification methods, support vector machine, k-nearest neighbor and decision tree are used. In comparison of three groups, the average value of the performance is high. As a result, considering the fallowed method and the procedure used, it is evaluated that such studies can be used in agriculture and cultivation.

1 April 2020 in European Journal of Science and Technology
Verified
Journal Article
Open access
PDF file
KKKerim KARADAĞ
Kerim KARADAĞ
Doğurganlık oranları son yıllarda önemli ölçüde azalmıştır. Bu durum özellikle erkeklerde daha fazla görülmeye başlanmış ve kısırlık olarak ifade edilmiştir. Kısırlık, Dünya Sağlık Örgütüne göre seksüel olarak aktif bir çiftin herhangi bir önlem alınmadan bir yıl süreyle düzenli cinsel ilişlkide bulunmasına rağmen gebeliğin oluşmamasıdır. Kısırlık, sebebi ne olursa olsun üreme sağlığı sorunudur. Sperm fonksiyonunun bozulması, erkek kısırlığının en önemli nedenlerinden biridir. Kısırlığın bir diğer etmeni de semen kalitesi ve sperm hareketsizliğidir. Yaşam alışkanlıkları ve çevresel faktörler insanlarda semen kalitesini etkileyip doğurganlık oranını azaltmaktadır. Semen analizi erkek doğurganlık potansiyelinin iyi bir göstergesidir. Bu yüzden spermin hareketliliği, yoğunluğu ve morfolojisi semen analizinde incelenmektedir. Bu analizler uzmanlarca laboratuvar ortamında yapılmaktadır. Laboratuvarda analizler, gözleme dayalı hataya açık ve subjektif olabilmektedir. Bu tür hataları minimize edebilmek için Bilgisayar destekli çalışmalar kullanılmaktadır. Bu çalışmada 100 denekten alınmış semen örnekleri ve yapılan anket sonuçlarına göre oluşturulan veri seti makine öğrenme algoritmaları kullanılarak normal ve değiştirilmiş semen tahmini yapılmıştır. Tahmin modellerinde, Destek Vektör Makineleri, K en yakın Komşuluk, Doğrusal Ayırt Edici ve Lojistik Regresyon yöntemleri kullanılmıştır. Çalışmada elde edilen performans değerleri, literatürdeki benzer çalışmalarla kıyaslanarak problemin çözümüne ilişkin en uygun tahmin algoritmaları tespit edilmiştir. Tahmin yapma işlemi iki aşamada değerlendirilmiştir. İlk olarak tüm veri seti kullanılmış ve Daha sonra veri seti sayısı eşit alınarak başarı oranları karşılaştırılmıştır. Tahmin yapma işlemi makine öğrenme yöntemleri kullanılarak yapılmıştır. Eğitim ve test işlemi için kullanılan veri seti ilk olarak çapraz doğrulama yapılarak değerlendirilmiş ve daha sonra veri setinin eğitim ve test değerleri yarı yarıya alınarak değerlendirilmiştir. Sınıflandırma doğruluk oranı kullanılarak elde edilen başarı sonuçları tüm veri seti için %90, eşit olarak kullanılan veri seti için ise en yüksek % 91.7 ve ortalama %73,8 olmuştur.

31 December 2021 in Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi
Verified
Journal Article
Closed access
KKKerim KARADAĞ
Kerim KARADAĞ
İnsanlar hayatları boyunca farklı zamanlarda çeşitli sebeplerden dolayı kan ve kan ürünlerine gerek duymaktadırlar. Kan ve kandan elde edilen ürünler laboratuvar koşullarında elde edilemeyip yalnızca insandan elde edildiğinden, hayati önem taşıyan kanın sağlıklı bireylerden sağlanması gerekmektedir. Karaciğer rahatsızlıkları ile ilgili, Hepatit çeşitleri, karaciğer kanseri, karaciğer büyümesi, karaciğer yetmezliği, siroz ve benzeri hastalıklar kanın durumunu belirleyen etmenlerin başında gelir. Bu hastalıklar ilerledikçe telafisi mümkün olmayan zararlara yol açabileceği için erken teşhis edilip tedavi edilmesi ve kan verilecek kişilere de bulaş riskini ortadan kaldırmak için hayati önem arz etmektedir. Son yıllarda birçok alanda kullanılan makine destekli öğrenme yöntemleri, bu alanda da geleneksel yöntemlere ilaveten hekimlere fikir verici olarak kullanılmaktadır. Bu çalışmada amaç, makine öğrenme yöntemleri ile karaciğer hastalıklarının tespiti ve donörlerin kan bağışı yapmaya elverişli olup olmadıklarını kan değerlerinden tespit etmektir. Sınıflandırma için, Karar Ağaçları, Destek Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile değerlendirilmiştir.