Görüntü işleme yöntemleri kullanılarak durağan görüntülerin analizleri gerçekleştirilebilir ve söz konusu görüntülerden anlamlı bilgiler çıkarılabilir. Tespit ve tanıma sonrasında takip edilecek olan nesnenin değişken bir ortam içinde bulunması zorlaştırıcı unsurlardan birisidir. Bunun gibi zorlaştırıcı unsurlarla başa çıkabilmek ve nesne takibini başarıyla gerçekleştirebilmek için farklı yöntemler geliştirilmiştir. Askeri uygulamalarda yaygın olarak kullanılan elektro-optik algılayıcı sistemleri hareketli ve sabit hedeflerin belirlenmesini sağlamaktadır. Son yıllarda yapay zekâ tabanlı bileşenlerle güçlendirilen bu sistemler hem daha hızlı hem de daha kesin hedef tespiti yapmayı sağlamaktadır. Öte yandan, derin öğrenme algoritmaları yapay zekâ alanında bir devrim yaratmıştır. Derin öğrenme algoritmalarının görüntü işlemede kullanılması oldukça başarılı sonuçlar alınmasını ve karmaşık görüntü işleme problemlerinin kolaylıkla çözüme kavuşturulabilmesini sağlamaktadır. Bu çalışmada derin öğrenme ile hareketli nesne tanıma ve takibi için Google’ın açık kaynak kodlu makine öğrenmesi kütüphanesi olan TensorFlow kullanılmıştır. Nesne takibi için Region Based Convolutional Networks kütüphanesinden Faster R-CNN modeli ele alınmıştır. Bu kütüphaneler ile durağan görüntüler, video görüntüleri ve webcam görüntüleri üzerinde nesne tanıma işlemi gerçekleştirilmiş ve incelenen kütüphanelerin güçlü ve zayıf yönleri ortaya konmuştur.
Her geçen gün gelişen teknoloji ile, üretilen veri miktarı devasa boyutlara ulaşmaktadır. Veri, diğer verilerle olan ilişkisiyle birlikte en güçlü ve anlamlı bilgiyi oluşturur. Veriler arasındaki ilişkinin verinin kendisinden daha önemli olması dikkat çeken noktalardan biridir. Bu ilişkiler, İlişkisel veritabanları tarafından verimli bir şekilde ele alınır. Ancak büyük miktarda veriyi ilişkileriyle birlikte ele almak sıkıcı bir süreçtir. Çizge Veritabanları, İlişkisel veritabanlarındaki varlıklar ve ilişkileri, çizge veritabanlarındaki düğümler ve ilişkiler ile daha basite indirgemektedir. Bu makale, Türkiye’deki üniversiteler ve akademisyenler hakkında kapsamlı bir veri görselleştirme aracı geliştirmek için Neo4j graf veritabanının kullanımını ele almaktadır. Yükseköğretim Kurulu (YÖK) tarafından sağlanan veriler kullanılarak, üniversiteler, akademik birimler ve akademisyenler arasındaki ilişkiler görselleştirilmiştir. Çalışma, akademik ağların daha iyi anlaşılmasını sağlamayı ve araştırmacılar, eğitim yöneticileri ve politika yapıcılar için değerli içgörüler sunmayı amaçlamaktadır. Uygulamanın geliştirilme süreci, veri toplama yöntemleri, kullanılan teknik araçlar ve analiz yöntemleri detaylı olarak sunulmaktadır. Elde edilen bulgular, Türkiye’deki akademik yapının ve araştırma işbirliklerinin daha etkili bir şekilde analiz edilmesine olanak tanımaktadır. Sonuç olarak, bu çalışma Neo4j’nin eğitim ve araştırma verilerinin görselleştirilmesi için güçlü bir araç olduğunu ortaya koymaktadır.