Elif Feyza Sari

Elif Feyza Sari

Auto-generated profile, based on publicly available information

Elif Feyza Sari

Firat Universitesi

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

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

Representative Publications

View All Publications
1 December 2025 in Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Verified
Journal Article
Closed access
ESElif Feyza Sari
Elif Feyza Sari
NANafiye Nur Apaydın
Nafiye Nur Apaydın
OYOrhan YAMAN
Orhan YAMAN
Mehmet KARAKÖSEMehmet KARAKÖSE
Mehmet KARAKÖSE
Ani gelişen kavga olaylarının erken tespiti ve bu olaylara hızlı ve etkili bir şekilde müdahale edilmesi, kamu güvenliğinin sağlanması ve olası olumsuz durumların önlenmesi açısından büyük bir öneme sahiptir. Günümüz teknolojik imkanları doğrultusunda, video tabanlı otomatik kavga tespit sistemleri, güvenlik güçlerine ve yetkililere zamanında uyarılar sağlayarak proaktif önlemler alınmasını mümkün kılmaktadır. Bu çalışmada, kavga (fight) ve kavga içermeyen (noFight) durumların doğru bir şekilde sınıflandırılabilmesi amacıyla derin öğrenme tabanlı bir yöntem önerilmektedir. Özellikle, görüntü işleme alanında başarılı sonuçlar elde eden DenseNet121 modeli kullanılarak transfer öğrenme yöntemiyle video tabanlı kavga tespiti gerçekleştirilmiştir. Deneysel çalışmalarda, literatürde yaygın olarak kullanılan Peliculas ve Hockey veri setleri değerlendirilmiş olup, önerilen yöntem ile Peliculas veri seti üzerinde %100 doğruluk (Accuracy), Hockey veri seti üzerinde ise %99.32 doğruluk elde edilmiştir. Elde edilen yüksek başarı oranları, önerilen yöntemin kavga tespitinde etkin bir şekilde kullanılabileceğini göstermektedir.

24 July 2026 in Karaelmas Science and Engineering Journal
Verified
Journal Article
Closed access
AGABDULSAMED GÜNEŞ
ABDULSAMED GÜNEŞ
OYOrhan YAMAN
Orhan YAMAN
ESElif Feyza Sari
Elif Feyza Sari
HYHasan Yetiş
Hasan Yetiş
This study aims to determine the regional hydrogen production potential of 2535 cities using a machine learning model based on renewable energy potential (photovoltaic and wind energy) and hydrogen production capacity data. The performance of the developed Multilayer Perceptron (MLP) model was evaluated using metrics such as R2 (R-Squared), RMSE (Root Mean Squared Error), and MAE (Mean Absolute Error). The model outputs were interpreted using SHAP (SHapley Additive exPlanations) analysis to indicate the effects of parameters influential in renewable energy production, such as solar radiation and wind speed, on hydrogen production. Furthermore, cities with the highest and lowest potential for green hydrogen production were identified and geographically visualized using the Folium library. The results show that the model can predict the regional green hydrogen production potential with high accuracy and map the most suitable regions for production. This study serves as an important guide for sustainable energy planning and the development of green hydrogen infrastructure towards reducing carbon emissions to zero.