Başak Düşün Kocakaya, Büyük Dil Modeli Destekli Yazılım Geliştirmenin İnsani Yönünü İncelemek

Bu tez, Büyük Dil Modeli (LLM) desteğinin yazılım uzmanlarının insani yönleri üzerindeki etkisini inceleyen ampirik bir araştırma sunmaktadır. 30 uygulayıcıyla yürütülen kontrollü bir özne-içi deney yoluyla, gereksinim belirtimi görevi üzerinden LLM desteği olan ve olmayan koşullar karşılaştırılmaktadır. Çalışma; algılanan görev karmaşıklığı, motivasyon, başarı duygusu ve yaratıcı öz-yeterlilik boyutlarını doğrulanmış ölçekler ve mülakatlarla analiz etmektedir. Araştırma, yapay zekâ araçlarının teknik verimliliği kadar bilişsel ve psikolojik süreçleri nasıl şekillendirdiğine dair yapılandırılmış kanıtlar sağlamaktadır.

Tarih: 03.04.2026 / 14:30 Yer: A-212

Turkish

FAST-TRACK YOUR GRADUATE JOURNEY!

 

We are excited to offer METU undergraduate students (7th semester or beyond) the chance to enroll in graduate-level courses at the Graduate School of Informatics under NI (not included) status.

 WHY JOIN THIS PROGRAM?

  • Early Exposure: Get a head start on graduate-level research and education.

  • Time Efficiency: Courses completed with a CC or higher can be counted toward your future master’s degree, allowing you to graduate sooner.

  • Flexible Planning: Better manage your future academic workload.

ELIGIBILITY & REQUIREMENTS

  • Target: METU students in their 7th semester or later.

  • Academic Record: Strong standing (check specific cumGPA requirements below).

  • Transfer Credit: Course must be taken as NI and completed with a minimum grade of CC to count toward a graduate degree later.

DON’T MISS OUT!

Shape your future today and gain a competitive edge before you even walk across the graduation stage.

Check the list on this table for the course details, schedules and enrolment criteria.

 

Announcement Category

Announcement

2026-2027 Akademik Yılı Güz Yarıyılı Lisansüstü Başvuruları ve ALES/1-2026 Sınav Sonuçları Hakkında

Üniversitemiz 2026-2027 Akademik Yılı Güz Yarıyılı lisansüstü program başvuruları, akademik takvimde belirtildiği üzere 23 Şubat 2026 – 27 Mart 2026 tarihleri arasında çevrim içi başvuru sistemi üzerinden alınacaktır.

Başvuru takviminin öne çekilmesi nedeniyle, 10 Mayıs 2026 tarihinde gerçekleştirilecek olan Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı’na (ALES/1-2026) girecek adayların mağduriyet yaşamaması adına, Enstitülerimizce bu döneme mahsus olmak üzere özel bir başvuru ve değerlendirme süreci işletilecektir.

Bu kapsamda başvuru yapacak adayların dikkat etmesi gereken hususlar aşağıdadır:

1. Başvuru Süreci ve Tarihler ALES/1-2026 sınavına girecek olan adaylar da dahil olmak üzere, tüm adayların başvurularını 23 Şubat – 27 Mart 2026 tarihleri arasında sistem üzerinden oluşturmaları gerekmektedir.

2. ALES Puanı Bekleyen Adaylar İçin İşleyiş Başvuru tarihleri içerisinde geçerli bir ALES puanı bulunmayan ancak 10 Mayıs 2026 tarihli sınava girecek adaylar;

  • Başvuru sistemine giriş yaparak ALES belgesi hariç, programın talep ettiği diğer tüm zorunlu belgeleri (transkript, niyet mektubu, referans vb.) eksiksiz olarak yüklemelidir.

  • Bu adayların ALES puanları, sınav sonucu ÖSYM tarafından açıklandıktan sonra (Tahmini: 5 Haziran 2026) Enstitümüz tarafından sistem üzerinden otomatik olarak çekilecek ve başvurularına eklenecektir. Adayların ayrıca belge teslim etmesine gerek yoktur.

3. Değerlendirme Takvimi Başvuruların değerlendirilmesi iki ayrı takvimde yürütülecektir:

  • Mevcut ALES Puanı Olan Adaylar: Başvuru süresi içinde dosyası tam olan adayların değerlendirmeleri, mevcut akademik takvimde ilan edilen tarihlerde sonuçlandırılacaktır.

  • ALES/1-2026 Sonucunu Bekleyen Adaylar: Bu adayların değerlendirme süreci, sınav sonuçlarının açıklanmasını takiben ileri bir tarihte yapılacak ve sonuçlar ayrıca duyurulacaktır.

Çok Önemli Uyarı: Bu uygulama yalnızca ALES belgesi için geçerli bir istisnadır. 27 Mart 2026 tarihi itibarıyla ALES sonucu haricinde herhangi bir zorunlu belgesi eksik olan (örn: transkript yüklememiş) adayların başvuruları, sınav sonucuna bakılmaksızın doğrudan reddedilecektir.


 

Announcement Category

Announcement

Gizem Kaya, Zirai Kimyasal Ürünler için Talep Tahmininin İleri Analitik Yöntemlerle Geliştirilmesi

Bu tez, makine öğrenmesi/derin öğrenme uygulamaları kullanılarak talep tahmin doğruluğunu artırmayı amaçlamaktadır. Talep tahmini için SARIMA, LSTM, CNN ve Prophet modelleri uygulanmıştır. Modeller ileriye doğru zincirleme çapraz doğrulama yöntemi kullanılarak eğitilmiş ve doğrulanmıştır. Mevsimsel, dengesiz sınıf dağılımına sahip ve aralıklı bir veri seti üzerinde, zaman serisi tahmini uygulanmaktadır. Daha fazla iyileştirme için seçilmiş dışsal göstergelerin ve toplulaştırma-ayrıştırma yaklaşımlarının etkileri incelenmiştir.

Tarih: 20.01.2026 / 14:30 Yer: A-212

Turkish

Nilsu Şahin, Yapay Zekâ Destekli BIM Analitiği ve Dijital İkiz Geliştirmeye Yönelik Entegre Hesaplamalı Yaklaşım

Bu tez, yapay zekâ destekli BIM analitiği ve dijital ikiz geliştirmeye yönelik bütünleşik bir çerçeve sunmaktadır. Revit tabanlı BIM verileri, geometrik ve yapılandırılmış mekânsal bilgiler ayrıştırılarak Unity tabanlı bir dijital ikiz ortamına aktarılmıştır. A* algoritması kullanılarak, fiziksel tahliye kısıtlarını dikkate alan gerçek zamanlı iç mekân yol bulma sağlanmıştır. Büyük dil modeli (LLM), hesaplanan rotaları doğal dilde navigasyon talimatlarına dönüştüren etkileşim katmanı olarak görev yapmaktadır. Sistem, kullanıcı testleriyle değerlendirilen, ölçeklenebilir ve insan merkezli bir BIM tabanlı dijital ikiz yaklaşımı ortaya koymaktadır.

Tarih: 14.01.2026 / 14:15 Yer: II-06

Turkish

Sinan Düztaş, Kötücül Alan Adı Üretme Algoritmalarının Hibrit Derin Öğrenme Modeli ile Gelişmiş Tespiti

Meşru alan adlarını DGA ile üretilen alan adlarından ayırt etmek, hâlâ süregelen bir zorluktur. Siber tehdit aktörleri, alan adı üretim algoritmalarını (DGA) kullanarak kara listeleme veya statik imza tabanlı güvenlik çözümleri gibi geleneksel tespit mekanizmalarının atlatmaya çalışmaktadır. DGA’lar tarafından üretilmiş bütün alan adlarının kara listeye alınması mümkün olmadığından, DGA’ların otomatik olarak tespit edilmesi kritik bir gereklilik haline gelmiştir. Bu tez, söz konusu sınırlamaları aşmak maksadıyla özellik çıkarımı için CNN tabanlı n-gram öğrenme ve LSTM ağlarını ve nihai sınıflandırma için Lojistik Regresyon yöntemini entegre eden hibrit bir çerçeve sunmaktadır. Model girdisi, doğruluğu artırmak için Üst Düzey Alan Adı (TLD) bilgileriyle zenginleştirilmiştir.

Tarih: 16.01.2026 / 11:00 Yer: Cisco Lab

Turkish

Pages

Subscribe to Enformatik Enstitüsü RSS