Enformatik Enstitüsü

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

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

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

Bu tez, Statik Uygulama Güvenliği Testi (SAST) araçlarının sistematik bir değerlendirmesini sunmaktadır. İlgili çalışmalar çoğunlukla sentetik kod tabanları ve güvenlik açığı başına değerlendirme yöntemleri kullanmaktadır. Bu çalışmada, hem sentetik karşılaştırma ölçütleri hem de gerçek dünyada kasıtlı olarak güvenlik açığı bulunan uygulamalar, sorun başına değerlendirme ile birlikte araçlar üzerinde test edilmiştir. Yapılan deneyler çeşitli değerleri ölçmekte ve bu sonuçları arkasındaki nedenlerle açıklamaktadır. Nicel sonuçlara ek olarak, sonuçları ve gözlemlenen performans farklılıklarını daha ayrıntılı olarak açıklamak için araçların niteliksel özellikleri ve iç mekanizmaları incelenmiştir. Sonuçlar, değerlendirme modelleri ile araçların etkinliği arasındaki farkı göstermektedir. Genel olarak tez,  SAST araçları araştırması ve seçimi için pratik bilgiler sunmaktadır.

Tarih: 15.01.2026 / 10:00 Yer: Cisco Lab

Bu tez, yapay zeka tarafından üretilen ön uç kod kalitesinin karşılaştırmalı ampirik bir değerlendirmesini sunmaktadır. Üç çağdaş yapay zeka kodlama aracı—Cursor, Gemini CLI ve Windsurf—çeşitli karmaşıklıkta React ve TypeScript uygulamalarını içeren kontrollü deneyler yoluyla değerlendirilmiştir. Çalışma, Lighthouse, SonarQube ve ESLint dahil olmak üzere endüstri standardı ölçütler kullanılarak hem tek komutlu hem de artımlı geliştirme yaklaşımlarını değerlendirmektedir. Bulgular, yapay zeka araçlarının işlevsel olarak doğru uygulamalar üretebildiğini, ancak kod kalitesi sonuçlarının araç seçimine, geliştirme metodolojisine ve uygulama karmaşıklığına bağlı olarak önemli ölçüde değiştiğini göstermektedir. Sonuçlar, modern ön uç geliştirmede yapay zeka araçları ve iş akışlarının seçimi için kanıta dayalı bir rehber sağlamaktadır.

Tarih: 20.01.2026 / 13:00 Yer: A-212