---
type: "Akademik Makale Analizi"
title: "Değiştirilmiş Orangutan Optimizasyon Algoritması ile Optimize Edilmiş Kapsül Sınır Ağı Kullanılarak Deniz Kazası Sıcak Noktalarının Öngörücü Analizi"
description: "Deniz taşımacılığındaki teknolojik gelişmelere rağmen deniz kazaları can kaybı, ekonomik zarar ve çevresel felaketlere yol açan kritik bir tehdit olmaya devam etmektedir. Geleneksel arama-kurtarma ve güvenlik yönetim sistemleri ağırlıklı olarak reaktif bir yapıya sahip olup kaza gerçekleştikten sonr"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/degistirilmis-orangutan-optimizasyon-algoritmasi-ile-optimize-edilmis-kapsul-sinir-agi-kullanilarak-deniz-kazasi-sicak-noktalarinin-ongorucu-analizi"
doi: "10.3389/fmars.2025.1634490"
authors: ["Junhe Mao", "Feng Li", "Jiaqing Hu"]
citation: "Mao, J., Li, F., Hu, J. (2026). Predictive analysis of maritime accident hotspots using capsule neural network optimized by modified orangutan optimization algorithm. . https://doi.org/10.3389/fmars.2025.1634490"
publicationType: "computational"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 11
tags: ["deniz güvenliği", "kapsül sınır ağları", "değiştirilmiş orangutan optimizasyon algoritması", "öngörücü analitik", "kaza sıcak nokta tahmini", "coğrafi mekânsal ısı haritaları"]
timestamp: "2026-09-01T14:40:12.775Z"
---

# Değiştirilmiş Orangutan Optimizasyon Algoritması ile Optimize Edilmiş Kapsül Sınır Ağı Kullanılarak Deniz Kazası Sıcak Noktalarının Öngörücü Analizi

Özgün başlık: Predictive analysis of maritime accident hotspots using capsule neural network optimized by modified orangutan optimization algorithm
DOI: https://doi.org/10.3389/fmars.2025.1634490
Künye (APA 7): Mao, J., Li, F., Hu, J. (2026). Predictive analysis of maritime accident hotspots using capsule neural network optimized by modified orangutan optimization algorithm. . https://doi.org/10.3389/fmars.2025.1634490

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

Deniz taşımacılığındaki teknolojik gelişmelere rağmen deniz kazaları can kaybı, ekonomik zarar ve çevresel felaketlere yol açan kritik bir tehdit olmaya devam etmektedir. Geleneksel arama-kurtarma ve güvenlik yönetim sistemleri ağırlıklı olarak reaktif bir yapıya sahip olup kaza gerçekleştikten sonra müdahale esasına dayanmaktadır. Bu durum arama-kurtarma kaynaklarının yetersiz veya dengesiz dağıtılmasına ve müdahale sürelerinin uzamasına neden olmaktadır. Mevcut literatürde deniz güvenliği ve risk haritalamada yapay zekâ ve makine öğrenmesi yöntemleri kullanılsa da karmaşık coğrafi mekânsal ilişkilerin, hava koşullarının ve gemi türlerinin bir arada sunduğu hiyerarşik veri yapısının modellenmesinde yetersizlikler bulunmaktadır. Bu çalışma, alanın temel sorunu olan dinamik deniz ortamındaki kaza risk alanlarını reaktif değil proaktif biçimde tahmin etme ihtiyacına odaklanmaktadır.

# Akademik özet

Deniz güvenliği analitiği alanında gerçekleştirilen bu çalışma, küresel deniz taşımacılığındaki karmaşık risk faktörlerini proaktif biçimde değerlendirmeyi amaçlayan bütüncül bir yapay zekâ yaklaşımını ele almaktadır. Deniz kazaları can kaybı, ekonomik kayıp ve ekolojik yıkım gibi ağır sonuçlar doğurmakta; geleneksel güvenlik sistemlerinin reaktif yapısı ise kaza anında müdahale sürelerinin uzamasına ve arama-kurtarma kaynaklarının verimsiz kullanılmasına yol açmaktadır. Mevcut makine öğrenimi uygulamalarında derin öğrenme modellerinin coğrafi mekânsal hiyerarşiyi ve değişkenler arası parça-bütün ilişkilerini yeterince koruyamaması literatürdeki temel teknik eksikliktir. Bu sorunu aşmak amacıyla çalışmada Küresel Denizde Tehlike ve Güvenlik Sistemi verileri temel alınarak kazaların yoğunlaştığı sıcak noktaların yüksek hassasiyetle öngörülmesini sağlayacak özgün bir modelleme zemini inşa edilmiştir.

Araştırmanın temel amacı, Kapsül Sınır Ağları ile Değiştirilmiş Orangutan Optimizasyon algoritmasını entegre ederek deniz kazası sıcak noktalarını tahmin eden yüksek başarımlı bir model geliştirmek ve doğrulamaktır. Veri seti kapsamında 2010-2023 yılları arasında gerçekleşen 12.487 kaza kaydı eksik veri tamamlama, Z-skoru ve IQR tabanlı uç değer tespiti, coğrafi koordinat normalizasyonu ve kategorik veri dönüştürme adımlarıyla ön işlemeden geçirilmiştir. Önerilen Kapsül Sınır Ağı mimarisi vektör değerli kapsülleri sayesinde konum, hava koşulları, gemi türü ve zaman gibi değişkenler arasındaki mekânsal-zamansal hiyerarşiyi korurken; orangutanların besin arama ve yuva yapma davranışlarından esinlenen MOO algoritması kaotik haritayla keşif, gradyan tabanlı yerel aramayla da sömürü dengesini kurarak öğrenme oranı, kapsül sayısı ve düzenlileştirme katsayısı gibi kritik hiperparametreleri otomatik olarak optimize etmiştir.

Modelin deneysel değerlendirmesi yüzde 80 eğitim ve yüzde 20 test ayrımıyla gerçekleştirilmiş ve elde edilen bulgular önerilen yaklaşımın üstünlüğünü ortaya koymuştur. CapsNet-MOO çerçevesi %91,2 doğruluk oranına ulaşarak geleneksel CNN (%85,4), Destek Vektör Makineleri (%82,7) ve Rastgele Orman (%84,1) gibi temel modelleri anlamlı ölçüde geride bırakmıştır. Ayrıca Ortalama Mutlak Hata (0,041) ve Kök Ortalama Kare Hata (0,063) değerlerinde elde edilen düşüş tahmin kararlılığının arttığını doğrulamıştır. Kaza türlerine göre yapılan duyarlılık analizlerinde oturma (%93,1) ve çatışma (%91,8) gibi mekânsal-çevresel faktörlerle doğrudan ilişkili olaylarda en yüksek tahmin başarısına ulaşılırken, insan faktörünün baskın olduğu yangın vakalarında (%82,9) daha düşük başarım gözlenmiştir. Coğrafi ısı haritaları ve karar sınırı görselleştirmeleri modelin yüksek riskli dar boğazları ve liman yaklaşımlarını düşük yanlış alarm oranıyla tespit edebildiğini kanıtlamıştır.

Elde edilen sonuçlar deniz güvenliği literatüründe reaktif izleme modellerinden veri odaklı ve proaktif öngörü sistemlerine geçiş açısından stratejik bir katkı sunmaktadır. Yazar tartışmasında bulguların sadece kaza olasılığını hesaplamakla kalmayıp mekânsal konum parametrelerinin korunması sayesinde devriye rotalarının ve kurtarma varlıklarının önceden konuşlandırılmasına zemin hazırladığını vurgulamaktadır. Önceden yapılmış LSTM, Bayes ağları ve evrişimli sınır ağı çalışmalarına kıyasla CapsNet-MOO mimarisi, yüksek boyutlu gürültülü verilerde genelleştirme yeteneğini ve hiperparametre optimizasyon kararlılığını kanıtlamıştır. Bu çalışma, denizcilik tezi ve makale araştırmalarında özellikle akıllı ulaşım sistemleri, coğrafi bilgi sistemleri entegrasyonu ve kriz yönetimi odaklı yapay zekâ uygulamaları için somut bir metodolojik referans oluşturmaktadır.

# Araştırmanın amacı

Çalışmanın temel amacı, Küresel Denizde Tehlike ve Güvenlik Sistemi verilerini kullanarak deniz kazası sıcak noktalarını yüksek doğrulukla tahmin eden Kapsül Sınır Ağları ve Değiştirilmiş Orangutan Optimizasyon algoritması entegreli yapay zekâ odaklı bir tahmin çerçevesi geliştirmektir.

# Yöntem ve tasarım

Çalışmada Küresel Denizde Tehlike ve Güvenlik Sistemi veri kümesi üzerinde Kapsül Sınır Ağları mimarisi ile Değiştirilmiş Orangutan Optimizasyon algoritmasını birleştiren hibrit bir derin öğrenme ve meta-sezgisel optimizasyon yaklaşımı uygulanmıştır.

# Bulgular ve önermeler

1. Geliştirilen CapsNet-MOO modeli GMDSS veri kümesi üzerinde %91,2 sınıflandırma doğruluğuna ulaşarak geleneksel CNN (%85,4), SVM (%82,7) ve Rastgele Orman (%84,1) modellerini belirgin şekilde geride bırakmıştır.
2. Değiştirilmiş Orangutan Optimizasyonu kapsamındaki lojistik kaos haritası ve gradyan tabanlı yerel arama mekanizması, öğrenme oranını 0,003'e ve kapsül sayısını 12'ye getirerek modelin aşırı öğrenmesini önlemiş ve hata oranlarını düşürmüştür.
3. Kaza türü bazında yapılan tahmin analizlerinde CapsNet mimarisi, karaya oturma (%93,1) ve çatışma (%91,8) gibi belirgin mekânsal-zamansal kalıplara sahip kazalarda en yüksek başarıyı sergilemiştir.
4. Yangın olayları (%82,9 doğruluk), insan faktörü, elektrik arızaları ve yük yanıcılığı gibi GMDSS veritabanında doğrudan yer almayan değişkenlere bağlı olduğu için öngörülebilirliği en düşük kaza türü olmuştur.

# Yazarın tartışması

Deneysel bulgular, önerilen CapsNet-MOO çerçevesinin %91,2 genel doğruluk oranına ulaşarak geleneksel derin öğrenme ve makine öğrenmesi modellerinden belirgin biçimde üstün olduğunu göstermektedir. Bu yüksek başarım, mekânsal ısı haritaları ve karar sınırı görselleştirmeleri ile de desteklenmiş olup modelin yüksek riskli bölgeleri minimum yanlış alarm oranıyla tespit edebildiğini ortaya koymaktadır.

Yazarlar bu başarıyı iki temel yenilikle açıklamaktadır: İlk olarak Kapsül Sınır Ağlarının havuzlama işlemlerinde konum bilgisini kaybetmeyen vektörel yapısı sayısız mekânsal hiyerarşiyi korumaktadır. İkinci olarak Değiştirilmiş Orangutan Optimizasyon algoritmasındaki kaos haritası ve yerel arama mekanizması, kapsül ağının hiperparametrelerini en uygun değerlere getirerek yerel optimuma takılmayı önlemekte ve kararlılığı artırmaktadır.

Elde edilen sonuçlar literatürdeki LSTM ve standart CNN tabanlı çalışmalarla karşılaştırıldığında, özellikle çatışma ve karaya oturma gibi seyir odaklı kazaların tahmininde belirgin bir üstünlük sağlamaktadır. Ancak insan faktörüne ve teknik eksikliklere dayalı yangın gibi kaza türlerinde veri kısıtları nedeniyle başarının görece daha düşük kaldığı ve bu durumun veri merkezli yaklaşımların doğal bir sınırı olduğu tartışılmıştır.

Sonuç olarak çalışma, reaktif deniz emniyet sistemlerinin sunduğu gecikmeli müdahale sorununu aşmak adına proaktif bir tahmin modeli sunmaktadır. Gerçek zamanlı veri akışlarının sisteme dâhil edilmesi ve daha hafif model mimarilerinin geliştirilmesi, gelecekte gemi içi ve kıyı arama kurtarma komuta merkezlerinde doğrudan kullanılabilirliği artıracaktır.

# Yazarın sonucu

Çalışmanın temel amacı arama kurtarma kaynaklarının doğrudan tahsisi değil, deniz kazalarının gerçekleşebileceği sıcak noktaların önceden öngörülmesidir. Geliştirilen CapsNet-MOO çerçevesi mekânsal-zamansal bağımlılıkları başarıyla kavrayarak reaktif deniz emniyeti yönetiminden proaktif risk önleme yaklaşımına geçiş için güvenilir bir veri tabanı sağlamaktadır.

# Literatürdeki işlevi

Bu çalışma, deniz taşımacılığı emniyeti ve risk tahmini yazınında reaktif yaklaşımlardan proaktif ve veri odaklı tahmin modellerine geçişi temsil eden metodolojik bir dönüm noktası işlevi görmektedir. Geleneksel yapay sınır ağlarının evrişimli katmanlarında havuzlama işlemleri nedeniyle kaybolan mekânsal hiyerarşi ve konum bilgilerini Kapsül Sınır Ağları (CapsNet) kullanarak korumakta, böylece deniz ortamındaki karmaşık coğrafi ve çevresel bağımlılıkları başarıyla modellemektedir. Ayrıca Değiştirilmiş Orangutan Optimizasyon (MOO) algoritması entegrasyonuyla hiperparametre seçimini otomatize ederek makine öğrenmesi modellerinin genelleştirme ve kararlılık sınırlarını genişletmektedir.

Önceki çalışmalarla ilişkisi: Çalışma, literatürdeki evrişimli sınır ağları (CNN), destek vektör makineleri (SVM) ve rastgele orman (RF) gibi geleneksel makine öğrenmesi modellerinin yanı sıra arama-kurtarma kaynak tahsisinde kullanılan LSTM ve K-medoids tabanlı yaklaşımların sınırlılıklarına doğrudan yanıt vermektedir. Önceki araştırmalar genellikle durağan kurallara veya mekânsal hiyerarşileri yakalayamayan skaler çıktılı modellere dayanırken, bu makale nesne parçası ve bütünü arasındaki mekânsal-zamansal ilişkileri dinamik yönlendirme mekanizmasıyla öğrenmektedir. İki boyutlu özellik uzayında tanımlanan kaza riski kalıplarını literatürdeki diğer sürü zekası algoritmalarından (PSO, GA, GWO, WOA, HHO) daha hızlı ve daha düşük hatayla sınıflandırarak literatürdeki yöntemsel boşluğu doldurmaktadır.

Literatür taramasına katkısı: Literatür taraması yapan araştırmacılar için bu çalışma, akıllı ulaşım sistemleri, arama-kurtarma planlaması ve yapay zekâ optimizasyonu disiplinlerinin kesişim noktasında kapsamlı bir metodolojik çerçeve sunmaktadır. Deniz güvenliği literatüründe sıkça karşılaşılan eksik veri, gürültülü sensör kayıtları ve dengesiz sınıf dağılımları gibi ampirik sorunların ön işleme ve kaos haritası destekli optimizasyon ile nasıl çözülebileceğini somut olarak göstermektedir. Ayrıca kaza türlerine göre öngörülebilirlik düzeylerinin değiştiğini ampirik olarak kanıtlayarak, gelecekteki araştırmaların seyir odaklı kazalar ile insan faktörüne dayalı kazaları ayrıştırarak ele alması gerektiği yönünde kuramsal bir rehberlik sağlamaktadır.

# Tez ve makale araştırmalarında kullanım

- **Geleneksel deniz emniyeti yönetim sistemleri reaktif yapıları ve reallink veri işleme eksiklikleri nedeniyle kaza öncesi proaktif müdahalede yetersiz kalmaktadır.** — Geleneksel arama-kurtarma sistemlerinin gecikmeli müdahale süreleri, sezgisel kaynak tahsisi ve mekânsal veri karmaşıklığıyla mücadele edemediği iddiasını desteklemek için Giriş bölümündeki mantıksal çerçeveden yararlanılır.
- **Kapsül Sınır Ağlarının biyo-esintili optimizasyon algoritmalarıyla entegrasyonu, mekânsal hiyerarşik verilerin sınıflandırılmasında temel CNN ve SVM modellerine göre daha yüksek doğruluk ve düşük hata oranı sağlar.** — Derin öğrenme modellerinde hiperparametre optimizasyonunun önemini ve CapsNet yapısının mekânsal verilerdeki başarımını ampirik kanıtlarla yöntemsel olarak temellendirmek için kullanılır.
- **Deniz kazalarının türlerine göre öngörülebilirlik düzeyleri farklılık göstermekte; karaya oturma ve çatışma gibi seyir odaklı kazalar yüksek doğrulukla tahmin edilebilirken yangın gibi insan faktörlü kazalar daha düşük tahmin başarısına sahiptir.** — Elde edilen ampirik kaza türü tahmin bulgularının literatürdeki veri kısıtlılıkları ve insan faktörü tartışmalarıyla karşılaştırılmasında referans olarak kullanılır.

# Türetilebilir araştırma soruları

- **Çanakkale Boğazı gibi dar ve yoğun deniz trafiğine sahip kısıtlı alanlarda gerçek zamanlı Otomatik Tanımlama Sistemi (AIS) verileri CapsNet-MOO modeli ile işlendiğinde çatışma riski kaza oluşmadan kaç dakika önce %90 üzeri doğrulukla öngörülebilir?**
  - Desen: Boğaz geçişi yapan tüm gemilerin 1 yıllık AIS konum, hız ve rota verileri ile anlık meteoroloji verileri toplanacaktır. Örneklem büyüklüğü güç analizi ile belirlenecektir. Veriler CapsNet-MOO ve baseline modelleri ile analiz edilip kaza sıcak noktaları zamansal erim boyutunda karşılaştırılacaktır.
  - Gerekçe: Makalenin tartışma bölümünde yer alan gerçek zamanlı canlı veri akışlarının sisteme dahil edilmesi gelecekteki araştırma çağrısından ve çatışma kazalarındaki yüksek öngörülebilirlik bulgusundan türetilmiştir.
- **Gemi bakım jurnalleri, mürettebat tecrübe seviyesi ve yük türü verilerinin makine öğrenmesi modellerine eklenmesi, deniz yangını olaylarının tahmin doğruluğunu anlamlı şekilde artırır mı?**
  - Desen: Denizcilik şirketlerinden elde edilecek geçmiş yangın ve yakın kaza kayıtları ile mürettebat profil verileri nicel veri setine dönüştürülecektir. Nitel veriler için veri doygunluğu ilkesi gözetilecektir. Rastgele Orman ve CapsNet modelleri kurularak insan faktörlü kaza tahmini sınanacaktır.
  - Gerekçe: Makalede yangın olaylarının %82,9 ile en düşük tahmin doğruluğuna sahip olması ve yazarın bunun sebebini GMDSS verisinde insan ve operasyonel faktörlerin eksikliğine bağlamış olması bulgusundan türetilmiştir.
- **Sensör düğümleri ve gemi içi kısıtlı donanımlarda çalışabilen hafifletilmiş bir CapsNet modeli, orijinal MOO-CapsNet modeline kıyasla işlem süresini ne oranda azaltır ve tahmin doğruluğundan ne kadar ödün verir?**
  - Desen: Orijinal CapsNet mimarisindeki kapsül sayıları ve katman boyutları seyreltilerek gömülü sistem kartlarında (edge computing) simüle edilecektir. İki modelin bellek kullanımı, FPS işleme hızı ve RMSE hata değerleri deneysel tasarım ile karşılaştırılacaktır.
  - Gerekçe: Makalenin sonuç ve tartışma kısmında belirtilen, MOO algoritmasının hesaplama yükünün kısıtlı deniz platformlarında sınır oluşturduğu ve gelecek çalışmalarda hafifletilmiş sürümlerin geliştirilmesi gerektiği sınırlılık çağrısından türetilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | KEYWORDS | 1 | — | KEYWORDS maritime safety, capsule neural networks, modi fi ed orangutan optimization algorithm, predictive analytics, accident hotspot prediction, geospatial heatmaps |
| ev-o-2 | 1 Introduction | 2 | — | This paper ’ s main contribution is developing a predictive framework that would apply Capsule Neural Networks (CapsNets) along with the Modi fi ed Orangutan Optimization (MOO) alg |
| ev-s-1 | 5.2 Comparison with baseline models | 13 | — | With the delivery of an accuracy value of 91.2%, the proposed model is an obvious improvement upon the traditional CNNs with the value of 85.4%, SVMs with the value of 82.7%, and R |
| ev-s-3 | 5.8 Predictability analysis by accident type | 18 | — | The MOO-CapsNet model attains the highest accuracy, slightly above 93.1% for Grounding and 91.8% for Collision, largely motivated by the well-documented spatial-temporal causative  |
| ev-s-4 | 5.8 Predictability analysis by accident type | 18 | — | Fire (the least predictable at 82.9%) strongly depends on human factors (e.g., electrical faults, crew error, cargo type) and speci fi c conditions that can scarcely be captured by |
| ev-s-5 | 7 Conclusions | 20 | — | The fi rst and foremost goal of this work, which we should state clearly, is to predict the locations of maritime accidents and not to directly optimize the allocation of rescue re |
| ev-s-6 | 2 Literature review | 4 | — | In comparison with the current MSAR resource emergency response n etwork, the optimal strategy decreased the allocation costs and response time by 6.15% and 11.32%, respectively. |
| ev-l-1 | 1 Introduction | 2 | — | Despite advances in navigation technology and safety features, challenges still exist in responding to marine distress. |
| ev-l-2 | 5.2 Comparison with baseline models | 13 | — | With the delivery of an accuracy value of 91.2%, the proposed model is an obvious improvement upon the traditional CNNs with the value of 85.4%, SVMs with the value of 82.7%, and R |
| ev-l-3 | 5.8 Predictability analysis by accident type | 18 | — | The MOO-CapsNet model attains the highest accuracy, slightly above 93.1% for Grounding and 91.8% for Collision, largely motivated by the well-documented spatial-temporal causative  |
| ev-l-4 | 6 Discussions | 19 | — | However, the framework shows lower accuracy when predicting the fi re incidents (accuracy: 82.9%), presumably because the human and operational factors, including crew training, el |

# İlgili kavramlar

- [Üniversite Öğrencilerinde Akademik Stres Sınıflandırması İçin Açıklanabilir Makine Öğrenmesi Çerçevesi: Çoklu Veri Kümeli Karşılaştırmalı Çalışma](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/universite-ogrencilerinde-akademik-stres-siniflandirmasi-icin-aciklanabilir-makine-ogrenmesi-cercevesi-coklu-veri-kumeli-karsilastirmali-calisma.md)
- [Kentsel Elektrikli Otobüslere Kablosuz Şarj Sistemlerinin Entegrasyonu: Adana Şehri İçin Teknik ve Ekonomik Fizibilite Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-elektrikli-otobuslere-kablosuz-sarj-sistemlerinin-entegrasyonu-adana-sehri-icin-teknik-ve-ekonomik-fizibilite-analizi.md)
- [Kentsel toplu taşımada sera gazı emisyonlarının azaltılması için alternatif araç uygulamalarının incelenmesi: Adana ili örneği](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-toplu-tasimada-sera-gazi-emisyonlarinin-azaltilmasi-icin-alternatif-arac-uygulamalarinin-incelenmesi-adana-ili-ornegi.md)
- [Diyabetin Tahmini, Teşhisi ve Yönetiminde Makine Öğrenmesi ve Derin Öğrenme Modellerinin Güncel Uygulamaları: Kapsamlı Bir Derleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/diyabetin-tahmini-teshisi-ve-yonetiminde-makine-ogrenmesi-ve-derin-ogrenme-modellerinin-guncel-uygulamalari-kapsamli-bir-derleme.md)
- [Dünyadaki ve Türkiye'deki E-Dilekçe Portalları ile CİMER'in Yönetişim İlkeleri ve Yapay Zeka/Büyük Veri Perspektifi Bağlamında Değerlendirilmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dunyadaki-ve-turkiyedeki-e-dilekce-portallari-ile-cimerin-yonetisim-ilkeleri-ve-yapay-zekabuyuk-veri-perspektifi-baglaminda-degerlendirilmesi.md)
- [Kuantum Hesaplama: Temeller, Algoritmalar ve Gelişmekte Olan Uygulamalar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-temeller-algoritmalar-ve-gelismekte-olan-uygulamalar.md)
- [Doğal Dil Üretim Modellerinde Insan-Bilgisayar Etkileşimi ve Görselleştirme: Uygulamalar, Zorluklar ve Fırsatlar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dogal-dil-uretim-modellerinde-insan-bilgisayar-etkilesimi-ve-gorsellestirme-uygulamalar-zorluklar-ve-firsatlar.md)
- [Kuantum Hesaplama Sistemleri İçin Uygulama Odaklı Performans Karşılaştırma Testleri ve Hacimsel Analiz Yöntemi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-sistemleri-icin-uygulama-odakli-performans-karsilastirma-testleri-ve-hacimsel-analiz-yontemi.md)

# Şeffaflık

- Analiz tarihi: 2026-09-01T14:40:12.775Z
- Kanıt sayısı: 11
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/degistirilmis-orangutan-optimizasyon-algoritmasi-ile-optimize-edilmis-kapsul-sinir-agi-kullanilarak-deniz-kazasi-sicak-noktalarinin-ongorucu-analizi