Posts | Ferhat Ozgur Catak

Posts

A GENERATIVE MODEL BASED ADVERSARIAL SECURITY OF DEEP LEARNING AND LINEAR CLASSIfiER MODELS____________________ A PREPRINT Ferhat Ozgur Catak Simula Research laboratory Oslo, Norway ozgur@simula.no Samed Sivaslioglu TUBITAK BILGEM, Kocaeli, Turkey samedsivaslioglu@gmail.com Kevser Sahinbas Department of Management Information System Istanbul Medipol University Istanbul, Turkey ksahinbas@medipol.edu.tr October 17, 2020 ABSTRACT In recent years, machine learning algorithms have been applied widely in various fields such as health, transportation, and the autonomous car.

CONTINUE READING

Adversarial Machine Learning Mitigation: Adversarial Learning

CONTINUE READING

Homomorphic encryption based border control

CONTINUE READING

Hadoop Mapreduce based Extreme learning machine for Big Data

CONTINUE READING

CONTINUE READING

CONTINUE READING

CONTINUE READING

1. Hafta Lab: Doğrusal Regresyon BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon yöntemini sentetik bir kümesine uygulayacağız. # kutuphaleri yukle import pandas as pd import matplotlib.pyplot as plt Pandas kütüphanesi kullanarak ds1.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. verikumesi değişkenin boyutları (21,2) olduğu bulunur. 21 satır ve 2 sütundan oluşmaktadır. $verikumesi \in \mathbb{R}^{21 \times 2}$

CONTINUE READING

2. Hafta Lab-1: Analitik Çözüm - Normal Denklem BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon probleminin analitik çözümünde kullanılan normal denklemi sentetik bir kümesine uygulayacağız. import pandas as pd import numpy as np Pandas kütüphanesi kullanarak ds2.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. # veri kumesini oku verikumesi = pd.read_csv("ds2.txt",delimiter="\t") verikumesi .

CONTINUE READING

2. Hafta Lab-2: Regularization BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon probleminin gradient descent çözümünde kullanılan regularization yöntemini sentetik bir kümesine uygulayacağız. import numpy as np import pandas as pd from sklearn.linear_model import SGDRegressor Pandas kütüphanesi kullanarak ds2.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. # veri kumesini oku verikumesi = pd.read_csv("ds2.txt",delimiter="\t") X = verikumesi.

CONTINUE READING