Güvenoğlu, ErdalKızılırmak, Emir2024-07-122024-07-1220232023-09Kızılırmak, E. (2023). Derin öğrenme kullanılarak İngilizce – Türkçe çeviriler için cümle eşleme sistemi / Sentence alignment for English to Turkish translations by using deep learning system. (Yayımlanmamış Doktora Tezi). Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.https://hdl.handle.net/20.500.12415/12552Doğal dil işleme, yapay zekânın ve dil biliminin gelişimiyle son yıllarda önem kazandı. Çeviri şirketlerinin yapmış olduğu, “Türkçe’den İngilizce’ye - İngilizce’den Türkçe’ye” birebir çevirileri veya web site çevirilerinde cümlelerin sırasının değişmesi veya rastgele sıralanması sonucunda, cümleleri tekrar düzenlemek için insan gücüne ihtiyaç duyulmaktadır. Doğal dil işleme alanında, cümle eşleştirme işlemiyle ilgili çeşitli algoritmalar vardır. Bu çalışmada, makine öğrenmesinin alt dalı olan derin öğrenme kullanılarak İngilizce - Türkçe çeviri metinler için efektif eşleştirme yöntemleri bulunmaya çalışıldı. Geliştirilen bir derin öğrenme yöntemiyle internetten çeşitli kaynaklardan veri kümeleri toplandıktan sonra belirli filtrelerden geçmesiyle birlikte eleme ve düzenleme işlemi yapıldı. Mevcut modellerin başarısı karşılaştırıldıktan sonra toplanan veri setinin eğitimiyle mevcut başarılı modellerden daha başarılı bir model elde edilmesiyle birlikte kosinüs benzerliği ile karşılaştırma yapıldı.Natural language processing has gained importance in recent years with the development of artificial intelligence and linguistics. In “Turkish to English - English to Turkish” one-to-one translations by translation companies or in website translations, the order of sentences is changed or randomized, requiring manpower to rearrange the sentences. In the field of natural language processing, there are various algorithms for sentence alignment. In this study, deep learning, a sub-branch of machine learning, is used to find effective matching methods for English-Turkish translated texts. With a deep learning method developed, datasets were collected from various sources from the internet and then sifted and organized through certain filters. After comparing the success of existing models, a more successful model was obtained by training the collected dataset and a comparison was made with cosine similarity.trinfo:eu-repo/semantics/openAccessDerin öğrenmeDoğal dil işlemeCümle eşleme sistemiDeep learningNatural language processingSentence alignmentDoctoral Thesis