Geri Dön

Kod üretimi için derin öğrenme yöntemlerinin karşılaştırılması: java dilinde uygulamalar

Comparison of deep learning methods for code generation: applications in the java language

PDF İndir

  1. Tez No: 942783
  2. Yazar: FURKAN BAŞTÜRK
  3. Danışmanlar: DOÇ. DR. ERGÜN GÜMÜŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Bursa Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 87

Özet

İnsanlar, duygu ve düşüncelerini diğer insanlara aktarma isteği insanın doğasında bulunur. Bu aktarımları sağlayabilmek için araçlar kullanmaya çalışır. Bu araçlardan en önemli olanı dildir. Dil, insanların birbirlerini anlamasını sağlayan araçtır. İnsanların iletişim kurma isteği, birbirleriyle iletişim kurmanın ötesine geçerek çevreyle iletişim kurma isteğini de artırmıştır. İnsanların çevresindeki makinelerle iletişim kurma çabası da artmıştır. Özellikle insanların duygu ve düşüncelerini makinelere aktarma isteğiyle programlama dillerinin ortaya çıkması sağlanmıştır. Programlama dillerinin doğal dillere göre farklı yapılarda olsalar da insanlar bir dil olarak düşünmüşlerdir. Bu düşünceler, programlama dilleriyle doğal diller arasında çeviri uygulamaları fikrini geliştirmiştir. Günümüzde teknolojinin ve yapay zekanın gelişmesiyle birlikte bu çalışmalar üzerinde önemli ilerlemeler yapılmıştır. Özellikle donanımsal anlamda gelişmeler sağlanması, derin öğrenme yöntemlerine olan ilginin tekrar artmasını sağlamıştır. Bu tez çalışmasında, doğal dillerden programlama dillerine otomatik kod üretimi süreçlerinde derin öğrenme modellerinin rolü kapsamlı bir şekilde ele alınmıştır. Çalışmanın temel amacı, metin tabanlı kod üretimi için kullanılan Uzun Kısa Süreli Bellek (LSTM) modeli ile dikkat mekanizmasına sahip LSTM tabanlı kodlayıcı-kod çözücü (encoder-decoder) mimarisini karşılaştırarak bu modellerin etkinliğini analiz etmektir. Kod üretim süreci, günümüzde yazılım mühendisliğinde otomasyonu artırarak verimliliği yükselten önemli bir alan olarak öne çıkmaktadır. Çalışmada, temel olarak LSTM modeli kullanılarak kod üretimi süreçleri simüle edilmiş ve performans analizleri gerçekleştirilmiştir. LSTM modeli, sıralı verilerle çalışabilme kapasitesi ve uzun vadeli bağımlılıkları öğrenme yeteneği ile bilinmektedir. Ancak, uzun ve karmaşık metinlerden kod üretiminde yetersiz kalabilmektedir. Bu eksikliklerin giderilmesi amacıyla, LSTM tabanlı kodlayıcı-kod çözücü mimarisine dikkat mekanizması eklenmiştir. Dikkat mekanizması, modelin önemli girdilere odaklanmasını sağlayarak daha doğru ve tutarlı kod üretimine katkıda bulunmaktadır. Bu çalışmada, her iki modelin performansı belirli ölçütler çerçevesinde analiz edilmiştir. Karşılaştırmalar sonucunda, dikkat mekanizmasına sahip LSTM tabanlı kodlayıcı-kod çözücü mimarisinin kod üretimi süreçlerinde daha etkili olduğu görülmüştür. Bu çalışma, derin öğrenme modellerinin yazılım geliştirme süreçlerinde sunduğu potansiyeli ortaya koymakta ve doğal dilden programlama diline dönüşüm gibi yenilikçi uygulamalara dikkat çekmektedir. Tez kapsamında elde edilen bulgular, kod üretimi ve yazılım geliştirme alanlarında derin öğrenme modellerinin kullanımını teşvik edecek nitelikte olup, bu alanda yürütülecek gelecekteki araştırmalara katkı sağlamayı amaçlamaktadır. Bu doğrultuda çalışma, yapay zeka ve yazılım mühendisliği disiplinlerinde araştırmacılar için yeni bakış açıları sunmaktadır.

Özet (Çeviri)

Human beings have the desire to transfer their feelings and thoughts to other people. They try to use tools to provide these transfers. The most important of these tools is language. Language is the tool that enables people to understand each other. The desire of people to communicate has expanded from communicating with each other and increased the desire to communicate with the environment. People's efforts to communicate with the machines around them have also increased. Especially the desire of people to transfer their feelings and thoughts to machines has led to the emergence of programming languages. Although programming languages have different structures compared to natural languages, people have thought of them as a language. These ideas have developed the idea of translation applications between programming languages and natural languages. Today, with the development of technology and artificial intelligence, significant progress has been made on these studies. Especially hardware developments have led to a renewed interest in deep learning methods. In this thesis, the role of deep learning models in automatic code generation from natural languages to programming languages is extensively discussed. The main objective of the study is to analyse the effectiveness of these models by comparing the Long Short-Term Memory (LSTM) model for text-based code generation with the LSTM-based encoder-decoder architecture with an attention mechanism. Today, code generation processes are an important area that increases automation and efficiency in software engineering. In this study, code generation processes are simulated, and performance analyses are performed using the LSTM model. The LSTM model is known for its capacity to work with sequential data and its ability to learn long-term dependencies. However, it may be insufficient in generating code from long and complex texts. To overcome these deficiencies, an attention mechanism has been added to the LSTM-based encoder-decoder architecture. The attention mechanism contributes to more accurate and consistent code generation by enabling the model to focus on important inputs. In this study, the performance of both models is analysed within the framework of certain criteria. As a result of the comparisons, it was found that the LSTM-based encoder-decoder architecture with attention mechanism is more effective in code generation processes. This study demonstrates the potential of deep learning models in software development processes and draws attention to innovative applications such as natural language to programming language conversion. The findings obtained within the scope of the thesis are of nature to encourage the use of deep learning models in code generation and software development areas and aim to contribute to future research in this field. In this direction, the study offers new perspectives for researchers in artificial intelligence and software engineering disciplines.

Benzer Tezler

  1. Tez No

    956984

    Farklı mutasyon stratejileri kullanılarak XML temelli sistemlerde güvenlik zafiyetlerinin fuzz testi ile tespiti

    Detection of security vulnerabilities in XML-based systems with fuzz testing using different mutation strategies

    ŞERAFETTİN ŞENTÜRK

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NEJAT YUMUŞAK

    DR. VAHİD GAROUSİ

  2. Tez No

    807231

    Oyun karakteri üretimi için üretken modeller

    Generative models for game character generation

    FERDA GÜL AYDIN EMEKLİGİL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  3. Tez No

    736619

    A multi-fidelity prediction framework with convolutional neural networks using high-dimensional data

    Yüksek boyutlu veriler ile çok-doğruluklu evrişimsel sinir ağı tabanlı kestirim

    HÜSEYİN EMRE TEKASLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİKE NİKBAY

  4. Tez No

    949308

    Investigating the performance of super-resolved remote sensing images on coastline segmentation with deep learning-based methods

    Derin öğrenme tabanlı yöntemlerle kıyı şeridi segmentasyonunda süper çözünürlüklü uzaktan algılama görüntülerinin performansının araştırılması

    İLHAN PALA

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. UĞUR ALGANCI

  5. Tez No

    569533

    Yeni doğan bebeklerin termal görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması

    Classification of thermal images of neonates with deep learning methods

    AHMET HAYDAR ÖRNEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

Geri Dön