Bilgisayar Mühendisliği Tez Danışmanlığı

Bilgisayar mühendisliği tezlerinin çoğu, önerilen bir yöntemin (algoritma, model mimarisi, sistem tasarımı) literatürdeki mevcut yaklaşımlardan daha iyi performans gösterdiğini deneysel olarak kanıtlamaya çalışır. Bu nedenle "baseline karşılaştırması" alanın neredeyse zorunlu bir metodolojik bileşenidir.

Yapay zeka ve makine öğrenmesi tezlerinde model performansı tek bir metrikle (örneğin yalnızca doğruluk oranı) raporlanmamalı; dengesiz veri setlerinde doğruluk yanıltıcı olabileceğinden kesinlik, geri çağırma, F1 skoru ve ROC-AUC gibi tamamlayıcı metriklerin birlikte sunulması bekleniyor.

Siber güvenlik tezlerinde araştırma etiği özel bir önem taşıyor; saldırı senaryoları veya zafiyet analizleri yalnızca izole test ortamlarında yürütülmeli, gerçek sistemlere yönelik izinsiz erişim içeren hiçbir çalışma akademik olarak kabul edilmiyor.

Kaynak kodun teze eklenmesi giderek yaygınlaşan bir uygulama; GitHub deposu linki ile desteklenen bir tez, tekrarlanabilirlik (reproducibility) açısından güçlü bir sinyal veriyor — bazı jüriler bu şeffaflığı doğrudan olumlu değerlendiriyor.

Alanın hızlı değişen doğası nedeniyle (özellikle derin öğrenme ve büyük dil modelleri gibi konularda), literatür taramasının son 2-3 yılın çalışmalarına ağırlıklı olarak odaklanması, tezin güncelliğini korumak açısından önemli.

Veri sızıntısı (data leakage), makine öğrenmesi tezlerinde en sık rastlanan metodolojik hatalardan biri; eğitim ve test verisinin doğru ayrıştırılmadığı durumlarda model performansı yapay biçimde yüksek çıkar. Çapraz doğrulama (k-fold cross-validation) uygulaması ve veri ayrıştırma stratejisinin metodoloji bölümünde açıkça belirtilmesi, bu riski göstermenin standart yolu.

Yüksek lisans öğrencilerinin bir kısmı yazılım sektöründe çalışıyor; kendi şirketlerinin bir teknik sorununu (performans darboğazı, güvenlik açığı, ölçeklenebilirlik sınırı) tez konusu haline getirdiklerinde hem gerçek sistem verisine erişiyorlar hem de bulgular doğrudan uygulanabilir hale geliyor.