TERDİL akademisyenlere kaliteli çeviri hizmeti sunmaktadır.  Kelimelerin gücünü kullanarak akademisyenlerin dünya çapında çalışmalarını sınır tanımadan yaymalarını sağlamaktayız.

Akademik çeviri çok detaylı alan bilgisi ve uzmanlığı gerektiren bir iştir. İyi bir dil ustalığı alan uzmanlığı olmadan pek bir çözüm sunamayacağı için, TERDİL alan uzmanlığı olan uzmanlarla çalışarak çeviri süreçlerini yönetmektedir. 

Konferans bildirileriniz, master, doktora tezleriniz ve her türlü akademik yayın çevirilir ve revize edilir. Akademik projeleriniz itina ile yayına hazır hale getirilir. 

Bazı örnekleri aşağıda bulabilirsiniz. 

BILGISAYAR BILIMLERI AKADEMİK ÇEVİRİ: 

TÜRKÇE

Metinsel veri madenciliği büyük miktarlardaki metinsel verilerden faydalı bilgilerin çıkarılması veya bunların otomatik olarak organize edilmesini içerir. Büyük miktarlarda metinsel belgenin otomatik olarak organize edilmesinde metin sınıflandırma algoritmaları önemli bir rol oynar. Bu alanda kullanılan sınıflandırma algoritmaları “eğitimli” (supervised), kümeleme algoritmaları ise “eğitimsiz” (unsupervised) olarak adlandırılırlar. Bunların ortasında yer alan “yarı-eğitimli” (semisupervised) algoritmalar ise etiketli verinin yanı sıra bol miktarda bulunan etiketsiz veriden faydalanarak sınıflandırma başarımını arttırabilirler. Metinsel veri madenciliği algoritmalarında geleneksel olarak kelime sepeti (bag-of-words) olarak tabir edilen model kullanılmaktadır. Kelime sepeti modeli metinde geçen kelimeleri bulundukları yerden ve birbirinden bağımsız olarak değerlendirir. Ayrıca geleneksel algoritmalardaki bir başka varsayım ise metinlerin birbirinden bağımsız ve eşit olarak dağıldıklarıdır. Sonuç olarak bu yaklaşım tarzı kelimelerin ve metinlerin birbirleri arasındaki anlamsal ilişkileri göz ardı etmektedir. Metinsel veri madenciliği alanında son yıllarda özellikle kelimeler arasındaki anlamsal ilişkilerden faydalanan çalışmalara ilgi artmaktadır. Anlamsal bilginin kullanılması geleneksel makine öğrenmesi algoritmalarının başarımını özellikle eldeki verinin az, seyrek veya gürültülü olduğu durumlarda arttırmaktadır. Gerçek hayat uygulamalarında algoritmaların eğitim için kullanacağı veri genellikle sınırlı ve gürültülüdür. Bu yüzden anlamsal bilgiyi kullanabilen algoritmalar gerçek hayat problemlerinde büyük yarar sağlama potansiyeline sahiptir. Bu projede, ilk aşamada eğitimli metinsel veri madenciliği için anlamsal algoritmalar geliştirdik. Bu anlamsal algoritmalar metin sınıflandırma ve özellik seçimi alanlarında performans artışı sağlamaktadır. Projenin ikinci aşamasında ise bu yöntemlerden yola çıkarak etiketli ve etiketsiz verileri kullanan yarı-eğitimli metin sınıflandırma algoritmaları geliştirme faaliyetleri yürüttük. Proje süresince 5 yüksek lisans tezi tamamlanmış, 1 Doktora tezi tez savunma aşamasına gelmiş, 2 adet SCI dergi makalesi yayınlanmış, 8 adet bildiri ulusal ve uluslararası konferanslar ve sempozyumlarda sunulmuş ve yayınlanmıştır. Hazırlanan 2 adet dergi makalesi ise dergilere gönderilmiş ve değerlendirme aşamasındadır. Projenin son aşamasındaki bulgularımızı içeren 1 adet konferans bildirisi 2 adet dergi makalesi de hazırlık aşamasındadır. Ayrıca proje ile ilgili olarak üniversite çıkışlı bir girişim şirketi (spin-off) kurulmuştur.

COMPUTER SCIENCE AKADEMİK ÇEVİRİ
ENGLISH

Textual data mining consists of deriving useful information from large quantities of textual data or organizing these automatically. Text classification algorithms play an important role in automatically organizing the large amount of textual documents. The classification algorithms used in this field are called supervised while the grouping algorithms are called unsupervised. The semi-supervised algorithms that are in between these two, may increase the classification success making use of the tagged along with untagged data that exists in big masses. In textual data mining algorithms, the model that is traditionally referred to as the bag-of-words is used. The bag-of-words model evaluates the words in the text independent of the context and unrelated to IN addition, another conjecture in traditional algorithms is that texts are distributed equally and independent of each other. Thus, this approach disregards the semantic relationship between the texts and the words. The interest in the studies that make use of the lexical interrelationship among words began to increase in recent years. The use of lexical information increases the success of traditional machine learning algorithms, especially in cases when the data at hand is little, sparse, or noisy. In real life applications, the data that the algorithms use for education is usually limited and noisy.  For this reason, the algorithms that  are used in real-life applications have a potential to greatly benefit real-life problems. In this project, we developed lexical algorithms for supervised textual data mining in the first phase. These lexical algorithms provide performance increases in text classification and feature selections. In the second phase of the project, we engaged in efforts to develop semi-supervised textual classification algorithms making use of tagged and untagged data based on these methods.  In the lifetime of the project, there are 5 master theses completed in this project’s timeframe; there is one doctoral thesis which is in the process of the defense, there are two articles published in Science Citation Index (SCI) journals, and there are 8 conference proceedings presented and published in national and international conferences and symposiums. In addition, there are two prepared journal articles that are sent to two different journals and are in the process of evaluation. In the last phase of the project, there is conference paper prepared and two journal papers in the process of being prepared which includes our findings in this project. Likewise, there is a spin-off company established as a university start-up related to this project.