Theses supervised by Doç. Dr. Çiğdem Erol
10 theses · İstanbul University
Topluluk öğrenmesi yöntemi ile mikrodizi veri analizi
Topluluk öğrenme yöntemi, tek bir algoritmadan elde edilenden daha iyi bir sınıflandırma veya tahmin sonucuna sahip olmak için birçok makine öğrenimi algoritmasını birleştirmekten oluşan bir makine öğrenimi tekniğidir. Son zamanlarda, topluluk öğrenme, çoğunlukla örüntü tanıma, öznitelik seçimi ve sınıflandırma gibi farklı amaçlar için birçok alanda kullanılan yoğun ve yaygın bir makine öğrenimi tekniği olarak görülmektedir. Torbalama (Bagging), Yükseltme (Boosting), Rasgele Orman (Random Forest), İstifleme (Stacking) en popüler ve yaygın olarak kullanılan topluluk öğrenme yöntemleridir. Topluluk öğrenmesinin avantajlarından biri, yüksek boyutlu ve karmaşık veri yapılarıyla başa çıkma yeteneğidir, yani topluluk öğrenmesi, veri kümelerinin varyansını azaltmaya yardımcı olur ve daha doğru sonuçlar sağlar. Mikrodizi analizi, hastalıkların erken tespiti ve sınıflandırılmasına, hastalıklarla ilgili genlerin veya biyobelirteçlerin bulunmasına ve ilaçların bulunmasına yardımcı olabilecek sonuçlar sağlamayı amaçlayan bir biyoenformatik yöntemdir. Bu nedenle, mikrodizi analizi ile elde edilen verinin çok dikkatli bir şekilde analiz edilmesi gerekmektedir. Mikrodizi veri analizinde, hastalık durumlarını tahmin etmek, hastalıkla ilgili genleri bulmak ve ayrıca örüntü tanımak amacıyla makine öğrenmesi algoritmaları kullanılmaktadır. Ancak, bu algoritmaların karşılaştığı yaygın büyük sorunlardan biri, küçük örnek boyutu ve mikrodizi veri setlerinin yüksek boyutluluğudur, çoğunlukla modellerin aşırı uyum göstermesine yol açan yüksek bir varyansın varlığı ile karakterize edilir ve bahsedilen yüksek varyans sorunu, birçok çalışmada vurgulanmıştır. Bu tezin amacı, topluluk öğrenme yöntemlerini kullanarak mikrodizi verisetlerindeki varyansı azaltmaya çalışmaktır. Bu amaçla NCBI GEO veri tabanında yer alan GSE19804 kodlu küçük hücreli olmayan akciğer kanseri veri seti kullanılmıştır. Bu çalışma çerçevesinde iki tür makine öğrenmesi modeli uygulanmıştır; biri istifleme topluluk öğrenmesine ve diğeri bir algoritmaya dayalıdır. Analizin başında seçilen 12 algoritmadan 7'si yani Radyal Destek Vektör Makinesi, Doğrusal Ayırıcı Analizi, k-En Yakın Komşular, C5.0, CART, Öznitelik Çıkarımlı Sinir Ağları, Genelleştirilmiş Doğrusal Model algoritmaları analizde kullanılmıştır. Sonuç olarak, analizlerimiz istifleme topluluk öğrenme modellerinin basit modellere kıyasla daha düşük varyansa sahip olduğunu göstermiştir.
Diyabetik ayak hastalarının ampütasyon riskinin yapay zekâ teknikleri ile öngörülmesi
Diyabetik ayak sendromuna bağlı gelişen diyabetik ayak ülserleri, yüksek morbidite ve mortalite ile karakterize olup hastalar için ampütasyon gibi hayati sonuçları olabilen diyabetin en önemli komplikasyonları arasında bulunmaktadır. Bu doktora tez çalışmasının temel amacı diyabetik ayak hastalarının ampütasyon riskinin yapay zekâ-makine öğrenmesi sınıflandırma algoritmaları kullanılarak öngörülmesidir. Çalışmada kullanılan veri seti, İstanbul Üniversitesi Tıp Fakültesi Sualtı Hekimliği ve Hiperbarik Tıp Anabilimdalı'nda diyabetik ayak infeksiyonu tanısıyla Ocak 2009 – Eylül 2019 tarihleri arasında tedavi görmüş ve takip süreçleri sonlanmış 407 hastayı içermektedir. Bu tez çalışmasında, diyabetik ayak hastaları retrospektif olarak değerlendirilmiş, hastaların başvuru anındaki demografik ve klinik özellikleri ile takip ve tedavi sonucu sağlanan fayda ve ampütasyon ilişkisi yapay zekâ teknikleri ile açığa çıkarılmıştır. Araştırmada yöntem olarak Veri Tabanlarında Bilgi Keşfi süreci takip edilmiştir. Veri setindeki diyabetik ayak hastalığına ilişkin en önemli nitelikler Temel Bileşenler Analizi yoluyla belirlenmiştir. Bu tez çalışmasında diyabetik ayak hastalarının hem genel hem de majör ve minör ampütasyon riskinin öngörülmesi için çeşitli tahmin/sınıflandırma modelleri oluşturulmuştur. Bu modellerin kurulmasında, k-En Yakın Komşu algoritması, Sade Bayes Sınıflandırıcı, Sınıflandırma ve Regresyon Ağaçları algoritması (CART), Rastgele Orman Algoritması, Yapay Sinir Ağları, Aşırı Öğrenme Makineleri, Destek Vektör Makineleri, Lojistik Regresyon ve XGBoost algoritmalarından yararlanılmıştır. Hiperparametre optimizasyonu için ayrıca Genetik Algoritma ve Parçacık Sürü Optimizasyonu algoritmaları da kullanılmıştır. Model performans değerlendirme yöntemleri olarak; çapraz geçerleme, ikili ayırma yöntemi, "bootstrap sampling" ve üçlü ayırma yöntemleri kullanılmıştır. Veri seti ve alt kırılım veri setlerinde uygun makine öğrenmesi sınıflandırma algoritmalarının uygulanması hem nitelik seçimi işlemi gerçekleştirilmeden hem de gerçekleştirildikten sonra tekrarlanmıştır. Sonuç olarak nitelik seçimi yapılarak oluşturulmuş, kategorik ve nümerik değerlerden oluşan alt kırılım veri setinde daha iyi test performansı gösteren modeller; temelinde topluluk öğrenme metodolojisi bulunan "ensemble" bir yöntem olan "Rastgele Orman Algoritması" (doğruluk: 0,78; duyarlılık: 0,67; belirleyicilik: 0,87; kesinlik: 0,80; Negatif Öngörü Değeri: 0,77; F-Ölçütü:0,73) ve "Lojistik Regresyon" (doğruluk: 0,90; duyarlılık: 0,94; belirleyicilik: 0,86; kesinlik: 0,84; Negatif Öngörü Değeri: 0,95; F-Ölçütü: 0,89) algoritmaları olup, seçilen deney koşullarında diğer algoritmalara kıyasla daha iyi performans göstermiştir. R-Shiny kullanıcı ara yüzüne bu nedenle genel ampütasyonu tahmin etmek için oluşturulmuş ve ilgili deney koşullarında en yüksek performansı gösteren bu iki model entegre edilerek diyabetik ayak tedavisi ile uğraşan hekim ve sağlık personeline yardımcı bir karar destek sistemi geliştirilmiştir.
Bilgiye erişimde kullanılabilirliğin yeni bir yapay zekâ yöntemiyle geliştirilmesi
Bilgi, her bireyin temel ihtiyaçlarından biridir. Günümüzde, neredeyse her birey günlük zamanın çoğunu internet üzerinde çeşitli bilgi ihtiyacını gidermek ya da bilgi alışverişi yapmak amacıyla geçirmektedir. Bilgiye erişimin çok daha kolay olduğu bu dönemde artık daha fazla odaklanılması gereken noktanın "kullanışlı bilgiye erişim" konusu olduğu düşünülmektedir. "Kullanışlı bilgiye erişim" konusunda günümüzde en çok faydalandığımız uygulamalar Google, Yandex, vb. arama motorlarıdır. Bu uygulamalar, literatürde "Bilgi Erişim Sistemleri (BES)" adı altında değerlendirilmekte olup, bilgiye ihtiyaç duyan kişi ile bilgiyi barındıran kaynağı buluşturan bir köprü vazifesi üstlenmektedir. Çeşitli türleri olmasına rağmen, BES'lerin ortak hedefi, ihtiyacı karşılayacak bilginin ortaya çıkarılmasıdır. Bu tez çalışmasında, BES altyapısına entegre edilebilecek bir algoritma geliştirilerek, hem kullanıcıların değişken bilgi ihtiyaçlarına göre kendini güncelleyebilen hem de hâlihazırda kullanılmakta olan bir BES altyapısını daha fazla kullanıcıyla bütünleştirebilen bir ortamın sağlanmasına odaklanılmıştır. Bu doğrultuda, bilgiye erişimin etkili bir biçimde gerçekleştirilebilmesi amacıyla bir yapay zekâ algoritması geliştirilmiş ve Kırklareli Üniversitesi (KLU) bünyesinde yer alan 170 tane web sitesinin içinde çalışan site-içi arama araçlarına entegre edilmiştir. Çalışmanın amacı, kullanıcı gerçek davranış verisi üzerinden, kullanıcı dilinden bağımsız olarak bilgi erişim sürecinin iyileştirilmesi ve geliştirilen algoritmanın (Analogy) bu süreçteki başarımının değerlendirilmesidir. Tez kapsamında geliştirilen Analogy algoritması üç aylık kulllanıcı davranış verisi ile eğitilmiş, süreç sonrasında, "Bilgi Erişim" ve "Kullanılabilirlik" literatürleriyle ilişkili olacak şekilde üç farklı açıdan (etkililik, verimlilik ve memnuniyet) bilgi erişim sürecindeki katkısı analiz edilmiştir. Çalışma sonuçları, Analogy algoritmasının etkililik ve verimlilik bakımından bilgi erişim sürecine belirgin bir katkı sağladığını göstermiştir. Reciprocal Rank metriği temel alınarak gerçekleştirilmiş olan işaret testi sonuçları, etkililik bakımından algoritmanın başarısına işaret eden bulguları ortaya çıkarmıştır (z=-2,421; p=0,015<0,05). "Sorgu Gecikmesi", "İlk Tıklama Süresi" ve "Sorgu Terk Etme" olmak üzere üç farklı göstergeye dayalı gerçekleştirilmiş olan verimlilik analizlerinde de benzer bulgular ortaya çıkartılmıştır. İşaret testinden faydalanılan Sorgu Gecikmesi incelemelerinde, 0,05 anlamlılık düzeyinde algoritmanın kullanıcılara hızlı bir şekilde yanıt verdiğine işaret eden bulgulara rastlanmıştır (z=-38,453; p=0,000<0,05). İlk Tıklama Süresi analizlerinde, yine işaret testinden faydalanılmış olup, algoritmanın başarısına işaret eden bulgular ortaya çıkartılmıştır (z=-4,936; p=0,000<0,05). Tek Örneklem Ki-Kare Testi'nden faydalanılarak analizi gerçekleştirilen Sorgu Terk Etme göstergesindeyse, algoritmanın az sayıda kullanıcıyı kaybettiğine işaret eden bulgular ortaya çıkartılmıştır (χ2= 38,407; p=0,000<0,05). Diğer taraftan, memnuniyet açısına yönelik olarak algoritmayı değerlendirmek için yeterli veri elde edilememiştir. Kullanıcı dilinden bağımsız olarak, kullanıcı davranışından öğrenerek aksiyon alan Analogy algoritmasının, kullanışlı bilgiye etkili ve verimli erişim amacıyla sadece arama motorlarında değil birçok alanda kullanılma potansiyeli olduğu düşünülmektedir. Algoritmanın memnuniyet açısından da kullanılabilirliğinin değerlendirilmesi için gelecekte araştırma yapılması önerilmektedir.
Uygulama test verisi oluşturma ve veri maskeleme
Yazılım uygulamalarında test verisinin yönetilmesi, test sürecinin önemli alt başlıklarından bir tanesidir. Test verisinin hazırlanması ciddi bir çaba gerektirmekte ve bundan dolayı test süreçlerinde büyük zaman kayıpları meydana gelebilmektedir. Test verisinin oluşturulması ve aktarılmasında dikkat edilmesi gereken noktalar bulunmaktadır. Kişisel verinin bilişim sistemleri üzerinden kullanımı, kamu ve özel sektör fark etmeksizin çok yaygındır. Bu şekilde veri kullanımının sağladığı bazı avantajlar ve kolaylıklar olmasına karşın, bu durum veri güvenliği riskinin artmasına da neden olabilmektedir. Kuruluşların birçoğu veri güvenliği maliyetlerini minimize etmek, verisini korumak için veri maskeleme kullanımını tercih etmektedir. Bu tez çalışmasında, canlı ortam veri tabanındaki verinin uygun veri maskeleme yöntemi ve maskeleme teknikleriyle maskelenerek test ortam veri tabanında oluşturulması hedeflenmiştir. Ayrıca maskeleme işleminde performansın nasıl arttırılabileceği yani zamansal maliyetinin nasıl azaltılabileceği konusunda örnek bir karşılaştırma yapılmıştır. Çalışmada materyal olarak, canlı ortam veri tabanına benzer şekilde oluşturulmuş örnek veri seti kullanılmıştır. Çalışma içeriğine uygun belirlenen veri maskeleme uygulamasını örnek veri seti üzerinde kullanabilmek için veri maskeleme yöntemi ve teknikleri belirlenmiştir. Seçilen veri maskeleme uygulaması, statik veri maskeleme yöntemi ve maskeleme teknikleriyle oluşturulan veri setine uygulanmış ve sonrasında maskelenmiş veri, test ortam veri tabanına aktarılmıştır. Uygulanan veri maskeleme teknikleri ayrı başlıklar altında, örnek veri seti ve maskelenmiş veri seti olarak karşılaştırılmıştır. Maskeleme ve maskelenmiş verinin aktarımı işlemi ilk olarak çoklu iş parçacıklarıyla yani birbirinden bağımsız ve paralel çalıştırma olarak yapılmış, daha sonra bu işlem tekli iş parçacığıyla yani paralel çalıştırma olmadan tekrardan yapılmıştır. Çoklu iş parçacıklarıyla paralel olarak yapılan veri maskeleme ve maskelenmiş verinin aktarım işleminin, tekli iş parçacığıyla paralel çalıştırma olmadan yapılan maskeleme ve maskelenmiş verinin aktarım işlemine göre %32 oranında zamansal performansı arttırdığı yani %32 oranında zaman tasarrufu sağladığı gözlemlenmiştir.
Makine öğrenmesi yöntemleri ile ortaokul öğrenci başarılarının tespiti ve bir uygulama
Makine Öğrenmesi; verinin analiz edilerek anlamlı sonuçlar çıkarılması, girdi verisinin kullanılarak tahmin modelleri geliştirilmesi amacıyla, eğitim de dahil olmak üzere birçok alanda uygulanmaktadır. Bu tez çalışmasında ortaokul öğrencilerine ait sosyoekonomik, demografik özellikleri ve ders notları verisi kullanılarak sene sonu ağırlıklı not ortalamalarının makine öğrenmesi yöntemleri ile tahmin edilmesi ve başarıya en fazla etki eden niteliklerin belirlenmesi amaçlanmaktadır. Çalışmada kullanılan veri seti İstanbul ili Tuzla ilçesinde bulunan bir ortaokuldan temin edilmiştir. Veri seti üzerinde özellik seçimi yapılarak akademik başarı üzerinde en fazla etkiye sahip değişkenler tespit edilmiş olup modellemede bu nitelikler kullanılmıştır. Hedef niteliğin sınıflandırılması amacı ile; K-En Yakın Komşu, Karar Ağaçları, Rastgele Orman, Destek Vektör Makineleri, Yapay Sinir Ağları, Lojistik Regresyon ve Naive Bayes olmak üzere 7 adet makine öğrenmesi algoritması uygulanmış ve modellerin başarım performansları karşılaştırılmıştır. Model performans değerlendirmesi sonuçlarına göre en başarılı model Rastgele Orman algoritması olarak belirlenmiştir. Öğrencilerin akademik geçmişine ait nitelikler (geçmiş yıllar not ortalaması, Türkçe dersi 1. dönem ortalaması ve Matematik dersi 1. dönem ortalaması) başarıyı en fazla etkileyen öznitelikler olarak tespit edilmiştir. Devamsızlık durumu başarıyı etkileyen bir diğer önemli faktör olarak belirlenmiştir. Demografik ve sosyoekonomik özelliklerin akademik başarıya çok fazla etkisi olmamakla birlikte tahmin başarısına katkısı olduğu görülmüştür. Çalışmanın sonunda Rastgele Orman modeli kullanılarak, ortaokul öğrencilerinin akademik başarılarının tahminine yönelik örnek bir sistem geliştirilmiştir. Örnek sisteme https://model-tahmin.herokuapp.com adresinden ulaşılabilmektedir. Geliştirilen sistemin eğitim yöneticileri tarafından kullanılabileceği düşünülmektedir.
Telekomünikasyon sektöründen sınıflandırma algoritmaları ile müşteri kayıp analizi
Dijital evren dünya çapında kullanıcılar tarafından üretilen büyük miktarda veri ile doludur. Çeşitli kaynaklardan gelen ve hacmi hızlı bir şekilde artan veri için farklı analiz ve depolama yöntemlerine ihtiyacı duyulmuştur ve bu noktada karşımıza 'Büyük Veri' kavramı çıkmaktadır. Şirketler veya kurumlar süreçlerine bağlı olarak gittikçe daha fazla veri depolamakta ve bu veriyi analiz ederek değer çıkarmaya çalışmaktadır. Günümüz iş dünyası gittikçe rekabetçi olmakta ve müşteri davranışlarını anlamak sürdürebilir rekabette önemli bir avantaj sağlamaktadır. Şirketlerin başarısı büyük ölçüde mevcut müşteri verisini ne kadar iyi analiz edebileceklerine ve anlamlı bilgiler çıkarabileceklerine bağlıdır. Bu kapsamda müşteri ayrılma eğilimini tahmin etmek ve bu eğilime neden olan durumları ortaya çıkarmak için 'Müşteri Kayıp Analizi' çalışmaları yapılmaktadır. Bu tez çalışmasının amacı büyük veri analizi teknolojisi ile telekomünikasyon sektöründe ayrılma eğilimi olan müşterileri tahmin eden modeli oluşturmaktır. Bu kapsamda bir telekomünikasyon şirketinden temin edilen veri kümesine Apache Spark'ın makine öğrenmesi kütüphanesi (MLlib) ile çeşitli sınıflandırma yöntemleri uygulanmıştır. İlk olarak veri üzerinde ön hazırlık işlemleri yapılmış, sonrasında veri setine Lojistic Regresyon, Karar Ağaçları, Rastgele Orman, Gradyan Artırma Makineleri yöntemleri uygulanmıştır. Çalışma sonuçları incelendiğinde müşteri kaybı tahmininde en başarılı sonuçları %86,34 doğruluk %90,82 AUC ve %63,45 F-Ölçütü oranları ile Gradyan Artırma Makineleri yönteminin verdiği ve churn davranışını belirleyen en önemli niteliğin kontrat bitimine kalan süre olduğu görülmüştür.
Makine öğrenmesi yöntemleri ile türkçe haberlerin özetlenmesi
İnternet'in yazılı basın sektörünü derinden etkileyip, dijital yayıncılığın önem kazanmasıyla birlikte elektronik ortamda gazete okuyan kişi sayısında büyük artış gözlemlenmiştir. Dijital ortamda artan rekabet, haber sitelerini insandan çok arama motoruna yönelik habercilik yapmaya yöneltmiş; zamanla yayınlanan bu haberler olması gerektiğinden daha uzun bir hâl almıştır. Öte yandan, bireylerin daha kısa sürede daha çok bilgiye ulaşabilmelerini sağlayabilecek sistemlere her zaman ihtiyaç duyulmuştur. Yoruma veya çıkarıma dayalı yöntemlerle gerçekleşen otomatik metin özetleme, metinlerdeki ana düşünce ve önemli bilgilerin korunması şartı ile metnin boyutunun küçültülmesidir. Bu tezde, Hint-Avrupa dil ailesindeki dillere göre daha farklı bir yapısı olan Türkçe dilinde üretilmiş haberler, doğal dil işleme yöntemleri ile özetlenmiş; yakın zamanda geliştirilmiş olan BERT ve Seq2Seq modellerinin performansları, metin özetleme için kullanılan geleneksel yöntemler olan tf-idf, gizli anlam analizi, TextRank ve LexRank ile karşılaştırılmıştır. Bu karşılaştırmanın sonucunda Türkçe haberlerden oluşan bir veri setinde ortalama 0,25 ROUGE-L skoruna sahip olan, performansı ve veri setinden bağımsız girdilerde de iyi sonuçlar üretebilmesi sebebiyle tercih edilen BERT modeli ile herkesin erişimine açık, Özetleyici adına sahip web tabanlı bir otomatik özetleyici geliştirilmiştir.
Psikiyatrik hastalıkların makine öğrenmesi yöntemleri ile ayrıştırılması
Psikiyatrik hastalıkların teşhisinde hekimler belirti tabanlı bir yaklaşım izlemektedir. Bu yaklaşıma göre DSM veya ICD gibi uluslararası geçerliliği olan teşhis araçlarını, hasta raporlarını ve hekimin gözlem ve tecrübesine dayanan bir süreç takip edilmektedir. Tıbbın diğer alanlarında olduğu gibi psikiyatride de hastalıklarla ilgili süreçlerde kullanılabilecek biyobelirteçlerin arayışı sürmekte ve bu alanda çeşitli araştırmalar yapılmaktadır. Bu tez çalışması kapsamında farklı psikiyatrik hastalıklara sahip bireylerin elektroensefalogram (EEG) ölçümlerini içeren bir veri setinin makine öğrenmesi yöntemleri ile analiz edilmesi ve elde edilen modeller ile hastalıkların ayrıştırılması/sınıflandırılması sağlanmıştır. Böylece EEG verisinin psikiyatrik hastalıklar için bir biyobelirteç olup olamayacağı araştırılmıştır. Elde edilen modeller; hasta ve sağlıklı gruplar arasında ayrım yapılabilmesini sağlarken birden fazla psikiyatrik hastalığın birbirinden ayrıştırılmasını da sağlamıştır.
Veri yönetişimi: Bankacılık Sektörü örneği
Veri yönetişimi, son yıllarda kurumsal veri yönetiminde yükselen bir trende sahiptir. Büyük ölçekteki firmaların çoğu teknolojik ve insan kaynağı olarak ciddi yatırımlar yapmasına rağmen istenilen düzeyde kaliteli, uçtan uca yönetilebilen veriye sahip olamamaktadır. Gün geçtikçe büyüyen ve daha da karmaşık hal alan veriye karşı geleneksel yaklaşımın dışına çıkılması gerekmektedir. Geleneksel veri yönetimi yaklaşımı incelendiğinde eksik kaldığı noktalar görülmektedir. Yapılan araştırmalarda kurumsal ölçekteki firmalarda veri yönetişimi uygulamasının bir ihtiyaç olduğu görülmektedir. Bu tezin amacı karmaşık veri yapısına sahip büyük ölçekteki firmalara veri yönetişiminin sağlayacağı avantajları göstermek ve uzun vadede karar destek sistemlerinde kullanılan verilerin daha sağlıklı ve daha doğru bir şekilde elde edilmesini sağlamak için neler yapılması gerektiğini anlatmaktır. Bu tez kapsamında veri yönetişimi ile ilgili genel tanımlamaların yapılmasının ardından bankacılık sektörü özelinde verinin organizasyonu (kritik veri elemanlarının tanımlanması, veri domain seçimi), veri yönetişimi çerçevesinin oluşturulması (veri yönetişimi organizasyonu, politika, prosedür ve standartların belirlenmesi), veri yönetişimi implementasyonu (veri sözlüğü oluşturulması, veri soyağacı çıkarılması, veri kalitesi yapısının kurulması, veri profilleme), veri yönetişimi ölçümü (veri yönetişimi metriklerinin tanımlanması, veri yönetişim skor kartının oluşturulması) yapılmıştır.
Web tabanlı laboratuvar bilgi yönetim sistemi geliştirilmesi
Laboratuvarlar da çoğu işletmeler gibi çok amaçlı, problem çözücü ve günlük işlerini kolaylaştırıcı web tabanlı sistemler kullanmaktadırlar. Ülkemizde bulunan sistemler özel laboratuvarların ihtiyaçlarını çoğunlukla çözebilmektedir. Akademik alandaki laboratuvarlar için de laboratuvar bilgi yönetim sistemi ihtiyacı bulunmaktadır. Bu tez çalışmasında, deneysel çalışmalar ve akademik araştırmalar yapan laboratuvarların ihtiyaçlarını karşılama maksatlı web tabanlı bir Laboratuvar Bilgi Yönetim Sistemi (LBYS) geliştirilmesi amaçlanmıştır. Deney-takip sürecini, envanter stoklarını, kullanıcıların iletişimini ve araştırma süreçlerini, kontrol ve denetimlerini sağlayabilen, aynı zamanda bu işleyişleri daha basite indirgeyen veri arşivlemesini ve düzenlenmesini yapabilen, araştırma sonuçlarını internet üzerinden raporlanmasını sağlayan bu sistem, tamamen açık kaynak kod kullanılarak geliştirilmiştir. Ülkemizde sadece akademik alana özel çalışan LBYS, İstanbul Üniversitesi Enformatik Bölümü ve İstanbul Üniversitesi Fen Fakültesi Moleküler Biyoloji ve Genetik Tanı Laboratuvarı iş birliği ile çevik yazılım geliştirme ilkelerine uyularak geliştirilmiştir. Geliştirilmesi tamamlanan web tabanlı bu sistemin temel bilimlerde araştırma yapan laboratuvar kullanıcılarının günlük problemlerini azaltacağı, veri kayıplarını ortadan kaldıracağı, insan etkileşimi iyileştireceği, enerji tüketimini ve maliyetleri azaltacağı beklenmektedir. Sonuç olarak; tez kapsamında modüler yapıda geliştirilen bu bilgi yönetim sisteminin, ihtiyaca göre entegre edilerek diğer araştırma laboratuvarları tarafından da kullanabilmesi mümkündür.