Büyük veri
86 theses under this subject heading
Data analytics in industrial applications
Information Technology Distributors need to develop methods for understanding their dealers purchasing behavior regarding to product groups in order to prepare their business plan correctly. So that correct customer segmentation is seriously important for those companies. This study provides customer management framework that is provided in order to increase IT distributors sales. Basicly, this framework includes 3 phases which are data preparation, effective clustering and prediction. Real application of proposed method is provided for one of the biggest IT distibutor company which is in Istanbul. Firstly, K-means, expectation maximization algorithm (EM) and hierarchical clustering methods ,which are proper for the data set, are applied IT dealers sales data. As a result of clustering process, it is observed that hierarchical clustering provides better performance compared to others. This study also provides decision support tool that suggests right product groups in order to increase IT distributors sales with classification method. Proposed method uses clustering results as preprocess of prediction process. Sales potential of dealers is determined regarding to pruduct groups with classification algorithms that are Naive Bayes, Support Vector Classification and C4.5 algorithms. Finally the business plans that are created via proposed framework have potential to yield results.
Forecasting economic variables using google trends
This thesis examines the ability of Google Trends (GT), i.e. the free public tool for obtaining data regarding web search activities, in forecasting economic variables of Turkey by using different query selection methods. It reports whether internet search activity improves forecasting of tourism demand, unemployment, and car sales by comparing forecast errors of models with and without GT variable. For each variable of interest, three models are constructed. The first, baseline model, is estimated using only the past values of selected variables. The second model, in addition to the past values of the economic variables, integrates additional regressor constructed from the simple query selection method, where search indices of single keywords related to each of the selected variables are obtained. The third model follows the same approach as the second, but with different query selection method, where composite search index using Principal Component Analysis (PCA) is constructed from the large number of queries related to our economic variables. All models are estimated using the Autoregressive Integrated Moving Average (ARIMA) methodology. Forecast comparisons indicate that models with GT information outperformed the basline models in most of the forecasting experiments. When it comes to performance of the two query selection methods, composite search index, on average, provides better forecasts. The study's results could be beneficial for the policy makers and other stakeholders as selected variables play important role for the Turkish economy. GT offers a new way of tracking economic behavior at almost zero cost. Furthermore, they have ability to get real-time insights regarding economic decisions.
Büyük veri ve kamu politikası: COVID-19 pandemi süreci dijital temas izleme uygulamaları üzerine uluslararası bir değerlendirme
Dijital çağda hükümetler büyük veri teknolojisini kamu yönetimi ve kamu politikası oluşturma süreçlerine dahil etmeye başlamışlardır. Bu çalışmaya başlarken büyük verinin kamu politikaları oluşturma ve uygulama sürecini nasıl değiştirdiği, politika oluşturma sürecine dahil edilen büyük verinin hükümetlere nasıl fayda sağladığı ve vatandaş katılımının büyük veri ile ortaya çıkan politika çıktıları ile arasındaki ilişkinin nasıl ilerlediği soruları ile yola çıkılmıştır. Doküman inceleme ve kaynak tarama tekniği kullanılmış ve ikincil verilerden yararalanılmıştır. Büyük verinin kamu politikası oluşturma sürecine dahil edilmesi politikların kanıta dayalı şekilde oluşturulması, hedeflerin daha net belirlenmesi, politikaların ekonomik ve sosyal etkilerinin senaryoya dökülebilmesi ve öngörü yeteneğinin kazanılması ile kaynakları rasyonel kullanabilme, yeni hizmetler üretebilme, kişiselleştirilmiş (ihtiyaca dayalı) diğer bir ifadeyle biray odaklı politikalar geliştirebilme, duygu durum analizi sayesinde politikaların kabul edilirliğini artırabilme ile vatandaşların daha çok etkiye sahip olduğu karar verme süreci oluşturabilme, kamu politikası oluşturma sürecini gerçek zamanlı kontrol edebilme ile değerlendirme sürecini her aşamada uygulayabilme, hızlı cevap verebilme ve anında müdahale edebilme yeteneği ile sürece katkı sağlamaktadır. Bu durumda hükümetler daha etkin, verimli, üretken, nitelikli mal ve hizmet sunan, meşru ve demokratik hale gelmiştir. Kamunun iş yapma süreçleri hızlanmış ve faaliyetleri insan kapasitesinin sınırlarını aşmıştır. Bu noktada Covid-19 pandemi döneminde devletler pandemiyi kontrol altına alabilmek için büyük verinin sunduğu avantajlardan yararlanmaya başlamıştır. Devletlerin insan istihdamının ve insan hızının yetersiz kaldığı küresel Covid-19 salgını döneminde büyük veri teknolojisinden faydalanarak oluşturdukları dijital temas takip uygulamarı pozitif vakaların bildirilmesini sağlayarak enfekte zincirinin önüne geçmeyi hedeflemişdir. Pandemi döneminde ülkelerin büyük veriden nasıl yararlandıklarını ortaya koymak amacıyla 30 ülke karşılaştırmalı olarak incelenmiştir. Covid-19 dijital temas izleme uygulamaları incelendiğinde oluşturulan politikaların dijital kesimi temsil ettiği, bu nedenle uygulamaya ne kadar çok kişi katılırsa uygulamaların ve oluşturulan politikaların daha başarılı olacağı sonucuna ulaşılmıştır. Büyük veri hükümetlere pandemi sürecinde de verileri etkin bir şekilde yönetilebilmeyi, gerçek zamanlı işlenebilmeyi, hızlı hareket edebilmeyi ve anında müdahale edebilmeyi sağlamıştır.
Nesnelerin interneti odağında büyük veri için tahmine dayalı analitik mimarisi
Teknolojik gelişmeler, araştırmacıların imkan ve kabiliyetlerini gün geçtikçe arttırmaktadır. Yapay zeka ve ilintili alanlarda donanımsal, yazılımsal ve hesapsal tekniklerdeki gelişmelerle birlikte veri merkezli iş süreçleri önem kazanmıştır. Bu durum veri saklama, veri aktarma ve veri işleme süreçlerinin yönetilmesi gereksinimini doğurmuştur. Üretim alanlarındaki her bir cihazın veri kaynağı olarak görüldüğü nesnelerin interneti yaklaşımı ile beraber büyük miktarda veri oluşması ve bu verilerden gerçek zamanlı veya gerçeğe yakın zamanlı çıktılar üretilmesine yönelik birçok çözüm literatürde yer bulmuştur. Bulut teknolojileri kullanılarak büyük veri ve nesnelerin interneti başlıkları altında birçok çalışma yapılmış ve çeşitli problemlere odaklanan çözümler ortaya atılmıştır. Bu gelişmeler kurumlarda paradigma değişimlerini de beraberinde getirmiş ve büyük veri enstrümanlarını kullanabilen, analitik süreçleri işletebilen anahtar kişilerin endüstriyel ortamlarda konumlandırılması yönünde bir eğilim oluşmuştur. Kullanıcılar özelinde programlama becerisinin öneminin azaldığı, kodsuz veya az-kodlu yazılım araçlarını kullanma becerisinin ise önem kazandığı görülmektedir. Verinin elde edilmesinden, iş zekası veya operasyonel gösterge araçlarınca raporlanmasına kadar birbirine entegre birçok süreç mevcuttur. Dijitalleşme, izlenebilirlik ve analitik kabiliyetin arttırılması gibi hedefler kuruluşların öncelikleri arasındadır. Analitik kabiliyetler bağlamında makine öğrenmesi algoritmalarının işletilmesi, modellerin eğitilmesi, eğitilen modellerin yazılım servisi olarak sunulması ve çıktılarının çeşitli dijital ortamlara raporlanması başlıkları da büyük veri süreçleriyle entegre bir şekilde çalışmak durumundadır. Bu tez çalışmasında bulut-yerel ortam gereksinimleri de dikkate alınarak nesnelerin interneti odağında büyük veri için tahmine dayalı analitik mimarisi paylaşılmıştır. İlgili mimari yapının ortaya konmasında, tekniğin geldiği son seviye üzerinden işlevsel kırılımlarla birlikte çeşitli açık kaynak kodlu yazılımlara ve yazılım geliştirme platformlarına da işaret edilmiştir. Büyük verinin saklanması ve işlenmesi konusunda ortaya atılmış veri gölü, gölevi benzeri kavramların yanı sıra akan veri işleme konusundaki tasarımsal yaklaşımlar izah edilmiş, kavramların karşıladığı anlama hizmet eden yazılım araçları da örneklenmiştir. Benzer şekilde nesnelerin interneti yaklaşımında literatürde yer bulmuş, olgunluk kazanmış kavramlar ve yazılım araçları da örneklenmiştir. Sunulan mimari hem yazılım geliştiricilerin, hem anahtar kullanıcıların hem de son kullanıcıların faydalanabileceği verinin tüm hikayesini kapsayacak nitelikte bileşenler içermektedir.
Hile riskinin tespitinde f-skor modeli ve hile beşgeni teorisi üzerine BIST'de yapılan bir araştırma
Dünya çapında yaşanan büyük muhasebe skandalları piyasada işlem gören işletmelerin hile riski tespitine olan ilgiyi daha da artırmıştır. Bu skandalların nedenleri araştırılarak ve yaptıkları işlemler incelenerek literatürde çeşitli hile tespit yöntemleri oluşturulmuştur. İşletmelerin hileli işlemlerinin tespitinin birçok yönden önemli olduğu açıktır. Hileli finansal raporlama ilgili taraflar için büyük kayıplara yol açmaktadır. Bunun önlenmesi amaçlı yapılan düzenlemeler ve konulan kanunlar yetersiz kalabilmektedir. İşletmeler muhasebe sisteminde açıklar bulup bunlardan yararlanarak, usulüne uygun olmayan kayıtlar yaparak ve çeşitli yollar ile gerçeği çarpıtarak hileli işlemlerini gizleyebilmektedir. Bunlara bağlı olarak hileli işlemlerin tespiti zorlaşmaktadır. Bundan dolayı bu araştırmanın amacı BIST'de faaliyet gösteren şirketlerin hile risklerinin tespit şekline bir bakış açısı kazandırmak ve araştırmada kullanılan değişkenlerin BIST şirketleri üzerinde hile risklerini tespit etmedeki rolünü incelemektir. Bu çalışmada öncelikle hile üçgeni olarak başlayan ve hile beşgeni olarak geliştirilen teoride bulunan hile faktörlerinin hileli işlemler üzerinde yol göstericiliği araştırılmıştır. Daha sonra hileli işlemlerin tahmini için oluşturulan modeller arasından 2011 yılında Dechow vd. tarafından geliştirilmiş F-skor modelinin finansal değişkenleri incelenmiştir. Bunların incelenmesi için Borsa İstanbul'da (BIST) işlem gören ve finansal faaliyet göstermeyen işletmeler arasından hileli işlem riski olanlar ve olmayanlar olarak iki grup oluşturulmuştur. Bu işletmelere ait 2017-2021 yılları arası yıllık rapor sonuçları incelenmiştir. Çalışmadaki verilerin analizi için SPSS programı kullanılmıştır. Bu program yardımıyla hile beşgeni teorisinde yer alan baskı, fırsat, rasyonelleştirme, kibir ve yetkinlik faktörlerinin hile riski olasılıklarını belirlemelerindeki etkisini ve ilişkisini incelemek üzere lojistik regresyon analizi uygulanmıştır. Analiz sonucunda hile riski olasılığının belirlenmesi açısından baskı değişkeninin alt faktörleri olarak incelenen dış baskı, finansal hedef ve finansal istikrar ve diğer iki hile faktörü olan fırsat ve rasyonelleştirme arasındaki ilişki anlamlı çıkmış ancak yetkinlik ve kibir hile faktörleri model içerisinde anlamlı bulunamamıştır. Dechow F-skor finansal değişkenleri olan ticari alacaklardaki değişim, maddi olmayan duran varlıklardaki değişim, nakit satışlardaki değişim, RSST tahakkukları, aktif karlılığındaki değişim ve stoklardaki değişim değişkenlerinin Borsa İstanbul'da işlem gören şirketlerin hile riski olasılığını belirleme üzerindeki etkilerini ve ilişkilerini incelemek için de lojistik regresyon analizi uygulanmıştır. Bu analiz sonucunda sadece ticari alacaklardaki değişim ve maddi olmayan duran varlıklardaki değişimin arasındaki ilişki hile riski olasılığını belirleme açısından anlamlı çıkmıştır. Ticari alacaklardaki değişim ve maddi olmayan duran varlıklardaki değişim ile hile beşgeninde anlamlı çıkan bağımsız değişkenler dış baskı, finansal hedef, finansal istikrar, fırsat ve rasyonelleştirme ile yeni model kurulmuştur. Analiz sonucunda ticari alacaklardaki değişim, dış baskı, finansal hedef, fırsat ve rasyonelleştirme model içerisinde anlamlı bulunmuştur. Ancak maddi olmayan duran varlıklar ve finansal istikrar model içerisinde anlamlı bulunamamıştır. Bir sonraki aşamada anlamlı çıkan hile beşgeni faktörleri ile kurulan ilk model ve Dechow F-skor değişkenleri ile anlamlı çıkan hile beşgeni faktörleri ile kurulan ikinci model için F-skor değerleri hesaplanmış ve bu değerlerin manipülatör olan ve olmayan şirketleri ayırt etmedeki başarıları incelenmiştir. Son olarak hile risklerine göre gruplandırılan şirketlerin doğru sınıflandırılma bakımından karşılaştırmak üzere lojistik regresyon analizi ile yapay sinir ağları yöntemi uygulanmıştır. Sınıflandırma doğruluğu oranları model 1 ve model 2 için ayrı ayrı yapay sinir ağları ve lojistik regresyon analizi ile incelenip karşılaştırılmıştır. Sonuç olarak her iki modelde de yapay sinir ağlarının az bir oranla dahi olsa, daha yüksek oranda doğru sınıflandırma yaptığı sonucu elde edilmiştir. Bu araştırmanın Borsa İstanbul'da faaliyet gösteren işletmelerin hile risklerinin tespitinde finansal ve finansal olmayan verilerin kullanılmasıyla modeller oluşturulması; oluşturulan modeller ile hile riskinin tespiti içi f-skor değerlerinin hesaplanması ayrıca hangi değişkenlerin Türkiye Borsası'nda hile riski tespitinde yol gösterici olabileceğinin istatistiki olarak incelenmesi açısından önemli ve özgün bir çalışma olduğu düşünülmektedir.
Uydu görüntüleri kullanılarak dünya genelindeki astronomik gözlemevlerinin atmosferinin istatistiksel analizi
Çalışmanın amacı, Dünya genelinde kurulmuş 2141 astronomik gözlemevi için uydu ve model verileriden elde edilen atmosferik katmanların: bulutluluk, yoğuşabilir su buharı, aerosol optik derinlik, dikey rüzgâr hızı ve 200h-Pa basınç seviyesindeki rüzgâr hızının istatistiksel ve zamansal olarak değerlendirilmesidir. Bunlara ek olarak gözlemevlerine ait enlem, boylam ve yükseklik bilgileri dâhil edilmiştir. Gözlemevlerine ait katmanların 2002-2020 yılları arasında günlük olarak elde edilen yaklaşık 100 TB'lık uzaktan algılama ve model verilerini içeren AstroGIS veritabanı kullanılmıştır. Gözlemevlerinin aylık ve yıllık ortalamaları oluşturulmuş ve zamansal değişimler incelenmiştir. Küresel olarak seçilmiş 9 profesyonel gözlemevinin sonuçları gösterilmiştir. Katmanların histogramları üretilerek genel dağılımları incelenmiştir. Katmanların normallik testleri yapılarak normallik varsayımı sınanmış ve bu sonuca göre korelasyon (Spearman (P)) değerleri yorumlanmıştır. Tüm gözlemevleri için ortalama bulutluluk, yoğuşabilir su buharı, aerosol optik derinlik miktarı, dikey rüzgâr hızı ve 200h-Pa basınç seviyesindeki rüzgâr hızı sonuçları sırasıyla % 67, 13.85 mm, 1.81, 0.04 Pa s^(-1) ve 21.06 m s^(-1) dir. Profesyonel gözlemevleri dışındaki tüm gözlemevleri incelediğimiz astronomik kriterler açısından uygun olmayan yerlerde kurulduğu belirlenmiştir.
Elektronik haberleşme sektöründe işlenen kişisel verilerin korunması
Elektronik haberleşme sektöründe çok sayıda ve sürekli şekilde veri işlenmesi sebebiyle kişisel verilerin korunması konusu önem arz etmektedir. Aboneden alınan kişisel verilerin yanı sıra haberleşme hizmetlerinin kullanımından kaynaklanan kişisel veriler de ortaya çıkmaktadır. Veri sorumlusu olan elektronik haberleşme sektöründeki işletmecilerin faaliyetlerine ilişkin abonelerin Kişisel verilerinin korunmasına yönelik hukuki düzenleme yapılması ihtiyacı geçmişten beri mevcuttur. Teknolojinin gelişmesiyle birlikte bu düzenlemelerin de güncellenme ihtiyacı doğmaktadır. Çalışmada özellikle elektronik haberleşme sektöründe kişisel verilerin korunması hakkında AB düzenlemeleri incelenmiştir. Söz konusu düzenlemelerin Türk hukukundaki yansımalarına yer verilmiştir. Unutulma hakkı ve büyük veri gibi kişisel verilerin korunması konusunda önemli olan kavramlar açıklanmıştır. Elektronik haberleşme sektöründeki terimler, kişisel verilerin korunması bağlamında değerlendirilmiştir. İşletmecilerin, haberleşme hizmetlerinin sunumu esnasında kişisel verilerin korunmasını öncelemesi gerekmektedir. Ayrıca elektronik haberleşme sektöründeki abonenin kimliğinin uzaktan doğrulanabilmesine yönelik gelişmeler ele alınarak; kişisel verilerin korunmasıyla ilgili uygulamadaki sorunlar analiz edilmiş ve çözüm önerileri getirilmiştir.
Bilişim işletmelerinde strateji geliştirme sürecinde büyük verinin etkisi üzerine bir araştırma
Küreselleşen dünyada teknolojinin ilerlemesi ve internetin her alanda kullanılması ile birlikte verinin gücü ön plana çıkmış ve bununla beraber internet dünyasındaki birçok olgu bilgi çöplüğü olarak anılmaya başlamıştır. Bu çöplükten ya da diğer bir ifadeyle veri gölünden anlamlı verilerin de çıkabileceği düşünülmüş ve büyük veri (big data) olarak adlandırılan kavram ortaya çıkmıştır. Başta sosyal medya verileri olmak üzere, iş dünyası, bürokrasi, eğitim, sağlık, lojistik, sigortacılık, trafik, bankacılık ve finans gibi çeşitli kaynaklardan alınan veriler birtakım analizlere tabi tutularak işletmeler tarafından stratejik yönetim süreçlerinde kullanılmaya başlanmıştır. İşletmeler, küresel rekabet ortamında ayakta kalabilmek için bu büyük veri havuzundan aldıkları verileri anlamlandırarak mevcut ve gelecek stratejilerinde kullanmaktadırlar. Büyük verinin yönetici ve uzmanlar tarafından nasıl algılandığı ve strateji süreçlerinde nasıl kullanıldığı yönünde alan yazınında bilişim sektörü üzerine pek fazla çalışmaya ulaşılamamış ve büyük verinin yeni bir olgu olması nedeniyle yeteri miktarda bilgi birikiminin oluşmadığı görülmüştür. Araştırmanın bu yönüyle, büyük verinin algılanması ve kullanımıyla alakalı mevcut ve gelecekteki kullanıcılara ve alan yazınına katkıda bulunacağı düşünülmektedir. Bu doğrultuda yeni ekonominin petrolünden azami ölçüde nasıl yararlanılabileceği ve stratejik planlamalar yapılarak işletmelerin içinde bulunduğu sektörden ve dış çevresinden aldıkları verileri işleyerek yüksek rekabet ortamında öne geçip fark yaratabileceği, pazar paylarını artırabileceği ve başarılı birer işletme olabileceği konusunda bir kaynak olabilmesi hedeflenmektedir. Bu araştırmanın genel amacı, bilişim işletmelerinde büyük verinin stratejik yönetime ve strateji geliştirme sürecine olan etkisini incelemek, bilişim işletmeleri yöneticilerinin büyük veriye olan bakış açılarını anlamak, sahada ne gibi çalışmaların yürütüldüğünü öğrenmek ve büyük verinin oluşturduğu yeni dünyada stratejik planlarını nasıl yürüttüklerini incelemektir. Araştırmada nitel araştırma yöntemi, araştırma deseni olarak da eylem araştırması kullanılmıştır. Bu çalışmanın amacı ile ilgili bilgileri toplamak için dokuz adet açık uçlu soru oluşturulmuştur. Veriler, işletmelerin yöneticileri ile yüz yüze gerçekleştirilen mülakat tekniği ile toplanmıştır. Elde edilen veriler, içerik analizi kullanılarak analiz edilmiştir. Sonuç olarak; bilişim sektöründe yer alan işletmelerin strateji geliştirme sürecinde büyük verinin etkisinin pek çok faydasının ve kolaylık ile zorluklarının bir arada bulunduğu; uygulama aşaması olarak orta, teorik olarak ise yüksek düzeyde olduğu tespit edilmiştir. Bu durumun, daha çok, çevresel belirsizlikler ve maddî zorluklardan kaynaklandığı belirlenmiştir. Mevcut durumda, KOSGEB ve benzeri kurumların işletmelere daha çok destek vermesi, meslekî eğitimlerin ve yüksek lisans bölümlerinin açılması, veri analisti, yazılım mühendisi gibi insan kaynaklarının desteklenmesi, bursların ve yurtdışı ve eğitimlerin sağlanması, açık veri uygulaması ile veriye erişim engellerinin kaldırılması, ülke genelinde çevresel belirsizliklerin olabildiğince azaltılması, bilgi güvenliği getirileri açısından millî bir veri depolama merkezinin oluşturulması, millî yazılım ve algoritmaların geliştirilmesi, millî bir strateji belgesinin geliştirilerek ortak platform kurulması önerilmektedir. Anahtar Kelimeler: Büyük Veri, Strateji Geliştirme, Stratejik Yönetim, Stratejik Planlama, Bilişim İşletmeleri
Farklı sektörlere ait büyük verinin birliktelik kuralları yaklaşımıyla incelenmesi
Teknolojinin hızla geliştiği, perakendeci firmaların rekabet ortamının hızla arttığı bu dönemlerde bilgisayar kullanımı da hızla artmaktadır. Perakendeci firmaların teknoloji ve bilgisayar kullanımlarının artması sebebiyle çok boyutlu veri tabanlarında işlem yapmaları gerekmektedir. Mevcut kapasitelerinde bulunan veri tabanlarında çok yoğun veriler karmaşık bilgileri bulundurmaktadır. Perakendeci firmalar için artık mevcut müşteri ve satış miktarları arasındaki veri karmaşasına çözüm bulma ihtiyacı doğmaktadır. Bu tez çalışmasında perakendeci firmalara ait farklı sektörlerin veri tabanları göz önüne alınarak veri madenciliği yöntemlerinden pazar sepeti analizi kullanılarak anlamlı bilgiye ulaşılması ve perakendeci firmaların gelecek bazlı pazar stok satış tahminlerini, satış stratejilerini oluşturabilmeleri amaçlanmaktadır. Bu çalışma sayesinde veri madenciliği uygulamaları ile perakendeci firmaların taleplerinin belirlenmesi, geleceğe yönelik satış stratejilerinin oluşturulması, bünyelerindeki verilerin anlamlı bilgiye dönüştürülerek saklanması vb. gibi çeşitli çözümler üretilebilecektir. Bu çalışmada veri madenciliğinin ilgili alandaki en yaygın yöntemi olan birliktelik kuralları analizi kullanılmıştadır. Veri kümeleri arasındaki bağıntıyı gün yüzüne çıkarmak için veri tabanlarının analizi Apriori ve Fp-Growth algoritmaları kullanılarak yapılmıştır. Veri madenciliği teknolojilerinde çoğunlukla kullanılan ücretsiz yazılım platformu olan WEKA yazılım platformu kullanılarak Apriori ve Fp-Growth algoritması uygulanmıştır. Uygulama sonuçları tartışılıp, yorumlanarak alana katkı sağlamak amaçlanmıştır. Bu çalışma sayesinde farklı perakendeci firmaların bünyesinde bulunan farklı veri tabanlarının stok ürün miktarlarına, stok raf dizilimlerine ve satış stratejilerine katkıda bulunması sağlanacaktır.
Büyük veri ve makine öğrenmesi kullanılarak elektrik tüketim örüntülerinin çıkarılması
Enerji sektöründe günümüze kadar gerçekleştirilen faaliyetlerin büyük bir kısmı temel olarak enerjinin üretimine ve iletimine odaklanmaktadır. Bununla birlikte son yıllarda özellikle, akıllı şebeke ve Gelişmiş Sayaç Altyapısı (Advanced Metering Infrastructure-AMI) gibi teknolojilerin hayatımıza girmesiyle dağıtım ve tüketici seviyesinde de gerçekleştirilen uygulamaların sayısında ciddi bir artış gözlenmektedir. Elektrik dağıtım şirketleri açısından değerlendirildiğinde AMI sistemler ve akıllı sayaçlar, yerinde sayaç okuması ihtiyacını ortadan kaldırarak güç akışının daha hızlı ve güvenilir bir şekilde izlenmesine ve kontrol edilmesine yardımcı olmaktadır. Son kullanıcı açısından değerlendirildiğinde ise akıllı sayaçlar, tüketicinin dağıtım şirketinden aldığı hizmetin kalitesinin artmasını sağlayarak enerjinin etkin ve verimli kullanımı hakkında bir farkındalık oluşturmaktadır. Bu tez çalışmasında, Büyük Veri analitiği ve makine öğrenmesi yaklaşımları kullanılarak tüketici seviyesinde kısa dönemli yük tahmini ve kayıp-kaçak tespiti uygulaması gerçekleştirilmiştir. Kısa dönemli yük tahmini uygulamasında akıllı sayaç verileri kullanılarak tüketicilerin yük profilleri ve tüketim örüntüleri çıkarılmıştır. Tüketici seviyesinde yük tahmini yüksek değişkenlik, belirsizlik ve veri gizliliği gibi sorunlar nedeniyle dağıtım hattı seviyesinde gerçekleştirilen toplam yük tahminine göre daha karmaşık süreçlerin tasarlanmasını gerektirmektedir. Bu nedenle, kısa dönemli yük tahmini uygulaması için hibrit bir derin öğrenme modeli oluşturulmuştur. Önerilen model, 1-Boyutlu (1-B) evrişimsel sinir ağlarını (Convolutional Neural Network-CNN), uzun kısa süreli bellek (Long Short Term Memory-LSTM) ağlarını ve gelişmiş veri ön işleme yöntemlerini bütünleşik bir çerçevede kullanmaktadır. Gelişmiş veri ön işleme aşamasında yük profillerinde yoğunluk tabanlı aykırılık analizi, parametre optimizasyonu, 1-B CNN ağları kullanılarak öznitelik çıkarma işlemleri gerçekleştirilmiştir. Önerilen hibrit derin öğrenme modeli hem dağıtım şirketinden hem de halka açık akıllı sayaç veri kümelerinde test edilmiştir. Kayıp-kaçak tespit uygulamasında altı farklı sahte veri yerleştirme (False Data Injection-FDI) senaryosu yerel bir dağıtım şirketinin AMI seviyesindeki gözlemci sayaç ve akıllı sayaç verileri kullanılarak incelenmiştir. Aynı zamanda, Highly Comparative Time-Series Analysis (HCTSA) yazılım paketi ve Komşuluk bileşen analizi (Neighborhood Components Analysis-NCA) kullanılarak anormal yük profillerinden kapsamlı istatistiksel öznitelikler hesaplanmış ve derin öğrenme tabanlı bir sınıflandırıcı model oluşturulmuştur. Önerilen derin öğrenme modeli Büyük Veri teknolojileri ile entegre edilerek farklı kayıp-kaçak senaryoları kullanılarak test edilmiştir.
Endüstri 4.0 entegrasyonu için bulut tabanlı üretim yönetim sistemi geliştirilmesi
Üretim sürecinin yönetilmesi işletmenin performans ve veriminin artırılması için elzem bir durumdur. Hammadde, personel ve makine gibi kaynakların bir düzen içerisinde üretimin parçasını oluşturması ise ancak iyi yönetilen bir iş akışı ile mümkün olabilmektedir. Kurumsallaşmamış olan birçok KOBİ (Küçük ve Orta Büyüklükteki İşletmeler) ölçeğindeki işletmenin bu konunda başvurduğu çözüm üretim sürecinin doğrudan bir koordinatör tarafından performans takibi göz ardı edilerek yönetilmesinden geçmektedir. Ancak bu geçici çözüm işletmelerin büyüme trendlerine sekte vuran en büyük engel olduğu görülmektedir. İnsan eli ile yapılan kontroller limitlidir. İşletmeler kapasite artışına gittiğinde ise bu insan eli ile yapılan üretim süreç yönetimi, işletme performansının ve karlılığının düşüşüne sebep olmaktadır. Bu konu hakkında yapılacak en önemli çözüm ise üretim süreç yönetiminin makinalar ve yazılımlar ile yapılmasıdır. Endüstri 4.0 entegrasyonu olmamış işletmelerde ürün süreci yönetiminin önünde makine parkurunun bilgisayar kontrollü olmayışı, tedarikten dağıtıma kadar tüm lojistik sürecin manuel yöntemler ile yönetilmesi ve çalışan personelin teknolojik altyapılarının eksikliği gibi faktörler çözülmesi gereken problemler olarak durmaktadır. Bu çalışmada, imalat sanayisinde Endüstri 3.0 üretim modeli ile faaliyet gösteren işletmelerin endüstri 4.0'a geçiş yapabilmelerini sağlayacak bulut tabanlı üretim yönetim sistemi ortaya konmuştur.
Yaşanan terör olaylarını içeren büyük verinin makine öğrenmesi teknikleri ile analizi
Teknoloji ve internet sayesinde veriler anlık olarak üretilmektedir. Bu verilerin çoğalması ile birlikte bilgi çıkarımı işlemleri önemli hale gelmekte ve veriden çıkarılacak bilgiler çok değerli olabilmektedir. Teknolojinin gelişmesi ve haberleşme ağlarının çoğalması ile birlikte günümüzde bilginin büyüklüğü ve değerli olması daha net bir şekilde görülmektedir. Günümüz teknolojisinde birçok cihaz anlık veri üretebilmekte, verileri kayıt altına almakta ve bu kayıtlar çoğaldıkça veriler yeterince incelenemeden veri deposuna gönderilmektedir. Araştırma ve geliştirme çalışmalarını bu yönde yürüterek karmaşık ve çeşitli verilerin altında zengin kaynaklarının yattığının farkına varan birçok araştırmacı "Büyük Veri" denilen bir yapıyı ortaya çıkartmıştır. Büyük veri işleme yöntemleri sayesinde anlamlı, faydalı ve önemli verilerin ortaya çıktığı görülmektedir. Büyük Veri, sadece büyük miktardaki veri anlamına gelmemekle birlikte geleneksel metotlar ile işlenemeyen veri anlamına da gelmektedir. Bu çalışmada, uluslararası haber ajanslarından ve kaynaklardan elde edilen verilerin oluşturulduğu dünyada yaşanmış olan terör olaylarını içeren Global Terrorism Database (GTD) veri kümesi ele alınmıştır. Bu veri kümesi üzerinde büyük veri kapsamında makine öğrenmesi yöntemleri ile analiz ve sınıflandırma işlemleri gerçekleştirilmiştir. Yaşanan bir terör olayının hangi örgüt tarafından gerçekleştirildiğini tahmin eden bir uygulama geliştirilmiştir. Bu çerçevede, terör saldırısının saldırı tipi, kullanılan silah türü, saldırı yapılan ülke, bölge ve saldırıdaki hedef kitle bilgileri kullanılarak yaşanan terör olayının hangi örgüt tarafından gerçekleştirildiğini tahmin eden Apache Spark tabanlı açık kaynak büyük veri işleme aracı Python dili kullanılarak geliştirilmiştir. GTD veri kümesinden, en çok saldırı gerçekleştiren ilk 10 terör örgütü seçilerek altı farklı makine öğrenmesi algoritması uygulanmış olup, algoritmaların performansları arasında karşılaştırma ve değerlendirme yapılmıştır. Uygulanan algoritmalarda en yüksek doğruluk oranı K-En Yakın Komşu (KNN) algoritması ile % 98,2 olarak bulunmuştur. Lojistik Regresyon (LR) algoritmasının büyük veri kümesi için uygun olmadığı tespit edilmiştir. Anahtar Kelimeler: Büyük veri, Apache spark, Terör olayları, Makine Öğrenme Algoritmaları
Dağıtık görüntü işleme
Bu tez çalışmasında, büyük veri alanında önemli bir yeri olan görüntü ve video dosyalarının dağıtık olarak işlenmesi konusu incelenmiştir. Görüntü ve video dosyalarının işlenmesinde kullanılmak üzere OpenStack bulut sistemi ile farklı ölçeklerde Hadoop kümeleri oluşturulmuştur. Dağıtık görüntü ve video işlemeyi gerçekleştirmek için Hadoop MapReduce programlama modeli ve OpenIMAJ kütüphanesi kullanılarak iki uygulama geliştirilmiştir. Bu uygulamalar geliştirilirken video ve görüntü dosyalarının Hadoop Dağıtık Dosya Sistemi (HDFS)'inden okunması, işlenmesi ve elde edilen sonuçların yazılması için gerekli olan ve Hadoop kütüphanesi tarafından sağlanmayan sınıflar yazılmıştır. Geliştirilen uygulamalar farklı ölçeklerdeki Hadoop kümeleri üzerinde çalıştırılarak dağıtık görüntü ve dağıtık video işlemede Hadoop MapReduce programlama modeli test edilmiştir. Geliştirilen bu sistem ile hızlı bir şeklide artan görüntü ve video dosyalarının daha kısa sürede işlenmesi ve analiz edilmesi mümkün olmaktadır. Bu sisteminin OpenIMAJ kütüphanesi ile uyumlu geliştirilmesi OpenIMAJ kütüphanesinin sağladığı bir çok algoritmanın dağıtık olarak görüntü ve video işlemede kullanılabilmesini sağlayacaktır.
Big data and machine learning for behavioral analytics and inference: Cases in sports and education
This thesis focuses on the use of big data and machine learning methods in behavioral analytics and causal inference. The main motivation of the thesis is to illustrate how the researchers working with traditional econometric methods can benefit from big data and causal ML methods. In the absence of well-established literature, finding the right regression specification is a challenging task, especially when working with high dimensional data set. In this study, I have combined causal ML techniques with explainable AI methods and provided guidelines on how to measure heterogeneous treatment effects with the right regression specification (i.e. which main effects and interactions to be used, what control variables to be included). To empirically test these guidelines, I have curated a large data set in football including detailed variables about interim feedback, match-specific conditions, team features, and most importantly manager characteristics. Empirical evidence contributes to the sports analytics literature suggesting when and how risk-taking behavior of football managers pays off in light of interim and ex-ante information revealed to the manager (i.e. the decision maker). Moreover, this thesis contributes to the causal ML literature by evaluating the performances of two well-known causal ML techniques (a recently popular matching algorithm focusing on finding average treatment effects (FLAME) and Causal Forest that directly aims to estimate heterogeneous treatment effects) are evaluated by using synthetic data generated with known heterogeneous treatment effects. In addition to sports analytics, I have also worked with education data and demonstrated how grit, a non-cognitive skill, predicts academic achievement for students. I used a unique dataset from a digital learning platform to construct a behavioral measure of grit and showed that behavioral grit is a better predictor of student performance compared to survey grit that has been traditionally used by the researchers. I have also found that machine learning algorithms perform well in predicting academic resilience even without constructing any structural model or regression specification, thanks to the power of big data. I believe that my findings from cases in sports and education put forward the benefits of using Machine Learning and big data for researchers working with traditional and theory-based models for causal inference.
Örgüt kültürünün büyük veri analitiği yetenekleri üzerindeki etkisi
İşletmeler özellikle son birkaç yıldır, rekabet avantajı sağlamak ve rakiplerinden bir adım öne geçmek için büyük veriye olan ilgilerini artırmışlardır. Gelişen teknoloji ile giderek önem kazanan büyük veri analitiği uygulamalarının, yakın gelecekte pazar dinamiklerini şekillendiren ve işletmelerin karlılık durumunu etkileyen en önemli faktörlerden birisi olması kaçınılmazdır. Örgüt kültürü, varsayımları, değerleri, normları ve sembolleri aracılığıyla bir örgütün strateji, yapı ve süreçler gibi çeşitli yönleri üzerinde güçlü bir etkiye sahiptir (Alharthi ve diğerleri, 2017). Birçok kuruluşun büyük veri projelerinde, büyük veri yeteneklerinden yararlanmak için doğru teknolojik araçlara sahip olmadığından başarısızlık yaşadığı görüşü bulunmaktadır. Ancak, son zamanlarda büyük veri projelerinin genellikle başarısız olmasının nedenlerinin veri teknolojisinden ziyade örgüt kültürü ile ilgili olduğunu belirtilmektedir (Shamim ve diğerleri, 2020; LaValle ve diğerleri, 2014). Bu tez çalışmasının amacı örgüt kültürü boyutlarının büyük veri analitiği yeteneklerini ne ölçüde etkilediğinin araştırılmasıdır. Araştırma, Cameron ve Quinn'in (2006) ele aldığı dört örgüt kültürü tipinin, işletmelerde büyük veri analitiği yeteneklerinden yararlanırken söz konusu olabilecek muhtemel etkileri incelemektedir. Araştırmada veriler anket yöntemi ile toplanmıştır ve 2022 yılında büyük veri kullanan uzman ve yöneticiler tarafından cevaplanmıştır. Araştırmada; örgüt kültürü algısı ile büyük veri analitiği yetenekleri arasında yüksek düzeyli, pozitif ve anlamlı bir ilişki tespit edilmiştir.
Kripto para fiyat değişimlerinin büyük veri araçları ile analizi
Tarih boyunca çoğu insanın en büyük problemlerinden biri, gelirlerinin giderlerini karşılamada yetersiz kalması olmuştur. Günümüzde insanlar daha fazla gelir elde etmek için farklı borsalarda alım-satım işlemleri yapmaktadırlar. Kripto paralar, alım-satım işlemleri için kullanılan metalardan bir tanesidir. Borsalarda alım-satım stratejileri belirlenirken temel ve teknik analiz yöntemleri kullanılmaktadır. Teknik analiz, geçmiş fiyat hareketleri incelenerek, gelecekteki fiyat değişimlerini tahmin etmeye çalışmak olarak açıklanabilir. Teknik analiz ile alım-satım stratejileri belirlenirken çok büyük verilerle karşılaşılmaktadır. Bu durum, verilerin analizini zorlaştırmakta ve uygulanacak stratejilerin hatalı olma olasılığını arttırmaktadır. Bu büyük verileri doğru analiz edemeyenler kripto para yatırımlarından büyük zararlarla karşılaşabilmektedirler. Kripto paraların yakın zamanda ortaya çıkması sebebiyle, kripto para fiyat değişimlerinin analizi hakkında çok fazla çalışma mevcut değildir. Bu çalışmada, en büyük piyasa değerine sahip 3 kripto paranın verileri kullanılmıştır. Bu kripto paralar sırasıyla Bitcoin, Ethereum ve XRP'dir. Bu kripto paraların fiyat değişimlerinin analizi için büyük veri analiz yöntemlerinden K En Yakın Komşu (KNN), Destek Vektör Regresyonu (DVR) ve Rastgele Orman (RO) algoritmaları kullanılmıştır. Çalışma sonucunda, tahmini verilerin gerçek verilerle karşılaştırılması yapılmıştır. Karşılaştırma sonucunda tüm veri setlerinde en başarılı sonucu Destek Vektör Regresyonunun verdiği görülmüştür.
Büyük veri ile hava kalitesi tahmini
Bu tezde, İstanbul il genelinde yer alan istasyonlarda ölçülen hava kalitesi indeksi ve hava kirleticilerinin yoğunluğu büyük veri ve akıllı yöntemler aracılığı ile tahmin edilmiştir. Tezde temel olarak ele alınan problem, makine öğrenmesinin temel problemlerinden biri olan regresyon problemidir. Hava kalitesinin tahmini için çok sayıda farklı kaynaktan veri elde edilmesi, bu verilerin ilgili regresyon problemini oluşturmak üzere düzenlenerek veri kümesi haline dönüştürülmesi amacıyla çeşitli web servisleri ve web kazıma yaklaşımları kullanılmıştır. Daha sonra temizlenen veri kümeleri üzerinden literatürde ana akım olarak bulunan birçok regresyon yöntemi kullanılmış ve bu yöntemlerin parametrelerinin en iyi şekilde belirlenmesine yönelik çalışmalar yapılmıştır. Elde edilen sonuçlar karşılaştırmalı olarak raporlanmıştır.
Lojistik sektöründe büyük veri analitiği önündeki engellerin ISM-MICMAC yöntemi ile incelenmesi
Son yıllarda büyük veri, birçok alanda faydalı olması sebebi ile dikkatleri üzerine çekmiştir. Büyük veri analitiği işletmelerde birçok faaliyet alanında yardımcı olduğu gibi herhangi bir konuda görüş sahibi olmaya da yardımcı olduğu görülmektedir. Ancak bazı sektörlerde büyük veri analitiğinin kabul edilmesinin ve uygulanmasının önünde engellerin olduğu görülmektedir. Bunlardan sektörlerden biri de lojistik sektörüdür. Lojistik sektöründe büyük veri analitiğinin önemi ve uygulama alanları bulunmasına rağmen büyük veri analitiğinin uygulanmadığı işletmeler mevcuttur. Bu çalışmada ise, lojistik sektöründe büyük veri uygulamalarının önündeki kritik engellerin incelenmesi ve aralarındaki ilişkilerinin açıklanıp yorumlanması amaçlanmıştır. Engellerin birbirlerini hangi doğrultuda etkilendiklerini ortaya koymak ve odaklanması gerekilen engelleri belirlemek için Yorumlayıcı Yapısal Modelleme Yöntemi (ISM) kullanılmıştır. Büyük veri uygulamalarının önündeki engeller, birbirlerini etkileme ve birbirlerinden etkilenme durumlarına göre sınıflandırmak için ise MICMAC yöntemi kullanılmıştır. Sonuçta, lojistik sektöründe büyük veri analitiği önündeki en önemli engeller; "veri yönetimindeki karmaşıklık" ve "işletmelerin örgütsel değişime direnmesi" engelleridir. Bu engeller sistem içerisinde etkileme ve etkilenme özelliğine sahiptirler. "Veri güvenliği ve gizliliği", "bilgi işlem gücü", "nitelikli iş gücü eksikliği", "bilgi paylaşım eksikliği", "üst yönetim taahhüdü eksikliği", "mevcut eski sistemler" ve "büyük veri uygulamalarının yaygın olmaması" engelleri ise kontrol altında tutulması gereken ikinci sırada yer alan engellerdir. "Finansal yetersizlik" ve "düşük veri kalitesi" engelleri sistem içinde fazla bağlılığa sahip olmayan ve etkilemeyen engeller olarak son sırada yer almaktadır.
Büyük veri ve analitik sistemlerin kullanımını etkileyen faktörlerin genişletilmiş teknoloji kabul modeli ile incelenmesi
Büyük Veri ve Analitik (BVA) Sistemler yeni bilgi teknolojileri olarak kabul edilmektedir. BVA sistemleri büyük miktarda yapılandırılmış ve yapılandırılmamış veriyi yakalamak, depolamak, aktarmak, analiz etmek ve görselleştirmek için kullanılan teknik ve teknolojiler bütünü olarak tanımlanmaktadır. Bilgi teknolojilerinde büyük veriden yararlanan ve büyük veri tabanlı karar veren işletmelerin rakiplerinden %5 daha verimli olduğu ve % 6 daha karlı olduğu görülmüştür. Fakat işletme performansı, uygulanan bilgi teknolojilerinin gerçek anlamda kullanılması ile arttırılabilir. Bu sebeple sistemi kullanması beklenen çalışanların sistemi kullanmaya nasıl karar verdiklerini anlayabilmek büyük önem taşımaktadır. Günümüze kadar teknolojinin kabulü ve benimsenmesi ile ilgili pek çok teorik model geliştirilmiştir. Teknoloji Kabul Modeli (TKM), farklı bilgi teknolojilerinin kullanıcı kabulünü tahmin etmede ve kullanıcıların yeni sistemleri kullanmasının sebeplerini açıklamada yaygın olarak kullanılmaktadır. BVA sistemlerinin kullanım kabulünü incelemek için geniş bir literatür taraması yapılmış, Teknoloji Kabul Modeli (TKM), Teknoloji Kabul Modeli 2 (TKM2) ve Planlı Davranış Teorisi (PDT) birleştirilerek entegre bir model oluşturulmuştur. Araştırma modelinde TKM'den algılanan fayda ve algılanan kullanım kolaylığı, PDT'den sübjektif normlar ve algılanan davranışsal kontrol ve TKM2'den sonuç gösterilebilirlik, işe uyum ve çıktı kalitesi değişkenleri kullanılmıştır. Bu araştırma kapsamında geliştirilen modelin veri seti tarafından desteklenip desteklenmediğini araştırmak için Türkiye'de faaliyet gösteren 35 işletmede BVA sistemleri kullanan 300 kişiye anket uygulanmıştır. Araştırma modeli, Yapısal Eşitlik Modellemesi (YEM) kullanılarak, AMOS 25 ile test edilmiştir. Araştırma sonuçları, BVA sistem kullanım niyetinin %56'sının algılanan fayda, algılanan davranışsal kontrol ve sübjektif normlar tarafından açıklandığını göstermektedir. Bu değişkenler arasında algılanan faydanın güçlü bir etkiye sahip olduğu bulunmuştur. Bu araştırma BVA sistemlerinin kullanım kabulü hakkında var olan bilgi birikimini genişletmekte ve BVA sistem uygulayıcılarına ve sistem tasarımcılarına nelere odaklanmaları gerektiğine dair elde edilen bulgular ile ışık tutmaktadır.
Büyük verinin yeni medya sanatında kullanımı; veri resmi ve veri heykeli
Büyük Veri, mevcut teknolojiler ile uygun sürede işlenemeyecek kadar büyük ve farklı türdeki veri yığınlarından oluşan bilginin toplanması, işlenmesi, analiz edilmesi, depolanması ve bu bilgiden anlamlı sonuçların çıkarılması ile kendisinden değer elde edilmeye çalışılan teknolojilerin bir bütünü olarak tanımlanmaktadır. Büyük veri teknolojisi bilim, sağlık, ticaret, medya ve sanat gibi pek çok alanda kullanılmaktadır. Büyük veri sanat alanında özel yazılımlar ve yapay zekâ uygulamaları ile işlenerek yeni medya sanatı eserleri oluşturulmaktadır. Bilim, teknoloji ve sanatın kesiştiği noktada, büyük veriyi temel malzeme olarak kullanan, çeşitli yazılımlar ve yapay zekâ uygulamaları ile estetiksel olarak yorumlayan Refik Anadol, bu çalışmalarını veri resimleri ve veri heykelleri olarak nitelendirmektedir. Bu çalışmada büyük veri, yeni medya, yeni medya sanatı, veri resmi ve veri heykeli gibi kavramlar açıklanmaya çalışılmakta ve büyük verinin yeni medya sanatında kullanımı Refik Anadol'un çalışmaları ile incelenmektedir.
Sağlık hizmetlerinde büyük veri: Mobil sağlık uygulamalarının kullanımını etkileyen faktörlerin Genişletilmiş Teknoloji Kabul Modeli ile incelenmesi
Büyük Veri ve Analitik Sistemleri (BVA) büyük miktardaki ve çok çeşitli yapılardaki verilerin depolanmasını, gerçek zamanlı olarak analiz edilmesini ve görselleştirilmesini sağlamaktadır. BVA, toplumumuzu ve yaşamlarımızı dönüştürmekte ve giderek daha fazla değişim vadetmektedir. Toplumun BVA ile entegre edilmiş mobil sağlık (m-sağlık) uygulamalarını kullanması, sağlığın teşviki ve geliştirilmesi için önemlidir. Araştırmanın amacı, BVA'nın m-sağlık uygulamaları ile entegre edilmiş bilgi sistemlerinin tüketicilerin benimseme davranışı üzerindeki etkisini araştırarak teknoloji benimseme literatürünü genişletmektir. Araştırmada Planlı Davranış Teorisi, Teknoloji Kabul Modeli ve Bilgi Sistemleri Başarı Modeli'nin entegrasyonu sağlanarak yeni bir model geliştirilmiştir. Araştırmanın örneklemini İstanbul ilinde yaşayan 18 yaş üstü Hayat Eve Sığar (HES) kullanıcıları oluşturmaktadır. Araştırma verilerinin toplanması aşamasında anket yöntemi tercih edilmiş ve kolayda örnekleme yöntemi uygulanmıştır. Elde edilen 400 anket verisi ile ilgili temel istatistiksel analizler için SPSS 24 kullanılmıştır ve veriler yapısal eşitlik modeliyle test edilmiştir. Araştırma bulgularına göre; BVA ile entegre edilmiş m-sağlık uygulamaları kapsamında subjektif norm, algılanan davranışsal kontrol, algılanan bilgi kalitesi, algılanan sistem kalitesi, algılanan fayda ve algılanan kullanım kolaylığının kullanım niyeti üzerinde pozitif etkisi olduğu tespit edilmiştir. Ayrıca algılanan kullanım kolaylığının, algılanan fayda üzerinde pozitif etkisi tespit edilmiştir. Araştırma teknoloji benimseme literatürüne katkı sağlamaktadır ve sağlık hizmetleri endüstrisinin iş modellerini yeniden yapılandırmasına yardımcı olabilir.
Kumaş imgelerinin derin öğrenme ile sınıflandırılması
Her gün insan ve teknoloji etkileşiminden milyonlarca veri üretilmektedir. Bu verilerin işlenmesi ve belirli sonuçlar elde edilmesi bilginin varlığı açısından önemlidir. İnsanlar tarafından yapılan çıkarımlar artık gün geçtikçe başarı oranı artan, hata payı azalan yapay zekâ tabanlı sistemler tarafından yapılmaktadır. Görüntü, ses, dil işleme, biyomedikal gibi birçok alanda elde edilen başarılardan dolayı derin öğrenmenin kullanımı da yaygınlaşmıştır. Bu çalışmada da derin öğrenmenin çok katmanlı sinir ağı yapılarından olan evrişimli sinir ağları (CNN) ile kumaş görüntülerini sınıflandırma amaçlanmıştır. İlk aşamada sınıflandırma yapılacak modeller tasarlanırken başarıya etki eden hiper-parametreler dikkate alınmış, 10 farklı modelde eğitilmiştir. İkinci aşamada ise veriler önceden eğitilmiş yedi modelde transfer öğrenimi (Trasfer Learning) metodu ile iki farklı yaklaşım kullanılarak eğitilmiştir ve tüm sonuçlar karşılaştırılmıştır. Toplamda, veriler 24 farklı modelde eğitime tabi tutulmuştur. Her model kesinlik, duyarlılık, F1 skoru ve doğruluk metriklerine göre değerlendirilmiş sonuçlar paylaşılmıştır. Tasarlanan modellerde en yüksek başarı oranı ve en düşük başarı oranı sırasıyla %96,26, %28,24 olarak elde edilmiştir. Transfer öğrenimi yoluyla yapılan eğitimlerde en yüksek başarı oranı %84,51 ile ince ayar yapılmış VGG-16 modelinde elde edilirken, en düşük başarı %76,53'lük oranla sadece özellik çıkarımı yaklaşımı kullanılan InceptionV3 modelinden elde edilmiştir.
Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması
Bu tez çalışması, diyabet hastalığının erken teşhisine yönelik olarak çağdaş veri bilimi yöntemleri, istatistiksel ön işleme teknikleri, makine öğrenmesi algoritmaları, sentetik veri üretim sistemleri, belirsizlik tabanlı matematiksel analiz yaklaşımları ve gerçek zamanlı veri akış teknolojilerinin bir araya getirilmesiyle oluşturulan bütüncül bir karar destek sistemi geliştirilmesini amaçlamaktadır. Diyabet, küresel ölçekte hem yaygınlığı hem de yol açtığı uzun vadeli sağlık komplikasyonları nedeniyle günümüz tıbbının en kritik kronik hastalıklarından biridir. Hastalığın erken dönemde yüksek doğrulukla tespit edilmesi, ilerleyen dönemlerde ortaya çıkabilecek kardiyovasküler, nörolojik ve metabolik komplikasyonların önlenmesi açısından büyük önem taşımaktadır. Bu nedenle modern tıpta veri temelli karar destek mekanizmaları gün geçtikçe daha önemli hâle gelmektedir. Bu tez, yalnızca bir makine öğrenmesi modeli oluşturmakla kalmayıp, verinin toplanma anından analiz edilmesine ve sonuçların kullanıcıya gerçek zamanlı olarak sunulmasına kadar uzanan tüm süreci kapsayan çok katmanlı bir mimari ortaya koymaktadır. Böylece klasik sınıflandırma yaklaşımlarının ötesinde, gerçek zamanlı ve klinik olarak uygulanabilir bir çözüm hedeflenmiştir. Tez kapsamında kullanılan Pima Indians Diabetes veri seti, tıbbi veri setlerinde yaygın olarak görülen eksik veri, dengesiz sınıf yapısı ve ölçüm hataları gibi temel problemleri içerdiği için çalışmanın başlangıç noktası olmuştur. Veri setinde bazı fizyolojik ölçümlerin sıfır değer içerdiği tespit edilmiş; glikoz, insülin veya cilt kalınlığı gibi değerlerin sıfır olmasının biyolojik olarak mümkün olmaması nedeniyle bu veriler eksik veya hatalı veri olarak değerlendirilmiştir. Bu nedenle sistematik bir veri ön işleme süreci yürütülmüştür, aykırı değerlerin belirlenmesi için IQR (Interquartile Range) yöntemi kullanılmış ve dağılımı bozan uç değerler gerektiği şekilde düzeltilmiştir. Bu işlemler sonucunda veri setinin istatistiksel bütünlüğü artırılmış ve makine öğrenmesi modellerinin daha doğru bir temelde eğitilmesi mümkün hâle gelmiştir. Veri setinin önemli problemlerinden biri olan sınıf dengesizliği ise SMOTE (Synthetic Minority Over-sampling Technique) algoritması ile giderilmiştir. Pozitif sınıfın düşük temsili, modellerin negatif sınıfa eğilim göstermesine neden olduğundan SMOTE aracılığıyla azınlık sınıfı veri uzayı içinde artırılmış ve dengeli bir eğitim kümesi oluşturulmuştur. Ayrıca veri setinin genişletilmesi amacıyla CTGAN (Conditional Tabular GAN) yöntemi uygulanmış ve veri seti 2000 gözleme çıkarılmıştır. CTGAN'ın karmaşık dağılımları öğrenebilme kapasitesi sayesinde sentetik verilerin özgün veri setiyle tutarlı bir yapıda üretildiği görülmüş, bu durum modelin genelleme becerisini artıran önemli bir faktör olmuştur. Bu aşamalar, çalışmanın sonraki bölümleri için güçlü bir veri tabanı oluşturmuştur. Veri önişleme sürecinin başarıyla tamamlanmasının ardından, tez çalışmasının ikinci önemli bileşenini oluşturan belirsizlik analizi aşamasına geçilmiştir. Bu kapsamda, Kaba Kümeleme Teorisi (Rough Set Theory – RST) kullanılarak veri kümesi üzerinde açıklanabilirlik temelli bir bilgi çıkarımı yapılmıştır. RST, özellikle kategorik veriler üzerinde çalışmaya uygun olan ve belirsizlik içeren veri kümelerinde hem indirgeme işlemleri hem de karar kuralları üretme kapasitesi ile bilinen güçlü bir matematiksel yöntemdir. Bu nedenle veri setindeki sürekli değişkenler klinik açıdan anlamlı aralıklara bölünerek kategorik forma dönüştürülmüştür. Kategorik dönüşümün ardından C# dili ile özel olarak geliştirilen RST yazılımı kullanılmış; reduct, core, pozitif bölge ve karar kuralları hesaplanmıştır. Bu analizler sonucunda hiçbir özniteliğin tamamen gereksiz olmadığı, tüm değişkenlerin diyabet teşhisine belirli düzeyde katkı sağladığı görülmüştür. Reduct sonuçlarının bu biçimde çıkması, diyabetin çok boyutlu yapısını ve tek bir parametre üzerinden açıklanamayacak kadar karmaşık bir hastalık olduğunu ortaya koymaktadır. Ayrıca RST'nin oluşturduğu "Eğer … ise … olur" yapısındaki karar kuralları, makine öğrenmesi modellerinin genellikle eksik bıraktığı açıklanabilirlik ihtiyacına yanıt veren önemli bir çıktı üretmiştir. Bu kurallar, özellikle klinik çalışanların sınıflandırma sonuçlarını daha rahat değerlendirebilmesi açısından önemli bir avantaj sağlamaktadır. Belirsizlik analizi bileşeninden sonra tesis edilen sistemin omurgasını oluşturan çok katmanlı yazılım mimarisine geçilmiştir. Bu mimari, temel olarak üç ana bileşenden oluşmaktadır: (1) C# tabanlı kullanıcı arayüzü, (2) Apache Kafka tabanlı gerçek zamanlı veri iletim sistemi ve (3) Java tabanlı analiz katmanı. Bu mimari yapı, verinin sisteme girişinden analiz sonuçlarının veritabanına kaydedilmesine kadar uzanan süreci tamamen otomatikleştiren bir yaklaşım sunmaktadır. C# tarafında geliştirilen kullanıcı arayüzü, laborantın hastaya ait ölçümleri sisteme girmesi için kullanıcı dostu bir platform sağlamaktadır. Ancak bu arayüz klasik CRUD işlemleriyle veriyi doğrudan veritabanına yazmak yerine, Kafka Producer bileşeni aracılığıyla veriyi Kafka'ya iletmektedir. Kafka, büyük ölçekli veri akışları için tasarlanmış yüksek performanslı bir mesajlaşma platformu olduğundan, sistemin gerçek zamanlı çalışması için kritik bir rol üstlenmektedir. Kafka Producer bileşeni, her yeni hasta verisini JSON formatında Kafka topic'ine iletmekte ve veri akışını başlatmaktadır. Topic yapısı, gelen verilerin sıralı ve tutarlı biçimde işlenmesini sağlar. Java tarafında çalışan Kafka Consumer bileşeni ise bu mesajları anında algılamakta ve analiz sürecini başlatmaktadır. Bu yapı, sistemin olay tetiklemeli (event-driven) olarak çalışmasını mümkün kılmaktadır. Consumer bileşeninin veriyi algılamasıyla birlikte Java tabanlı analiz katmanı devreye girer ve makine öğrenmesi algoritmaları otomatik olarak çalıştırılır. Bu süreç, klasik veri tabanı sorgulamalarından çok daha hızlı ve daha ölçeklenebilir bir mekanizma sunmaktadır. Java tabanlı analiz katmanında yer alan makine öğrenmesi algoritmaları (Naive Bayes, KNN, KNC, Logistic Regression, AdaBoost ve Ensemble), manuel olarak kodlanmış olup gerçek zamanlı veri akışına uyumlu çalışacak şekilde optimize edilmiştir. Bu algoritmaların manuel olarak geliştirilmesi, hem performans üzerinde daha fazla kontrol sağlamış hem de hazır kütüphanelerin getirdiği kısıtlamalardan kaçınılmasına olanak tanımıştır. Bu analiz aşamasında özellikle KNN ve Ensemble modellerinin yüksek doğruluk performansı sergilediği gözlemlenmiştir. Ensemble modeli, farklı algoritmaların güçlü yönlerini bir araya getirerek daha kararlı ve yüksek doğruluklu sonuçlar üretmesi bakımından sistemin en başarılı sınıflandırıcılarından biri olarak öne çıkmıştır. Her yeni veri Kafka üzerinden geldiğinde bu algoritmalar otomatik olarak çalıştırılmış ve tahmin sonuçları elde edilmiştir. Analiz süreci tamamlandığında sonuç MSSQL veritabanına kaydedilmiş ve kullanıcı arayüzü üzerinden anında görüntülenebilir hâle getirilmiştir. Böylece verinin girişinden sonuçların elde edilmesine kadar geçen süreç tamamen otomatik, senkronize ve gerçek zamanlı bir yapıya kavuşmuştur. Bu mimarinin özellikle klinik ortamlarda hızlı karar verme gerektiren senaryolarda önemli avantajlar sunduğu düşünülmektedir. Bu tezde önerilen çok katmanlı ve yüksek performanslı mimari yalnızca tek bir sınıflandırma problemini çözmek için değil, aynı zamanda modern sağlık bilişimi sistemlerinin nasıl kurgulanması gerektiğine yönelik daha geniş bir bakış açısı sunmak amacıyla tasarlanmıştır. Bu mimari, verinin üretildiği noktadan analiz sonuçlarının kullanıcıya iletilmesine kadar geçen sürecin her aşamasını optimize eden bir yapı ortaya koymaktadır. C# tabanlı kullanıcı arayüzünden başlayan veri akışı, gerçek zamanlı veri iletimini mümkün kılan Kafka sistemi üzerinden Java tabanlı analiz katmanına ulaşmakta; analiz tamamlandıktan sonra sonuçlar MSSQL veritabanına kaydedilmekte ve kullanıcıya geri dönmektedir. Bu akış içinde veri, hiçbir aşamada gereksiz şekilde bekletilmemekte veya yavaşlatılmamaktadır. Bu nedenle sistem hem hız hem de güvenilirlik açısından klinik uygulamalara uygun bir yapı sergilemektedir. Analiz katmanında kullanılan makine öğrenmesi algoritmalarının her biri farklı veri davranışlarını modelleme kapasitesine sahiptir. KNN algoritmasının örüntü temelli yaklaşımı, sağlık verilerinin çeşitli alt gruplarını başarılı şekilde ayırt edebilirken; Logistic Regression daha lineer ilişkilerin hâkim olduğu alanlarda dengeli sonuçlar üretebilmektedir. AdaBoost algoritmasının zayıf sınıflandırıcıları birleştirerek daha güçlü bir model oluşturması ise veri setindeki karmaşık bölgelerin daha etkili şekilde çözümlenmesini sağlamaktadır. Ensemble modelinin diğerlerine kıyasla daha başarılı performans sergilemesinin temel nedeni, birden fazla algoritmanın güçlü yönlerini harmanlayarak daha kararlı bir tahmin gücü sunmasıdır. Bu durum, özellikle sağlık verilerinin heterojen yapısıyla uyumludur; çünkü sağlık verileri çoğu zaman tek bir modelin açıklamakta zorlanacağı karmaşık ilişkiler içerir. RST'nin sunduğu karar kuralları, makine öğrenmesi algoritmalarının genellikle eksik kaldığı açıklanabilirlik konusuna önemli bir katkı sağlamıştır. RST ile üretilen kurallar, veri setindeki hangi kategori kombinasyonlarının diyabet riskini artırdığını açık biçimde göstermektedir. Örneğin belirli BMI değerleri, belirli glikoz aralıkları veya belirli yaş sınıfları birlikte değerlendirildiğinde yüksek riskin ortaya çıktığı görülebilmektedir. Bu tür kurallar, modelin neden belirli bir sonucu ürettiğini açıklamak açısından değerlidir ve klinik karar desteği süreçlerinde hem şeffaflığı hem de kullanıcı güvenini artıran bir unsur olarak öne çıkmaktadır. Gerçek zamanlı uçtan uca bu sistemin güçlü yönlerinden biri, laborant tarafından girilen tüm verilerin analiz sürecinde herhangi bir manuel müdahale gerektirmeden işlenmesidir. Kafka tabanlı olay tetiklemeli yapı sayesinde sistem, veri girişi yapıldığı anda analiz sürecini başlatmakta, kullanıcıyı bekletmeden sonuç üretmekte ve bu sonuçları veritabanına kaydederek kullanıcıya sunmaktadır. Bu yapı, özellikle yoğun klinik ortamlarda zamandan tasarruf sağlamakta ve insan hatasını en aza indirmektedir. Ayrıca sistemin modüler yapısı, yeni algoritmaların kolayca eklenmesine, iş akışının genişletilmesine ve veritabanı şemasının ihtiyaçlara göre güncellenmesine olanak tanımaktadır. Bu nedenle geliştirilen sistem yalnızca diyabet teşhisine yönelik bir araç değil, aynı zamanda farklı hastalık türleri için uyarlanabilir bir platform niteliği taşımaktadır. Sonuç olarak bu tez çalışması, diyabet teşhisinin doğruluk, hız, açıklanabilirlik ve gerçek zamanlı veri işleme kapasitesi açısından modern bir yaklaşım sunmaktadır. Geliştirilen mimari, veri önişleme süreçlerinden sentetik veri üretimine, belirsizlik analizi yöntemlerinden gerçek zamanlı makine öğrenmesine kadar pek çok teknolojiyi tek bir çatı altında birleştirmekte ve uçtan uca bir çözüm üretmektedir. Bu yapı, sağlık bilişimi alanında gelecekte geliştirilecek sistemler için hem güçlü bir referans hem de potansiyeli yüksek bir başlangıç noktası oluşturmaktadır. Sistem, özellikle sağlık kuruluşlarında hızlı risk değerlendirmesi gerektiren durumlarda kullanılabilecek pratik bir karar destek mekanizması sunmakta ve klinik personelin daha doğru ve zamanında kararlar almasına yardımcı olmaktadır.
Marka imajına yönelik derlem geliştirme ve sosyal medya analitiği ile duygu analizi
Yöntem bilimsel bakış açısıyla genel amaçla oluşturulmuş duygu sözlüklerinin marka imajı çalışma sahasına ait marka kavramlarını yeterli derecede yansıtamaması, Türkçe olarak marka imajı çerçevesinde duygu derleminin mevcut olmaması ve marka imajı algılamalarını duygu analizi ile ortaya koyan çalışmaların son derece sınırlı olması bu alandaki boşluğu ortaya koymaktadır. Bu bağlamda araştırmanın ilk amacı markaların internet kullanıcılarının zihnindeki imaj algısını belirleyebilmek adına duygu analizi için gerekli olan marka alanına özgü Türkçe derlem oluşturmak, ikinci amacı genel duygu sözlükleri ile geliştirilen marka imajı derleminin duygu sınıflandırma performansını karşılaştırmaktır. Ayrıca çalışmanın üçüncü amacı olarak, elde edilen alan özel derlem ile iki parekende markasına yönelik marka imajı boyutunu şekillendiren faktörleri ortaya koymaktır. İlk amacı gerçekleştirmek için, marka imajı ile ilgili yükseköğretim kurumundaki (YÖK) 113 Türkçe tez ve 150 bilimsel makale taranarak, R programlama aracı kullanılarak derlem yaklaşımı ile 14228 adet duygu terimi içeren bir duygu derlemi geliştirilmiştir. İkinci amacı gerçekleştirmek için sınıflandırma performans ölçümlerinde kullanılmak üzere Twitter ile toplanan 300 negatif marka yorumu ve 300 pozitif marka yorumu el ile etiketlenerek analiz edilmiştir. Marka İmajı derleminin duygu sınıflandırma başarı oranı üç büyük genel sözlük olan SentiWordNet, SentiTürkNet ve NRC sözlükleri ile kesinlik, hatırlatma, F-ölçümü ve doğruluk oranları ve duygu sınıflandırması başarı oranları karşılaştırılması sonucu elde edilmiştir. Elde edilen analiz bulguları, geliştirilen derlemin sınıflandırma performansı oranlarının genel amaçlı sözlüklere kıyasla hem pozitif sınıflandırma hemde negatif sınıflandırmada daha başarılı olduğunu göstermiştir. Üçüncü amacı gerçekleştirmek için iki parekende markası özelinde incelenen marka imajı boyutları marka kişiliği temelinde ele alınmıştır. Uygulamada kullanılan veri seti Twitter platformundan çıkarılmıştır. X markasına ait 65328 adet tweet yorumu ve Y markasına ait 117289 adet tweet yorumu duygu analizinde kullanılmıştır. Analiz bulguları ise X markasının en yüksek değer ile "Mütevazı" ve "Neşeli" marka imajı alt boyutunda algılandığı Y markasının ise en yüksek değerde "Heyecan" ve "Samimiyet" ve "Yetkinlik" marka imajı boyutunda algılandığı görülmüştür.