Makine öğrenmesi yöntemleri
143 theses under this subject heading
İki katmanlı entegrasyon mimarisiyle hastalığa özel birliktelik ağı çıkarımı
Hastalıklara neden olan biyolojik mekanizmaların moleküler seviyede keşfi son yıllarda üzerinde önemle durulan bir çalışma alanıdır. İnsan genom projesinin tamamlanması ve DNA dizileme tekniklerindeki ilerlemelerle hastalıklara neden olan süreçler ve bu süreçler altında yatan moleküler ilişkiler daha hızlı ve kolay bir şekilde belirlenmektedir. Gen birliktelik ağları farklı fenotiplere sahip örneklerde benzer örüntüler sergileyen genler arasındaki ilişkilerden oluşan moleküler ilişki ağlarıdır. Benzer örüntü sergileyen genlerin yapılan literatür çalışmalarında benzer biyolojik fonksiyonlara sahip olduğu ve benzer süreçlerde yer aldıkları anlaşılmıştır. Tez kapsamında mikrodizin gen ifadesi, RNA- Seq ve miRNA- hedef gen verileri üzerinde farklı gen ağı çıkarım algoritmaları kullanılarak gen birliktelik ağları elde edilmiştir. Literatürde farklı biyolojik veri kümeleri ve gen ağı çıkarım algoritmalarını aynı yapı içerisinde kullanarak hastalıklarla ilişkilendirilmiş kapsamlı ve doğruluklu gen birliktelik ağı çıkarımı gerçekleştiren çalışma sayısı kısıtlıdır. Tez kapsamında temel hedefimiz farklı gen ağı çıkarım algoritmaları ve biyolojik veri kümelerini birlikte kullanarak göğüs ve prostat kanseriyle ilgili yüksek doğruluklu ve kapsamlı gen birliktelik ağları oluşturmaktır. Bu hedefle kesişim, basit çoğunluk oyu ve birleşim gibi temel entegrasyon yöntemleriyle iki katmanlı bir yapı oluşturularak gen birliktelik ağlarının entegrasyonunu gerçekleştirilmiştir. İki katmanlı entegrasyon mimarisi ile aynı veri kümesi üzerinde farklı gen ağı çıkarım algoritmalarından elde edilen gen birliktelik ağlarının entegrasyonu birinci entegrasyon aşamasında, farklı biyolojik veri kümeleri kullanılarak elde edilen gen birliktelik ağlarının entegrasyonu ise ikinci entegrasyon aşamasında gerçeklenmiştir. Elde edilen gen birliktelik ağlarının performansı biyolojik ve topolojik özelliklerine göre değerlendirilmiştir. Bu iki değerlendirme kriterine ek olarak literatür verileri ile örtüşme analizi yapılmıştır. Sonuç olarak, sadece gen ağı çıkarım algoritmaları kullanılarak yapılan gen birliktelik ağı entegrasyonunun performans arttırımına etkisi kısıtlı iken, farklı biyolojik veri kümelerinden elde edilen gen birliktelik ağlarının entegrasyonunun performans artışı sağladığı gözlemlenmiştir. Çalışmamızda aynı zamanda daha önce miRNA- hedef gen verileri üzerinde gen birliktelik ağı çıkarımında hiç kullanılmamış hash tabanlı birliktelik kuralı algoritmasını uygulayarak ilgili veri kümelerinden teorik olarak 152 hastalıkla ilişkili GBA'lar elde edilmiş ve bu algoritma ARNetMiT R paketi halinde kullanıcılara sunulmuştur.
İnsan kaynakları yönetiminin dijitalleşmesi: Makine öğrenmesi temelli bir karar destek sistemi önerisi
Sosyal ve mobil platformlar, yapay zeka, büyük veri analitiği ve bulut bilişim gibi teknolojik gelişmeler insan kaynakları yönetiminin işlevi, tasarımı ve süreçleri üzerinde önemli bir etki yaratmıştır. Teknolojik gelişmeler insan kaynakları yönetiminde daha etkin karar vermeyi sağlayarak, insan kaynağı yöneticilerini organizasyonlara stratejik destek veren ortaklar haline getirmiştir. İnsan kaynakları süreçlerinin otomatikleşmesiyle işe alım süreci, bordro ve performans yönetimi, işgücü devir oranı, işgücü planlaması gibi insan kaynağı yönetiminin birçok fonksiyonunun yerine getirilmesinde dijital teknolojilerden yararlanılmaktadır. İşletmeler için maliyetlerin düşürülmesi, kurumsal performans, stratejik büyüme ve kurumsal imaj açısından yüksek işgücü devri yaygın bir sorundur. Çalışan değişimini tahmin etme yeteneği, çalışanları elde tutmak ve gelecekteki davranışlarını tahmin etmek isteyen herhangi bir işletme için önemli bir araç olacaktır. Bu amaçla işgücü devir tahmini ve makul personel-departman eşleştirmesi için bir karar destek sistemi geliştirilmiştir. Çalışmanın ilk aşamasında makine öğrenmesi teknikleri kullanılarak çalışanların mevcut şirketten ne kadar sürede ayrılacakları tahmin edilmiştir. İkinci aşamada, personel-departman atamalarında toplam çalışma süresini maksimize etmek üzere personel atama modeli geliştirilmiştir. Önerilen karar destek sistemi ile yapılan örnek çalışmalarda önerilen personel-departman atamalarında tahmini çalışma sürelerinde mevcut duruma göre önemli ölçüde artış olduğu görülmüştür.
Kullanıcıların mobil uygulama güvenlik farkındalıklarının makine öğrenmesi teknikleriyle incelenmesi
Cep telefonlarının her yerde bulunabilme, anında bağlantı kolaylığı, uygulama çeşitliliği, kişiselleştirme, esneklik, dağıtım ve konuma dayalı hizmetler gibi zenginleştirilmiş işlevsellik ve etkileşim özellikleri, onları dünyanın birinci iletişim aracı haline getirmiştir. Çoğu insan için cep telefonları artık vazgeçilmez bir unsur haline gelmiştir. Bu cihazlara yüklenen uygulamalarla kullanıcılar internet dünyasında etkileşimde bulunmaktadırlar. Mobil uygulama mağazaları, kullanıcılara çeşitli kategorilerde binlerce uygulamayı keşfetme ve indirme imkânı sunmaktadır. Her gün milyonlarca insan, ihtiyaçlarına veya ilgi alanlarına uygun uygulamaları bulmak için bu mağazalardan faydalanmaktadır. Kullanıcılar bu mağazalardan uygulama indirerek, iletişim kurma, eğlenme, bilgi edinme, alışveriş yapma, finansal işlemler yapma, seyahat planlama ve daha pek çok işlemi gerçekleştirme imkânına sahip olmaktadırlar. Bu çalışmada Harvard Üniversitesi'ne ait olan Dataverse platformunun bir araştırma anketin veri seti kullanılmıştır. Anket, 15'ten fazla ülkede 10.208 kişiyle yapılmıştır. Veri setinde ankete katılanların demografik özellikleri, eğitim bilgileri ve mobil uygulama kullanım davranışları gibi bilgiler bulunmaktadır. Bu çalışmanın temel hedefi mobil cihaz kullanıcılarının profillerini ve uygulama kullanım amaçlarını ve ihtiyaçlarını analiz ederek kullanıcıların bir uygulamayı tercih etme, kullanma ve bırakma kararlarına etki eden faktörleri makine öğrenmesi teknikleriyle belirlemektir. Araştırmada, veri seti üzerinde Logistik Regresyon (LR) , Random Forest (RF), Support vector machine (SVM), K-Nearest Neighbors(KNN) makine öğrenme algoritmaları ile yapılan analizde uygulamanın bulunması, seçilmesi ve bırakılması aşamaları test edilmiştir. Test etme aşamalarında Doğruluk (Accuracy), Hassasiyet (Precision), Duyarlılık (Recall), F1-Score (F-Measure) değerlerine bakılmıştır. Araştırmanın " Kullanıcı demografik özellikleri uygulamayı bulma davranışını etkilemektedir." Şeklinde kurulan 1. Hipotezin doğrulanmasında SVM makine öğrenmesi algoritması doğruluk oranı doğruluk oranı 0,930 F1 Score değeri ise 0,950 ile en başarılı algoritma olmuştur. Araştırmanın "Kullanıcının demografik özellikleri uygulamayı seçme davranışını etkilemektedir" şeklinde kurulan 2. Hipotezinin doğrulanmasında SVM makine öğrenmesi algoritması doğruluk oranı 0,920 ve F1 Score değeri ise 0,950 ile en başarılı algoritma olmuştur. Araştırmanın " Kullanıcı demografik özellikleri uygulamayı bırakma davranışını etkilemektedir." 3. Hipotezinde SVM makine öğrenmesi algoritmasına göre doğruluk oranı 0,940 F1-Score değeri ise 0,970 olarak en başarılı algoritma olmuştur. Elde edilen analiz sonuçlarına göre mobil uygulama kullanıcıları demografik özelliklerinin uygulamayı bulma, seçme ve bırakma davranışları üzerinde etkili olduğu makine öğrenme yöntemleri ile doğru tahmin edilebileceği görülmüştür. Araştırmanın " Mobil uygulama kullanıcılarının uygulamayı bulma ve seçme davranışları arasında anlamlı bir ilişki vardır." 4. Hipotezini test etmek için Pearson Korelasyon modeli kullanılmıştır. Bu model sonuçlarına göre Ortalama Pearson Korelasyon Katsayısı: 0.215 çıkmıştır. Araştırmanın "Mobil uygulama kullanıcılarının uygulamayı seçme ve bırakma davranışları arasında anlamlı bir ilişki vardır." 5. Hipotezini test etmek için Pearson Korelasyon modeli kullanılmıştır. Bu model sonuçlarına göre Ortalama Pearson Korelasyon Katsayısı: 0.230 çıkmıştır. Elde edilen bu değerlere göre kullanıcının mobil uygulamayı bulma, seçme ve bırakma davranışları arasında pozitif yönde zayıf bir ilişki olduğu görülmüştür. Bu araştırma, kullanıcıların mobil uygulama güvenliği ve gizlilik konusundaki bilinç düzeyini artırmak ve bilinçli seçimler yapmasına yardımcı olacağı düşünülmektedir. Aynı zamanda mobil uygulama geliştiricilerine, kullanıcıların gereksinimlerini daha iyi anlama ve uygulama deneyimini iyileştirme konusunda değerli veriler sunmaktadır.
Mobil bir robotun yapay zeka destekli kendinden öğrenebilir sürüş algoritmasının geliştirilmesi
Mobil robotlar, günümüzde otomasyon ve yapay zeka teknolojilerinin giderek artan bir şekilde entegre edildiği önemli bir alan haline gelmiştir. Bu robotlar, hareket kabiliyetine sahip olmaları sayesinde çeşitli uygulama alanlarında kullanılmaktadır. Bu uygulama alanları arasında lojistik, tarım, inşaat, sağlık ve endüstriyel otomasyon gibi birçok sektör yer almaktadır. Mobil robotların etkin ve güvenli bir şekilde hareket etmelerini sağlayan temel bileşenlerden biri sürüş algoritmalarıdır. Geleneksel sürüş algoritmaları, robotların belirli durumlar için önceden programlanmış talimatlarla hareket etmelerini sağlar. Ancak, bu yaklaşım basit ve tekrar eden görevler için etkili olabilirken, karmaşık ve değişken ortam şartlarında robotların başarılı olmasını sınırlamaktadır. Yapay zeka teknolojilerinin robotlara entegrasyonu, mobil robotların çevrelerini algılamalarını ve deneyim tabanlı öğrenme sağlayarak sürüş algoritmalarını daha adaptif ve otonom hale getirmeyi amaçlar. Bu çalışmada, mobil bir robotun yapay zeka destekli kendinden öğrenebilir sürüş algoritmasının geliştirilmesi hedeflenmiştir. Algoritmanın adaptif öğrenme mekanizmaları, uyumluluk ve otonomi, öğrenme hızı ve performansı ile gerçek dünya uygulamaları açısından literatüre değerli katkılar sunması beklenmektedir. Bu amaçla çalışmada literatürdeki yaygın olarak kullanılan makine öğrenimi metodlarından olan pekiştirmeli öğrenme (DDPG, TD3, PPO, SAC, A2C) algoritmalarından faydalanılarak karmaşık ortamlardaki başarıları gözlemlenmiş ve karşılaştırılmıştır. Oluşturulan karmaşık ortamlar her sahnede değişecek şekilde hazırlanarak tek bir algoritmanın farklı karmaşık düzeylerine sahip ortamlardaki başarıları eğitilerek test edilmiştir. Elde edilen bulgulara göre TD3 %86.3, A2C %89,2 SAC %93.6, PPO %97.6 başarı sağlamıştır. Bu sonuçlar, mobil robot teknolojisinin gelecekteki gelişimi ve çeşitli sektörlerde etkin bir şekilde kullanılması için önemli bir adım olarak görülmektedir. Sonuç olarak, bu tez çalışması mobil robotların farklı senaryolarda güvenilir ve otonom bir şekilde çalışmasını sağlayarak çeşitli uygulama alanlarında kullanılabilirliğini artırmayı hedeflemektedir. Algoritmaların çevresel değişikliklere hızlı adaptasyon yeteneği sayesinde, robotların daha genel amaçlı ve esnek bir şekilde çalışması sağlanmıştır. Dinamik ortamlar ve kapsamlı analizlerle desteklenen bu yaklaşım ile, mobil robotların otonom hareket kabiliyetlerini geliştirirken, gelecekte karmaşık ortamlarda test edilmesi ve farklı veri kaynakları ile entegrasyonlarının sağlanması öngörülmektedir. Bu çalışmanın, otonom sistemler ve yapay zeka tabanlı robotik uygulamalar için önemli bir katkı sunacağı değerlendirilmektedir.
Makine öğrenmesi algoritmaları ile kredi temerrüt riskini tahmin etme
Bankalar ve çeşitli finans kuruluşları tarafından karşılanan kredilerin, müşteri tarafından geri ödenememesi hem kredi veren kuruluşun sermaye kaybını hem de genel ekonomide oluşabilecek çeşitli risk faktörlerini beraberinde getirmektedir. Bu süreçte, oldukça kritik öneme sahip olan kredi riskinin doğru yönetilebilmesi ve uluslararası finans istikrarının sağlanması için Basel Komitesi ve BDDK (Bankacılık Düzenleme ve Denetleme Kurumu) gibi finans denetimi kuruluşları, kredi veren kurumların kredi verme karar aşamasında çeşitli regülasyon politikaları belirlemektedir. Ayrıca, kredi veren kurumlar analitik risk birimleri aracılığıyla kredi değerlendirme modelleri geliştirerek, müşterilere ait kredi risk skorunu hesaplamaktadır. Bu araştırmada, makine öğrenmesi yöntemiyle kredi skorlama sistemlerinde kullanılabilecek en başarılı tahmini gerçekleştiren algoritmanın belirlenmesi amaçlanmıştır. Bu kapsamda, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu ve WOE dönüşümleriyle Lojistik Regresyon algoritmaları için modeller kurulmuş ve temerrüde düşen ve temerrüde düşmeyen müşteriler için en iyi sınıflandırma performansı gösteren Gradyan Artırma algoritması olmuştur. Analitik veri kalitesi ve model geliştirme süreçlerinde SAS Enterprise Guide ve SAS Enterprise Miner yazılım programları kullanılmıştır. Anahtar Sözcükler: Kredi Riski, Makine Öğrenmesi, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu
Personality prediction system based on physiognomy using face recognition
the human face is a wealthy source of information, with distinct features such as the eyes, nose, and mouth offering a wealth of data. Facial feature recognition algorithms leverage this wealth of information to distinguish one person from another, making it a powerful tool with many applications. This technology has found its way into numerous aspects of our daily lives, from unlocking smartphones with a simple glance to enhancing security in public spaces. Even more, a person's personality traits can be predicted from their outer appearance according to physiognomy as each shape of facial features can tell a lot about a person's personality; this work addresses this by proposing a novel dataset created for facial feature recognition based on their shape and color, specially designed for the YOLO object detection models; the final dataset contains 2,116 images with Over 10K annotations with six classes, namely blue eye, brown eye, rounded nose, rounded eyebrows, pointy nose, and straight eyebrows, employed in all version of the YOLOv8 object detection model, experiment result shows that the small version of YOLOv8 performed the best based on mAP of 89.9%, this work also proposed a modified lightweight version of YOLOv8 with only 211 layers which outperformed the best model by 1.4% as it reaches 91.3%mAP on the proposed dataset.
Efficiency of stacked ensemble learning for student's adaptivity classification to online education
It is necessary to know the extent to which students adapt to online learning, especially after the Corona pandemic. Online and e-learning have become essential parts of the educational process. It is important to try to improve students' adaptation to this type of education to obtain the best results. Expanding existing knowledge of students' ability to adapt to online learning is the aim of this study. Machine learning techniques have been exploited to develop various models and compare their results in order to obtain the best technology and the most powerful model that can be used to improve the educational process. Four different models were developed, each model contained algorithms for a type of machine learning (Bagging, boosting, and Stacking), in addition to a model that contained a variety of algorithms (single and ensemble learning). These models used four methods of selecting features, which are: Relief F, ANOVA, Information Gain, and Chi-square. K = 10-fold was used with classifiers in all models in this study. The accuracy reached 0.866 % by Gradient Boosting algorithm using the Chi-square technique. While the highest value of accuracy obtained by the stacked learning by employing Boosting classifiers in level-0 and Logistic Regression in level-1 using the Chi-square technique was 0.874%.
Predicting the value of football player with the impact of covid-19 on the market value of the player
The unprecedented onset of the Covid-19 pandemic has pervaded countless industries worldwide, with football being a major one to bear its brunt. This global health crisis ushered in a new era where normalcy was challenged and socio-cultural constructs were altered, leading to profound implications on football, both as a sport and an industry. Football, a nexus of economic and cultural intersections, witnessed several changes, not least among which was the effect on player valuations in the market. The pandemic brought life to a standstill, ensnaring societies in its clutches and forcing them into isolation. This sudden cessation had a ripple effect on football players, amplifying feelings of anxiety, tension, and uncertainty, thus altering their psychosocial dynamics. Consequentially, this shift in psychological state, combined with the disruption of regular football activities, contributed to fluctuations in the market prices of these athletes. Traditional approaches and methodologies, once relied upon for gauging player prices, particularly in the five major European football leagues (English, Spanish, Italian, German, and French), began showing signs of obsolescence in the face of these pandemic-induced challenges. So, this study presents the performance assessment of five machine learning algorithms—Linear Regression, Lasso Regression, Random Forest, Gradient Boosting, and K-Nearest Neighbors—on a regression problem. The evaluation metrics utilized are Mean Absolute Error (MAE), Root Mean Absolute Error (RMAE), and R-squared (R2). Linear Regression demonstrates a high R2 of 0.97 but falls short in MAE and RMAE. Lasso Regression surpasses with an R2 of 0.99 but exhibits the highest prediction errors, hinting at possible overfitting. Random Forest provides a balanced outcome with a R2 of 0.91 and moderate errors. Gradient Boosting stands out in terms of prediction accuracy, having the smallest MAE and RMAE, despite an R2 of 0.90. Meanwhile, K-Nearest Neighbors parallels Linear Regression's performance. The study suggests that Gradient Boosting might be the most accurate for predictions based on MAE and RMAE. However, the ideal model selection is contingent upon the specific objectives of the regression problem, which could prioritize explaining variance or minimizing prediction errors.
Makine öğrenme yöntemleriyle öğrencilerin akademik performanslarının farklı öznitelik seçim teknikleri uygulanarak sınıflandırılması
Öğrenci ve eğitimci açısından akademik başarının artırılması her zaman istenilen durumdur. Akademik başarıyı etkileyen etmenlerin önceden bilinmesi çok önemlidir. Çalışmada, farklı öznitelik seçim teknikleri ve makine öğrenmesi algoritmaları kullanarak ortaokul öğrencilerinin akademik performanslarını sınıflandırmak amaçlanmıştır. Kullanılan veri seti, MEB'e bağlı bir ortaokuldaki 728 öğrenciden elde edilmiştir ve 24 öznitelik içermektedir. Elde edilen veri seti üzerinde ön işleme ve öznitelik seçim teknikleri uygulanmıştır. Veri ön işleme aşamasında, veri seti içerisinde yer alan kategorik değerler sayısal değerlere dönüştürülmüştür. Kullanılan veri setinin dengesiz sınıf dağılımı olduğu için SMOTE algoritması kullanılarak dengeli hale getirilmiştir. Temel veri seti ve 7 farklı öznitelik seçim tekniği kullanılarak toplam 8 veri seti elde edilmiştir. Bu veri setleri Hold out ve 5 kat çapraz doğrulama yöntemleri ile bölünmüştür. Öğrencilerin sene sonundaki başarıları 3-seviyeli sınıflandırma tekniği ile 9 farklı algoritma kullanılarak sınıflandırılmıştır. Çalışmada kullanılan sınıflandırma algoritmaları için en uygun parametre setleri deneme yanılma yöntemi ile belirlenmiştir. Öznitelik seçim yöntemleri kullanmadan, veri setindeki 23 öznitelikle kurulan Gradyan Artırma algoritmasıyla doğruluk değeri %95.17'ye ulaşılmıştır. Gömülü yöntemler ile öznitelik seçim yöntemleri kullanarak 11 özniteliğe indirgenen veri seti ile kurulun Gradyan Artırma algoritmasında doğruluk değeri %93.31'e düşmüş fakat Rastgele Orman algoritmasında doğruluk değeri %95.54'e çıkmıştır. Sonuç olarak, Rastgele Orman algoritması gömülü yöntemler öznitelik seçim teknikleri ile birlikte kullanıldığında, öğrenci performansını tahmin etmek için en etkili algoritma olduğu görülmüştür.
Farklı makine öğrenme yöntemleri ile güneş panellerinin enerji üretim tahmini
Güneş enerjisi, sürdürülebilir ve çevre dostu bir enerji kaynağı olarak küresel enerji dönüşümünde giderek daha önemli bir rol üstlenmektedir. Ancak güneş ışınımına bağlı üretim miktarındaki doğal değişkenlik, enerji üretiminin güvenilir bir şekilde tahmin edilmesini önemli bir gereklilik haline getirmektedir. Geleneksel istatistiksel yöntemler bu doğrultuda yetersiz kalmakta; bu nedenle yapay zeka tabanlı yaklaşımlar öne çıkmaktadır. Bu tez çalışması, Türkiye'deki 12 farklı güneş enerji santraline ait 2023-2024 yıllarını kapsayan saatlik üretim ve meteorolojik veriler kullanılarak, güneş enerjisi üretiminin yüksek doğrulukla tahmin edilmesini amaçlamaktadır. Tahmin süreci, veri ön işleme adımını takiben, çeşitli makine öğrenmesi algoritmaları ile dikkat mekanizması içeren gelişmiş bir derin öğrenme yöntemi olan Zamansal Füzyon Transformatörü (Temporal Fusion Transformer) modelinin uygulanmasıyla gerçekleştirilmiştir. Makine öğrenmesi modelleri, dört farklı hiperparametre optimizasyon tekniği kullanılarak en uygun hale getirilmiştir. Model performansları, R² (belirleme katsayısı), MAE (ortalama mutlak hata), MAPE (ortalama mutlak yüzde hata) ve RMSE (kök ortalama kare hata) metrikleriyle değerlendirilmiştir. Elde edilen sonuçlara göre, Rastgele Orman ve Aşırı Gradyan Artırma algoritmaları yaklaşık %96,20'lik R² ve yaklaşık 113 MAE değeriyle yüksek doğruluk sunmuştur. Çalışmanın bir diğer sonucu, zaman bağımlı verilerdeki karmaşık ilişkileri modelleme konusunda performans sergileyen Zamansal Füzyon Transformatörü modelinin, test veri setinde %96,81'lik R² ve 76,35 MAE değeriyle tüm modeller arasında daha iyi sonuca ulaşmasıdır. Bu bulgular, derin öğrenme tabanlı gelişmiş yaklaşımların, özellikle de zaman serisi veriler için geliştirilen modellerin, güneş enerjisi üretimi tahmininde son derece etkili olduğunu ve enerji sektöründe planlama, yönetim ve karar destek süreçlerine önemli katkılar sağlayabileceğini göstermektedir.
Trend analyses and price predictions on cryptocurrencies by using artificial intelligence
Since the introduction of Bitcoin (BTC) for the first time in 2008 by Satoshi Nakamoto through his white paper, concept of cryptocurrency or block-chain currency where encrypted data string is used in an architecture of decentralized network and transparent ledger has become the basis of today's digital currencies. Today there are more than 25,000 cryptocurrencies like BTC, Ethereum (ETH), Litecoin (LTC), Ripple (XRP), Monero (XMR), etc. and prediction of their future values is a major task. In this work, trend analyses and price predictions of cryptocurrencies by using artificial intelligence (AI) is being studied. AI is a wide-ranging interdisciplinary branch of computer science concerned with building smart machines capable of performing tasks that normally require human intelligence. It involves the ability of machines to replicate or enhance human intelligence, such as reasoning and learning from experience. AI has a main subclass of Machine Learning (ML) which has another subclass called Deep Learning (DL). From literature it seems that, beside statistical methods, some certain methods like Artificial Neural Network (ANN) and Linear Regression (LR) in the ML and Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) in the DL are used to predict future price values of crypto-currencies. In this work, we study two fundamental AI regression techniques, namely, LR and ANN in two different prediction models to predict the future value of the most popular crypto-currency, BTC, by using different candle-stick datasets obtained from Yahoo-finance websites via Python codes. Next ten upcoming BTC values outside the five different datasets studied here are predicted successfully.
Development of a robotic system with hybrid locomotion for both indoor and outdoor fire detection operations
In this thesis; a robotic system with ladder & obstacle climbing and fire detection capabilities was developed. The robotic system was designed and produced as adaptable for both indoor and outdoor applications. An adaptive three wheel legged locomotion system to provide the obstacle climbing and straight motions was developed. The mathematical models were derived for the hybrid locomotion system. "Direction Based Angle Calculation" approach was proposed and the required experimental tests were applied to check the performance of the robotic system with the developed algorithm. A motion decision algorithm to classify the obstacles as ladder, negligible or negotiable according to the height and shape of the obstacle was structured. "Fire Search and Find" and "Fire Detection" algorithms were constructed to find the fire candidates and to determine the probabilities. Several experimental tests were applied to the mechanicals systems and algorithms of the ladder climbing fire detection robot (Performance tests of motion and transmission systems, local path planning and obstacle avoidance, motion mode decision, fire detection). The obtained test results showed that the transmission and motion systems are capable for both ladder climbing and linear motions. The direction based angle calculation approach is suitable and satisfactory for local path planning and obstacle avoidance applications. The developed fire detection algorithm using the Faster R-CNN deep learning model also determines the probability of a fire source with the accuracy of 93%. Key Words: Obstacle Avoidance, Faster R-CNN Deep Learning Model, Hybrid Locomotion, Local Path Planning, Fire Detection Robot, Fire Search and Find
Extreme learning machine based on L1 and L2 norms
Extreme learning machine (ELM) as a type of single-layer feedforward neural network (SLFN) has been widely used in various disciplines due to its superior properties like fast learning, simplicity, high adaptability for different real-life applications. The main reason of this interest is that ELM eliminates the iterative parameter tuning in the conventional neural networks. However, ELM has some drawbacks such as instability and poor generalizability at the point of estimating the data as well as issues related with the determination of the optimal model size as a consequence of structural risk minimization. In this study, in order to deal with these aforementioned drawbacks and improve the performance of ELM, some statistical estimators are discussed in the context of neural networks and various algorithms are proposed. In the first part of the study, we proposed different selection criteria for determinining appropriate tuning parameter for ELM algorithm based on ridge estimator. Later on, Liu estimator, r-k class estimator, a cascade of Liu and Lasso regression estimators are developed as alternatives to the existing ELM algorithms based on ridge estimator. In the scope of this study, the applications of algorithms written from scratch in the R platform are tested via many real-world data sets and the performance comparison are presented in details. These proposed algorithms present effective shrinkage and/or variables selection performance which is more stable, generalizable and compact than ELM and some advanced algorithms based on ELM.
Makine öğrenmesi yöntemleri ile dinamik risk analizinde insan tecrübesine olan bağımlılığın azaltılması
Risk yönetimi işletmelerin karar verme ve süreçlerini yönetme konusunda başvurdukları yöntemlerden birisidir. Enerji sektörü, özellikle son dönemlerde dünya genelinde yaşanan arz problemlerinden kaynaklı olarak risk yönetiminin verimli şekilde yürütülmesi elzem sektörlerdendir. Risk yönetiminin önemli aşamalarından olan risk analizi geçmişten günümüze farklı yöntemlerle gerçekleştirilmiştir. Son dönemde teknolojinin gelişmesiyle birlikte pek çok alanda olduğu gibi risk analizi alanında da makine öğrenmesi yöntemlerinden yararlanılmaktadır. Makine öğrenmesi yöntemlerinin risk analizinde kullanılmaya başlamasıyla birlikte uzmana olan bağlılığın azaltılması bu tez çalışmasında hedeflenmiştir. Bu amaçla, bir rüzgâr enerji santralinin SCADA sisteminden temin edilen operasyon ve alarm verileri incelenmiştir. Alarm verileriyle ileriye yönelik alarm tahmini ve sistemin arıza yapma riski ekonomik kayıp üzerinden modellenmeye çalışılmıştır. Riske etki eden parametreler makine öğrenmesi yöntemleriyle otomatik olarak modele dahil edilmiş ve uzmana olan bağlılığın azaltılması hedeflenmiştir. Çalışmanın sonucunda hem gerçek zamanlı hem de ileriye yönelik risk tahminlerinin yüksek tutarlılık oranlarında gerçekleştirildiği görülmüştür.
Gaucher hastalığında beyin parankimi manyetik rezonans görüntüleme bulgularının değerlendirilmesi ve hastalığın alt tipleri arasındaki farklılıkların radyomiks analizi ile karşılaştırılması
Amaç: Gaucher Hastalığı, en sık görülen lizozomal depo hastalığı olup 3 klinik alt tipe ayrılmaktadır. Bu tez çalışmasında Gaucher Hastalığı alt tipleri arasındaki farklılıkların ve serebral tutulumun, serebral manyetik rezonans görüntüleri üzerinden gerçekleştirilen radyomiks analizleri ile tespit edilebilirliğini araştırmak amaçlanmıştır. Gereç ve Yöntem: Çukurova Üniversitesi Tıp Fakültesi Çocuk Beslenme ve Metabolizma Bilim Dalı tarafından takip ve tedavileri yürütülen 25 tip 1, 26 tip 3 Gaucher hastasına ait, mart 2016 ve ocak 2023 tarihleri arasında Çukurova Üniversitesi Tıp Fakültesi Radyoloji Anabilim Dalı ve çevre illerde farklı merkezlerde elde olunmuş serebral manyetik rezonans görüntüleri retrospektif olarak çalışmaya dahil edilmiştir. T2 ağırlıklı aksiyel görüntülerde sol putamen, FLAIR aksiyel görüntülerde sol hipokampüs ve sol posterior peritrigonal beyaz cevher segmentasyonu sonrası özellik çıkarımı ile radyomiks verileri elde olunmuş, her hasta için toplam 333 nicel parametre elde edilmiştir. Gini indeks ile özellik azaltımı sonrası en anlamlı 5 parametre tespit edilmiştir. 5 farklı makine öğrenme yöntemi ile yapılan analizler eğri altında kalan alan, doğruluk oranı, duyarlılık, özgüllük, F1 skoru, kesinlik, çalışma karakteristiği eğrisi ve hata/konfüzyon matriksi gibi parametreler ile karşılaştırılmıştır. Bulgular: Çalışmaya yaşları 3-62 arasında değişen toplam 51 hasta dahil edilmiştir. Vakaların 24'ü (% 47,1) kadın, 27'si (% 52,9) erkekti. Vakaların yaş ortalaması 21,2±13,7 idi. Vakaların 25'i (% 49) tip 1, 26'sı (% 51) tip 3 Gaucher hastası idi. Yaş ve cinsiyete göre tip 1 ve tip 3 Gaucher hasta grupları arasında anlamlı farklılık izlenmedi. (p>0.05) Özellik azaltımı sonrası elde edilen 5 parametreden 3'ü hipokampal radyomiks analizlerine aitti. Makine öğrenme yöntemleri ile gerçekleştirilen modellemelerde en yüksek başarı 0,808 EAKA, 0,725 doğruluk oranı, 0,727 F1 skoru, 0,727 pozitif kestirim, 0,725 duyarlılık, 0,750 özgüllük değerleri ile nöral ağ modelinde elde edilmiştir. Nöral ağ algoritması 25 tip 1 Gaucher hastasının % 76'sını (n=19), 26 tip 3 Gaucher hastasının % 69'unu (n=18) doğru sınıflandırabilmiştir. Ayrıca varyans analizler sonucunda tip 1 Gaucher hastalarında da hipokampal etkilenimin olduğu dikkati çekmiştir. Sonuç: Çalışmamızın sonuçlarına göre serebral manyetik rezonans görüntüleme üzerinden gerçekleştirilen radyomiks analizleri, Gaucher hastalığı alt tipleri arasında yüksek başarı ile ayrım sağlayabilmektedir. Hasta grupları arasında yapılan karşılaştırmalara göre en anlamlı özellikler hipokampüs düzeyinden elde edilmiş olup hipokampüsün hastalık için seçici etkilenim lokalizasyonu olduğu düşünülmektedir.
Telekomünikasyon sektöründe müşteri kayıp analizi
İnsanların ihtiyaçlarına göre tüketim tercihleri farklılıklar gösterir. Müşteriye yatırım yapan kurumlar da bu tercihleri öngöremezler. Özellikle müşteri odaklı kurumlar yeni müşteri kazanma ve eldeki müşteriyi memnun ederek müşteri kaybını önlemeye çalışırlar. Müşteri odaklı sektörlerden birisi olan Telekomünikasyon şirketleri de müşteri kazanmak ve mevcut müşterilerini kaybetmemek isterler. İşte bu noktada çeşitli yollar ile müşterilerinin kaybını tahmin etmeye yönelik çalışmalar yaparlar. Bu tez çalışmasında, veri madenciliği ve makine öğrenmesi yöntemlerinden olan sınıflandırma algoritmaları ile müşteri kayıp analizi yapılmıştır. Bu analiz yapılırken makine öğrenmesi süreci adımlarından olan veri madenciliği üzerine çapraz endüstri standart süreç modeli (CRISP) kullanılmıştır. Sınıflandırma algoritmaları ile elde edilen modellerin performansları çapraz geçerleme ve hold-out performans yöntemleri ile değerlendirilmiştir. Çapraz geçerleme katı olarak 4 kat, 5 kat ve 10 kat çapraz geçerleme kullanılmıştır. 4 kat, 5 kat ve 10 kat çapraz geçerleme ile performans değerlendirmesinde karar ağaçları algoritmaları ile kurulan modeller, diğer modellere göre daha iyi bir performans göstermiştir. En iyi performansı gösteren C4.5 karar ağacı algoritmasının performansı yaklaşık olarak 0.98'dir. C4.5 karar ağacından sonra sırasıyla ID3 ve gini karar ağaçları, k-en yakın komşu ve bayes algoritmaları ile oluşturan modeller gelmektedir. k-en yakın komşu algoritması karar ağaçlarından sonra gelse de performansı C4.5 karar ağacına yakındır. Hold-out yöntemi ile veri seti %60-%40, %75-%25, %80-%20 ayrım oranlarına sahip sırasıyla eğitim ve test veri setine ayrılmıştır. Bu veri setleri üzerinde yapılan performans değerlendirmelerinde ise k-kat çapraz geçerlemedeki gibi benzer sonuç veren C4.5 karar ağacı en iyi performansı göstermiştir. Sonrasında k-kat çapraz geçerleme performans yönteminde yakın değerlere sahip olduğu ID3 ve Gini karar ağaçlarını geçen k-en yakın komşu algoritması olmuştur. En son sırada ise bayes algoritması yer almaktadır. k-en yakın komşu algoritmasının ID3 ve Gini karar ağaçlarını geçmesi hold-out ile rastgele ayrımda daha iyi performans göstermesinden dolayıdır. Veri madenciliği programı olarak kullanılan R sayesinde veri görselleştirme üzerine de bir çalışma yapılmıştır. Bu çalışmalara ek olarak sınıflandırma algoritmalarından en iyi sonucu veren C4.5 Karar ağacı algoritması ile oluşturulan model R paketlerinden Shiny ile web uygulaması yapılarak dinamik hale getirilmiştir.
Denetimli makine öğrenmesi yöntemleri ile gebelerde anemi ve anemi ile ilişkili faktörlerin tespiti
Gebelik dönemindeki aneminin ciddi seviyelerde seyretmesi, anemiye etki eden sosyodemografik özelliklerin saptanmasını ve bu faktörlerle mücadele etmeyi gerektirmektedir. Son yıllarda bu faktörler tespit edilirken makine öğrenmesi ve sınıflandırma algoritmaları kullanıcılara büyük fayda sağlamaktadır. Bu tez çalışmasında denetimli makine öğrenmesi yöntemleri kullanılarak gebelerde anemi ve anemi ile ilişkili faktörlerin tespit edilip bu konuda klinik karar destek sistemi oluşturulması amaçlanmıştır. Hastalarımız Elazığ il merkezinde yaşayan tüm gebeleri yansıtması açısından aile sağlığı merkezlerine kayıtlı 3228 genel gebe popülasyonundan nüfus büyüklüğüne göre rastgele yaklaşık 489 gebe örneklem olarak alınmıştır. Çalışma sonucu elde edilen verilerden Weka yazılımı kullanılarak, denetimli makine öğrenmesi yöntemleri ile anemi tespiti yapabilecek sınıflandırma modelleri oluşturulmuştur. Kural tabanlı Jrip, OneR ve PART algoritmaları ile anemi tespit sistemi oluşturulmuştur. Bu algoritmaların accuracy, Kappa statistic, mean absolute error, root mean squared error, relative absolute error, root relative squared error, TP rate, FP rate, precision, recall, F-measure, MCC, ROC area ve PRC area başarı metrikleri üç farklı yönteme göre elde edilmiştir. Birinci yöntemde verinin tümü eğitim için kullanılırken ikinci yöntemde veri 5-kat çapraz doğrulama yöntemi kullanılıp üçüncü ve son yöntemde ise veri %70 eğitim seti olarak sonuçlar elde edilmiştir. Çalışmada kullanılan Jrip algoritması %96.36, OneR algoritması %85.45 ve PART algoritması %97.98 doğruluk değerleriyle anemi tespit edilmiştir. Kullanılan değişkenler arasında çay tüketimi ve koyu çay tercihi, gebelik sayısı, ileri anne yaşı ve demir destek tedavisi anemi ile ilişkili en önemli risk faktörleri olarak saptanmıştır. Anahtar kelimeler: Makine Öğrenmesi, Sınıflandırma, Anemi
Denetimli makine öğrenmesi yöntemleri ile osteoporoz ile ilişkili faktörlerin saptanması
Bu çalışmada, Fırat Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 50 yaş ve üzeri hastaların demografik ve biyokimyasal parametrelerinin kemik mineral yoğunluğu ile ilişkisinin denetimli makine öğrenmesi yöntemleri kullanılarak incelenmesi amaçlanmıştır. Retrospektif tipteki çalışmanın evrenini Ocak 2018-Ocak 2022 tarihleri arasında Fırat Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 50 yaş ve üzeri tüm bireyler oluşturmuştur. Örneklem hesabı yapılmadan tüm evrene ulaşılmıştır. Araştırma verileri araştırmacı tarafından katılımcıların yaş, cinsiyet, kronik hastalıkları ve biyokimyasal parametrelerinin tarandığı retrospektif anket formu ile hasta dosyaları taranarak elde edilmiştir. Tüm katılımcıların kemik dansitometri skorları kayıt edilmiştir ve katılımcılar t skoru sonucuna göre gruplandırılmıştır. Çalışmaya dâhil edilen 470 katılımcının %15,3'ü erkek, %84,7'si kadındı. Katılımcıların yaş ortanca değeri 66,0 (50,0-94,0) yıldı. Kadınlarda osteopeni ve osteoporoz istatistiksel olarak daha fazla saptanmıştır(p=0,001). Denetimli makine öğrenmesi yönteminde Jrip algoritması ile 2 kural, PART algoritması ile 65 kural elde edilmiştir. Algoritmaların metrik değerleri sırasıyla %49,36 ve %94,02 bulunmuştur. Sonuç olarak; PART algoritması osteoporoz ile ilişkili faktörleri yüksek doğruluk oranında tahmin edebilmektedir. Bu bağlamda, yapay zekâ uygulamalarının tıp alanında kullanılması için yeni ve geniş çaplı araştırmalara ihtiyaç olduğu kanaatindeyiz.
Lazer kameralar kullanılarak bilgisayar görmesi ile üç boyutlu ray profili arızalarının gerçek zamanlı teşhisi
Ülkemizde ve dünyada demiryolu ulaşımı çok yaygın olarak tercih edilen bir ulaşım yöntemidir. Ray hatlarının fiziksel yapıları, raylı ulaşım aracının ağırlığı ve hızı, demiryolunun kullanım yoğunluğu gibi birçok neden ray hattında aşınma, kırılma, çatlama, bozulma gibi çeşitli arızalara neden olmaktadır. Bu arızaların teşhis edilmesi için hızlı ve verimli şekilde peryodik bakımların yapılması olası maddi ve manevi kayıpların önüne geçecektir. Bu tez çalışmasında, demiryollarında ray hatları üzerinde oluşan arızaların temassız olarak lazer kameralar kullanılarak gerçek zamanlı şekilde teşhis edilmesi için yöntemler önerilmiştir. Ray hatlarında oluşan milimetrik seviyedeki hataların tespit ve teşhis edilmesi için kullanılan lazer kameralar ile öncelikle rayın üç boyutlu modeli elde edilmekte, daha sonra bu gerçek modelden hataların teşhis edilmesi sağlanmaktadır. Yöntem geliştirme aşamasında sayısal kamera ve lazer kamera kullanan çalışmalar için giriş verileri üzerinde temel bileşen analizi, tekil değer ayrıştırma, çekirdek temel bileşen analizi, histogram karşılaştırma gibi özellik seçim algoritmaları ile, rassal orman ve evrişimsel yapay sinir ağı makine öğrenmesi algoritmaları kullanan yöntemler geliştirilmiştir. Önerilen yöntemlerin doğrulanması için tez kapsamında kurulan deney seti kullanılmış ve gerçek veriler ile doğrulama çalışmaları yapılmıştır. Sonuç olarak, bu doktora tezi kapsamında lazer kameralar kullanılarak ray hatlarındaki arızaların teşhisi için geliştirilen yöntemlerin performansı deneysel veriler ve saha çalışmaları ile ortaya konulmuştur. Tez süresince yapılan çalışmalar 114E202 numaralı TUBİTAK 1001 araştırma projesi ile desteklenmiştir.
Makine öğrenmesi yöntemleriyle tümör kontrol olasılığının hesaplanması
Çok büyük miktardaki verinin elle işlenmesi ve analizinin yapılması mümkün değildir. Bununla birlikte çoğu zaman geçmişteki veriler kullanılarak gelecek için tahminde, çıkarımda bulunmak mümkündür. Bu çıkarımları yapabilmek için makine öğrenmesi yöntemleri kullanılır. Makine öğrenmesinin kullanıldığı sistemler, karar destek sistemleridir. Karar destek sistemleri kullanım alanına bağlı olarak çeşitlilik göstermektedir. Tıp alanındaki uygulamalarda klinik karar destek sistemleri kullanılmaktadır. Tıbbi verilerin karmaşıklığı karşısında geleneksel veri analiz yöntemleri yetersiz kalabilmektedir. Bu sebeple karmaşık yapıların anlaşılması, çözümlenebilmesi için makine ögrenmesi yöntemlerine başvurulur. Sağlık alanı, makine öğrenmesi yöntemlerinin sınırlı kullanıldığı ancak çok önemli kullanım potansiyeli olan alanlardan biridir. Bu çalışmada küçük hücreli dışı akciğer kanseri hastalarının radyoterapi verileri kullanılmıştır. Radyoterapi de sözü edilen karmaşık verilerin çok sayıda yer aldığı alanlardan biridir. Radyoterapi alacak her hastaya ayrı bir plan çizilir. Tümörün radyoterapiye vereceği yanıt her hasta için farklıdır. Bunun nedenleri arasında radyoterapiyi etkileyen birçok parametre olması ve hastaların her biri kişisel özellikleri bakımdan birbirinden farklı olması sayılabilir. Karmaşık verilerin analiz edilip incelenmesi, radyoterapi sonucunda tümörün radyoterapiye yanıtı hakkında çıkarım yapmak için makine öğrenmesi yöntemleri kullanılabilir. Çalışmada radyasyon onkolojisindeki hasta verilerinin makine öğrenmesi yöntemleriyle sınıflandırılması ve çıkarım yapılması amaçlanmıştır. Çalışma kapsamında Karadeniz Teknik Üniversitesi Tıp Fakültesi Farabi Hastanesi Radyasyon Onkolojisine 2012-2015 yılları arasında gelen hastaların verileri kullanılmıştır. Bu kapsamda, destek vektör makineleri (DVM) ve yapay sinir ağları (YSA) ile tümörün radyoterapiye verdiği yanıtlar sınıflandırılması ve bunların karşılaştırılması ele alınmıştır. Bu çalışmada 30 hasta verisi kullanılarak DVM ve YSA makine öğrenmesi yöntemleri yardımıyla iki farklı karar destek sistemi modeli geliştirilmiştir. DVM modeli için %90 duyarlılık, %100 özgüllük değeri elde edilmiş; YSA modeli için % 80 duyarlılık, % 100 özgüllük değeri elde edilmiştir. Bu çalışmada SVM modelinin %90 duyarlılıkla en başarılı sonucu verdiği görülmüştür. Bu model sayesinde radyoterapi alacak hastanın tedavi sonunda tümöründe ne kadar değişiklik olacağı hakkında bir öngörü oluşacaktır. Bu çalışmada veriler önce ön 2 işlemeye ve elemeye tabi tutulmuştur. Bunun sonucunda ise veri sayısında azalma olmuştur. Daha sonra yapılması planlanan çalışmaların başarısı için bu eksiklikler göz önünde bulundurularak yeni parametreler eklenmeli ve veriler eksiksik bir biçimde elde edilmelidir.
Koroner bypass yapılan olgularda postoperatif dönemde gelişen atriyal fibrilasyon gelişme riski için bir tahmin modeli önerisi
Büyük miktarda veri içerisinden, gizli kalmış, değerli, kullanılabilir bilgileri açığa çıkarmak ve stratejik karar destek sağlamak amacıyla veri madenciliği kullanılır. Bunun yanı sıra veri madenciliği, sağlık verilerinin kullanımında yeni bir perspektif yaratmış ve kullanım yaygınlığı hızla artmaya devam eden bir yöntem haline gelmiştir. Atriyal Fibrilasyon (AF), açık kalp cerrahisi sonrasında en fazla rastlanan komplikasyonlardandır. Çalışma ile AF gelişme riski olan hastalara yönelik, preoperatif dönemde önleyici tedbirler alınmasında hekimlere destek olacak bir sistem geliştirilmesi amaçlanmıştır. Çalışmada Ordu Devlet Hastanesinde 01.01.2015 ve 31.06.2016 tarihleri arasında, Kalp ve Damar Cerrahisi Kliniğinde Koroner Arter Bypass Greft (KABG) operasyonu olan hastaların arşiv dosyaları, AF'nin preoperatif, postoperatif risk faktörleri; cinsiyet, hipertansiyon, EKG'de p dalgasında uzama, total drenaj miktarı, kilo, preoperatif EF, kalp kapak hastalıkları, preoperetif metoprolol kullanımı, yaş, greft sayısı, pulmoner hipertansiyon, diyabetes mellitüs, laboratuar değerleri (CRP, üre, kreatin, AST, GGT, HGB, HCT, Ca, K) yönünden retrospektif olarak incelendi. Hastalar, operasyon sonrası AF geçiren ve geçirmeyen olmak üzere iki gruba ayrıldı. Çalışmaya sadece KABG operasyonu geçiren hastalar dahil edilmiştir. Kronik AF'li hastalar, aynı anda başka bir operasyon yapılanlar dahil edilmemiştir. Karar ağaçları, DVM ve YSA ile KABG sonrası AF'nin sınıflandırılması ve bu yöntemlerin karşılaştırılması ele alınmıştır. Çalışma sonunda elde edilen sonuçlarda karar ağaçları ile yapılan analizde, duyarlılık değeri % 100, özgüllük değeri % 94.11; DVM'de duyarlılık değeri % 83.33, özgüllük değeri ise % 94.11; YSA ile yapılan analizlerde, duyarlılık % 100, özgüllük % 94.11 olarak hesaplanmıştır. Uygulanan metotların ROC eğrileri karşılaştırıldığında en iyi sınıflama YSA ve karar ağaçları ile yapılmıştır. Çalışma ile AF olasılığı yüksek bulunan hastalara, preoperatif dönemden itibaren önleyici tedbirlerin alınması konusunda katkı sağlanabileceği ortaya konulmuştur.
SAP sanal uzmanı: Otomatik tavsiye sistemi
SAP danışmanları, başarılı kurumsal kaynak planlaması (ERP) uygulamalarının ayrılmaz bir parçası olup, müşteri ihtiyaçlarını derinlemesine anlama, karmaşık iş süreçlerini titizlikle analiz etme ve ardından özel gereksinimleri karşılamak üzere yüksek düzeyde özelleştirilmiş SAP çözümleri tasarlama ve uygulama gibi çok yönlü bir sorumluluk üstlenirler. Görevlerinin özellikle kritik ve yoğun emek gerektiren bir yönü, iş gereksinimlerini özetleyen fonksiyonel dokümanların; uygulama geliştirme, sistem yapılandırması, test senaryoları ve kullanıcı eğitimine rehberlik eden kesin teknik spesifikasyonlara dönüştürülmesini içerir. Bu önemli darboğazı ele almak için yeni bir çalışma, insan bir danışmanın yapay zekâ destekli bir muadili olarak işlev görmek üzere tasarlanmış, "Sanal Uzman" adında yenilikçi bir çözüm sunmaktadır. Sanal Uzman, Microsoft'un Azure AI servislerinin ve OpenAI'ın çığır açan çok modlu modeli GPT-4o gibi gelişmiş büyük dil modellerinin sofistike yeteneklerinden yararlanarak, yalnızca Fonksiyonel Spesifikasyon (FS) ve Teknik Spesifikasyon (TS) dokümanlarını oluşturmakla kalmaz, aynı zamanda doğrudan başlangıçtaki iş gereksinimlerinden temel ABAP kodunu da yaratarak bu zahmetli görevi otomatikleştirir. Dahası, yetenekleri mevcut kod tabanlarını analiz ederek bu kritik dokümanları geriye dönük olarak oluşturup yeniden yazmaya kadar uzanmakta ve böylece iş süreçlerini çok yönlü bir şekilde optimize etmektedir. Sistemi test etmek amacıyla yürütülen çalışma, başlangıçtaki beklentileri aşan sonuçlar ortaya koymuştur; ilk denemelerde elde edilen %50'lik doküman tamamlama oranının ardından geliştirilen sistem, nihayetinde bazı işlevsel kod parçacıklarını da içerecek şekilde, kullanıma yaklaşık %80 hazır teknik dokümanlar üretebilecek bir seviyeye ulaşmıştır. Manuel çabadaki bu önemli azalma, SAP projelerinin çok daha kısa bir sürede tamamlanmasını vaat etmekte ve açık kaynaklı büyük dil modellerinin kullanımı sayesinde, projenin diğer aşamalarında daha büyük verimlilikler elde etmenin yolunu açarak, yapay zekâ destekli otomasyonun geleneksel SAP danışmanlığı uygulamalarında devrim yaratma konusundaki derin potansiyelini göstermektedir.
Developing data-driven methods using machine learning in operations and finance
With the recent advances in data collection and analysis technologies, data-driven approaches to operations management and financial problems have gained traction. In particular, machine learning methods are increasingly being integrated into optimization problems. This integration facilitates translating the historical data into prescriptive solutions in comprehensive frameworks. This thesis aims at building data-driven methods to link the data with the actions and improve the goals in operational and financial decision systems. We consider an integrated learning and optimization approach using machine learning techniques for optimizing strategy for decision-makers facing a complex problem with additional information about the state of the system. We give algorithms based on integrating optimization, neural networks, and adapting time series properties, and develop models that are capable of estimating nonlinear relations between data. We focus on three problems from the fields of inventory, financial investment, and firms evaluation. In the context of inventory, we consider an integrated learning and optimization problem for optimizing a newsvendor's strategy facing a complex correlated demand with additional information about the unobservable state of the system. We, therefore, combine estimation, inference, and optimization using a multi-layered neural network. To assess the performance of this integrated approach, we compare the results from our approach against data-based methods that ignore the hidden factor information or that employ separate inference and optimization steps. Numerical examples on both a synthetic data set and real data which might have an unobservable state demonstrate that our approach compares favorably against the other benchmarks. In the context of financial investment, we propose a new approach to asset allocation based on machine learning; it analyzes historical market states and asset returns and identifies the optimal portfolio choice in a new period when new observations become available. In this approach, we directly relate state variables to portfolio weights, rather than first modeling the return distribution and subsequently estimating the portfolio choice. The method captures nonlinearity among the state (predicting) variables and portfolio weights without assuming any particular distribution of returns and other data, without fitting a model with a fixed number of predicting variables to data, and without estimating any parameters. The empirical results for a portfolio of stock and bond indices show the proposed approach generates a more efficient outcome compared to traditional methods and is robust in using different objective functions across different sample periods. In the last project, we propose a nonlinear approach based on stochastic frontier analysis and machine learning to estimate the pricing efficiency and the level of premarket inefficiencies for initial public offerings (IPOs). This approach enables us to estimate IPO pricing efficiency using information available before the IPO day and without any distributional assumptions for deliberate underpricing in the premarket that have been documented in the literature. We apply the proposed approach in the U.S. IPO market and show that only a few determinants of the value of firms impact the pricing and underpricing of IPOs.
A numerical and experimental design of high entropy alloys for biomedical applications
High entropy alloys are a relatively new type of multi-component alloys that attracted researcher's attention because of their superior properties, which mainly come from their high mixing entropy. Some of their main features are excellent mechanical and corrosion properties that lead them to be a potential candidate for biomedical applications. In this study, both numerical and experimental methods were used to enhance the biocompatibility of high entropy alloys. A machine learning approach was implemented to design a high entropy alloy with desired properties. Two unsupervised machine learning clustering techniques were performed to design a high entropy alloy with excellent biocompatibility properties. The characteristics required for these alloys to be used in biomedical applications were used as the input dataset of the models. These features were mainly pure metal's physical, chemical, mechanical, and biocompatibility properties, such as elastic modulus or cell viability measurements. Furthermore, a magnetron sputtering method was utilized to coat the high entropy alloys with silver for introducing antibacterial properties. The parameters of experiments were adjusted to achieve a coating film with desirable characteristics. It was shown that by increasing the deposition duration, the coating thickness and grain size increased, which can enhance the antibacterial characteristics. The ion release of coated samples was then measured after immersing in simulated body fluid for fourteen days. The measurements demonstrated that the Ag ion release increased by increasing the coating thickness, but the ion release of substrate elements stayed almost the same. Consequently, the higher release of Ag ions may lead to a better antibacterial effect since it is the main factor controlling antibacterial characteristics.