Likert tipi verilerde bulanık mantık ve derin öğrenme entegrasyonu

Son yıllarda, yapay zeka tekniklerinden insan beyninin çalışma şeklinden esinlenerek geliştirilen ve yapay sinir ağları ilkeleri üzerine inşa edilen derin öğrenme yaklaşımları, verilerin tanınması ve sınıflandırılmasında etkin yöntem olması sebebiyle büyük önem kazanmıştır. Bu tez çalışmasının amacı, 5'li Likert tipi ölçeğiyle üretilen yapay veri setlerinin üçgensel ya da yamuk bulanık sayılar kullanılarak bulanık forma dönüştürülmesi ve bu yolla verideki değişkenlerin çoğalması durumunda derin öğrenme tekniklerinin performansının analiz edilmesidir. Çalışmada derin öğrenme ve bulanık mantık tekniklerinin entegrasyonu sonucunda önerilen modelin performansının test edilmesi için belirsizlik ve karmaşık ilişkiler içeren memnuniyet tahmin problemi seçilmiştir. Bulanık sayılarla oluşturulan veri setleri ile normal veri setinden en az 3 ya da 4 kat daha fazla değişken sayısına ulaşılmakta ve büyük veri ile optimizasyon çalışmalarında global optimizasyona ulaşmak yerine yerel optimuma tuzağına düşme sorunu ortadan kalkmaktadır. Bu çalışmada verilerin analizinde öncelikle birçok sınıflandırma tekniğinin temelini oluşturan lojistik regresyon yöntemi ile pilot çalışma yapılmıştır. Ardından yapay zeka teknikleri içerisinde literatürde sağladığı avantajlardan ötürü ilgi odağı olan derin öğrenme tekniğinin performansı bulanık mantık çerçevesinde değerlendirilip karşılaştırılmıştır. Derin öğrenme ile yapılan analizlerde de hem literatürdeki bulanıklaştırmaya örnek teşkil eden tepe, maksimum ve minimum değerler için ayrı ayrı sonuçlarla durulaştırmaya gidilmiş hem de literatürden farklı olarak bulanık sayıların tek sonuç dizisi üretmesi önerilerek derin öğrenme modelinin performansları araştırılmıştır. Derin öğrenme konusunda Türkçe literatürün sınırlı olması sebebiyle bu çalışmanın Türkçe literatüre katkı sağlayacağı düşünülmektedir. Anahtar Kelimeleri: Yapay Zeka, Derin Öğrenme, Bulanık Mantık, Likert Ölçeği