Data engineering and management in textile sector

Son dönemlerde, tekstil endüstrisinde her gün devasa miktarda veri üretilmektedir. Bu çok değişkenli ve doğrusal olmayan veriler, tekstil ürününün hammadde özelliklerini, makine ayarlarını, işlem parametrelerini ve kalite niteliklerini içerir. Bu ham verilerden faydalı örüntülerin ve değerli bilginin elde edilmesi, tekstil ürünlerinin kalite ve verimliliğini arttırmak için doğru kararlar almayı sağlar. Bu amaca istinaden, bu tez, tekstil sektöründe veri madenciliği ve makine öğrenmesi tekniklerinin uygulanmasına odaklanmaktadır. Veri mühendisliği, veri işleme ve analizi için veri madenciliği teknikleri ile ilgilenen bir disiplindir. Veri madenciliği teknikleri üç ana kategoride gruplandırılabilir: sınıflandırma, kümeleme ve birliktelik kuralı analizi. Bu tezde, her kategori için çeşitli durum çalışmaları gerçekleştirilmiştir. Sınıflandırma temelli durum çalışmalarında, tekstil nesnelerinin ayırt edilmesi için derin öğrenme yöntemlerinin uygulanmasının yanı sıra, tekstil sektöründe tahminleme performansını iyileştirmek (örn. örgü yapıların delinme performansını belirlemek) için de topluluk öğrenmesi yöntemleri önerilmiştir. Kümelemeye dayalı bir çalışma olarak ise, k-Linkage isimli, küme çifti arasındaki benzerliği hesaplamak için iki kümeden de k tane örneklemi göz önünde bulunduran yeni bir hiyerarşik kümelenme yaklaşımı önerilmiştir. Birliktelik kuralı analizi çalışmasında, iplik ve kumaş özellikleri arasındaki ilişkilerin ortaya çıkarılması için genişletilmiş bir FP-Growth algoritması kullanılmıştır. Tezde, önerilen yöntemlerin performansını göstermek adına her bir çalışma için çeşitli deneysel çalışmalar gerçekleştirilmiştir. Her bir deneyde, önerilen yaklaşımlar gerçek tekstil verileri üzerinde uygulanmış ve mevcut yöntemler ile farklı değerlendirme ölçütleri açısından karşılaştırılmıştır. Genel olarak, her bir deneyden elde edilen sonuçlar, bu tezde önerilen yaklaşımlarla geleneksel çözümlere göre daha doğru değerlere ulaşıldığını göstermektedir.