Academic literature on the topic 'Makine öğrenmesi algoritmaları'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Makine öğrenmesi algoritmaları.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Makine öğrenmesi algoritmaları"
1
Tangi, Refik, and Ramazan Solmaz. "Meme Kanseri Tanısında Wisconsin Veri Seti ile Makine Öğrenmesi Uygulamaları." Bilişim Teknolojileri Dergisi 18, no. 1 (2025): 29–43. https://doi.org/10.17671/gazibtd.1533288.
Full textAbstract:
Meme kanseri giderek daha sık görülmekte ve endişe verici bir boyuta ulaştığı ifade edilmektedir. Hastalık teşhis edilmezse ölüm riskini önemli ölçüde artırmaktadır. Son aşamada teşhis edildiğinde, tedbir olarak uzuvların alınması gerekmektedir. Erken teşhis için başarılı bir yöntem öncü olabilir. Bu makalenin odak noktası, meme kanseri teşhisinde başarılı makine öğrenimi tekniklerinin otomatik tanı için değerlendirilmesidir. Ayrıca, orijinal Wisconsin meme kanseri veri setine ait belirli özelliklerin etkinliği kontrol edilerek daha az işlem yükü ile başarılı tahminler araştırılmaktadır. Bu amaçla veri setine çeşitli makine öğrenimi algoritmaları uygulanmış ve en iyi performans gösteren algoritmalar belirlenmiştir. Daha başarılı bir tahmin için veri setine ön işlem uygulanarak etkin özellikler tespit edilmiştir. İlk bulgulardan yola çıkarak bu çalışmada, NB, DVM, J48 ve k-NN sınıflandırma algoritmaları ile k-means ve hiyerarşik kümeleme algoritmaları kullanılmıştır. Algoritmaların hastalık tanısındaki performansları doğruluk, ROC değerleri ve karmaşıklık matrisi metrikleriyle analiz edilmiştir. Performans metrikleri, en iyi sonucun NB tekniği ile elde edildiğini göstermektedir. Analiz edilen modellerin metrikleri, verilerin değerlendirilmesinde kullanılan çekirdek fonksiyonlarının tanıda önemli rol oynadığını göstermektedir. Wisconsin veri setine uygulanan denetimli algoritmalar güvenilir sonuçlar vermiştir. Meme kanseri teşhisinde başarılı olan algoritmaların sağlık sisteminde kullanılan analiz cihazlarına bir yazılım aracı olarak entegre edilmeleri, erken tanı ve farkındalık için iyi bir öncü olabileceği değerlendirilmektedir.
2
Göçgün, Ömer Faruk, Femin Yalcin, and Aytuğ Onan. "Federe Öğrenme Algoritmaları ve Açık Kaynak Çerçeveler." International Journal of Advanced Natural Sciences and Engineering Researches 7, no. 6 (2023): 108–12. http://dx.doi.org/10.59287/ijanser.1143.
Full textAbstract:
Günümüzde dağıtık sistemler ve büyük veri, merkeziyetçi makine öğrenmesi/derin öğrenme modellerinde zaman ve donanım maliyeti gibi engellere sebebiyet vermektedir. Bu sebeple dağıtık sistemlerde çalışan yazılımların veya Nesnelerin İnterneti (IoT) cihazlarından toplanan verilerin tek bir merkezde model eğitimi veya bu verilerden sonuç elde edilmesi aynı zamanda gizlilik gibi sorunlara da sebebiyet vermektedir. Makine öğrenmesine yönelik nispeten yeni sayılabilecek olan Federe Öğrenme (Fedeated Learning), giderek küreselleşen bu dünyada veri gizliliği ve güvenliği giderek daha önemli olacaktır. Federe öğrenmede, küresel bir model oluşturmak için iş birliği yapan cihazlar ve/veya yazılımlar yinelemeli bir şekilde kendi verisini doğrudan paylaşamadan doğruluk oranını giderek arttırmaktadır. Bu ise kurumların veya firmaların büyük kaynaklar ayırarak küresel bir modeli eğitme maliyetinden kurtarmakla beraber eğitim sürecini de hızlandırmaktadır. Gizliliği koruyan veri paylaşımı özellikle sağlık, finans ve iletişim gibi sektörlerde model eğitimi için Federe öğrenmeyi öne çıkartmaktadır. Federe öğrenmenin son yıllarda araştırma odağı haline gelmiş olması sadece yeni olmasından değil, ayrıca gizliliği koruyan kanunlar, nüfus ve teknoloji kullanımındaki artış ile ideal bir çözüm olarak gelecekte kullanımının oldukça yaygınlaşacağı düşünülmektedir. Bu çalışmada, açık kaynak federe öğrenme kütüphaneleri üzerine incelemeler ile McMahan v.d.’nin FedAVG üzerinden CIFAR-10 ile yapmış olduğu çalışma Flower üzerinde simülasyonu gerçekleştirilerek karşılaştırılmalı deneysel sonuçlar sunulmuştur. Bu çalışmada yapılan deneysel sonuçlar ile, veri kümesi ve parametre ayarlarındaki değişime göre Flower çerçevesinin kullanılan algoritmanın orijinal gerçekleştirimiyle her zaman aynı doğruluk oranına ulaşmadığı görülmüştür.
3
Göksu, Semih, Bülent Sezen, and Yavuz Selim Balcıoğlu. "MAKİNE ÖĞRENMESİ İLE ÜRETİM PERFORMANSI TAHMİNLEMESİ." Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28, no. 1 (2025): 65–79. https://doi.org/10.17780/ksujes.1517172.
Full textAbstract:
Bu çalışmanın amacı, makine öğrenmesi algoritmaları kullanarak üretim performansının tahmin edilmesidir. Üretim sistemleri, çeşitli makineler, parametreler ve set değerler üzerinden çalışmakta olup, her bir üretim koşulu değişkenlik gösterebilmektedir. Gelişen teknolojiler sayesinde, bu değişkenliklerin kontrol altına alınması, üretim koşullarının optimize edilmesi ve birbirini etkileyen süreçlerden çıkarım yapılması mümkün hale gelmiştir. Bu bağlamda, makine öğrenmesi, istatistiksel metotlarla veri setleri üzerinden üretim performansının tahmin edilmesine olanak tanıyan önemli bir araçtır. Çalışmada, aynı ürün grubuna ait 2 yıllık veri kullanılarak üretim performansını tahmin etmek amacıyla Karar Ağacı, Lineer Regresyon, Lasso Regresyon, XGBoost, Destek Vektör Regresyonu ve LSTM algoritmaları uygulanmıştır. Bu algoritmalar, üç farklı senaryo üzerinden değerlendirilmiş ve üretim performansını en doğru şekilde tahmin edebilecek modelin belirlenmesi hedeflenmiştir. Elde edilen sonuçlar, basit ve karmaşık modellerin performanslarını karşılaştırarak üretim süreçlerinin iyileştirilmesine yönelik pratik öneriler sunmaktadır.
4
AKÇAY, Hakan, and Derya YILTAS-KAPLAN. "CREDIT CONSUMPTION ESTIMATION AND COMPARATIVE APPLICATION WITH TIME SERIES ESTIMATION ALGORITHMS." Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 27, no. 1 (2024): 166–89. http://dx.doi.org/10.17780/ksujes.1369811.
Full textAbstract:
Dijital dönüşümün hızla yaygınlaşması ile işlenen verilerin boyutları ve hacimleri de artmıştır. Büyük verileri işlemek, doğruluğu yüksek analizleri kısa sürede ve daha az kaynak kullanarak yapmak için yeni yöntem ve algoritmalar geliştirilmiştir. Bu çalışmada makine öğrenmesi ve derin öğrenme tekniklerinden ARIMA (Otoregresif Entegre Hareketli Ortalama), SARIMA (Mevsimsel ARIMA), Prophet (Facebook), XGBoost (En Büyük Eğim Artırma), LSTM (Uzun-Kısa Süreli Bellek), RNN (Yinelemeli Sinir Ağı) ve GRU (Geçitli Tekrarlayan Birim) algoritmaları kullanılarak tüketicilerin kontör tüketimleri zaman serileri yardımıyla tahmin edilmeye çalışılmıştır. Modelleri karşılaştırmak için MAE (Ortalama Mutlak Hata), MAPE (Ortalama Mutlak Yüzde Hata), RMSE (Kök Ortalama Karesel Hata) ve Determinasyon Katsayısı (R^2) kullanılmıştır. Elde edilen ölçüm sonuçlarına göre zaman serileri tahminlemesinde derin öğrenme tekniklerinin makine öğrenmesi yöntemlerine göre daha iyi sonuçlar verdiği gözlemlenmiştir. Çalışmada zaman serileri tahminlemesi üzerine dokuz farklı makine ve derin öğrenme yöntemi kullanılarak kapsamlı bir inceleme yapılmıştır. Literatürdeki benzer çalışmalar ile kıyaslandığında bu çalışmada konu oldukça geniş bir perspektiften incelenmiştir.
5
SİNAP, Vahid. "Prediction of Counter-Strike: Global Offensive Round Results with Machine Learning Techniques." Journal of Intelligent Systems: Theory and Applications 6, no. 2 (2023): 119–29. http://dx.doi.org/10.38016/jista.1235031.
Full textAbstract:
Kamuya açık şekilde sunulan yapılandırılmış ve yapılandırılmamış büyük miktarlardaki verilerle birlikte Espor tahminlemeleri üzerine yapılan çalışmalar her geçen gün artmaktadır. Espor etkinliklerine yönelik tahminleme çalışmaları insan faktöründen büyük ölçüde etkilense de doğru çıktılara ulaşmada önemli birçok parametre sunan yapısıyla tahminlemelerin başarısını artırmaktadır. Bu bağlamda modellerin nasıl oluşturulacağı ve hangi makine öğrenmesi algoritmalarının seçileceği önem taşımaktadır. Bu çalışmada, Counter- Strike: Global Offensive adlı çevrimiçi oyundaki rauntların sonuçlarının tahminlemeye yönelik çeşitli makine öğrenmesi algoritmaları kullanılarak sınıflandırmalar gerçekleştirilmiştir. Araştırmada, Lojistik Regresyon, Karar Ağaçları, Rastgele Orman, XGBoost, Naive Bayes, K-En Yakın Komşu ve Destek Vektör Makinesi olmak üzere toplam yedi adet denetimli sınıflandırma algoritması kullanılmıştır. Bu algoritmaların performans ölçümünde Doğruluk, Kesinlik, Duyarlılık, F-Skor ve AUC değerleri hesaplanmıştır. Ayrıca, ROC eğrileri ve karışıklık matrisleri değerlendirilerek algoritmalar karşılaştırılmıştır. Bu ölçümler ve değerlendirmeler sonucunda Rastgele Orman algoritması %88 doğruluk oranı ile en başarılı algoritma olmuştur. Bunlara ek olarak, rauntların kazanılma durumları bağlamında Keşifsel Veri Analizleri yürütülerek Espor organizasyonlarına yönelik bazı önerilerde bulunulmuştur.
6
DURAN, Abdulmuttalip, Kübra ÇELİK, Kemal ADEM, and Sezer DÜMEN. "Yapay Zekâ Algoritmaları ile Dünya Mutluluğunu Tahminleme." International Conference on Pioneer and Innovative Studies 1 (June 13, 2023): 386–94. http://dx.doi.org/10.59287/icpis.861.
Full textAbstract:
– Mutluluk bireyin yaşam kalitesini değerlendirme biçimidir ve ekonomik, sosyal, ulusal, kişisel vecoğrafi etmenlerden etkilenmektedir. Mutluluğu etkileyen bu faktörler makine öğrenmesi yöntemlerindekullanılarak dünya ülkelerinin mutluluğu tahmin edilebilmektedir. Bu çalışmada; makine öğrenmesialgoritmaları kullanılarak dünya ülkelerinin mutluluğu tahmin edilmiştir. Makine öğrenmesiyöntemlerinden SVM, Ensemble, GPR, Tree, Lineer Regression ve Neural Network algoritmalarıkullanılmıştır. Dünya ülkelerinin mutluluğunu tahminlemede en başarılı makine öğrenmesi algoritmasıvarsayılan hiperparametreler kullanıldığında 0.48281 RMSE değeriyle SVM algoritmasıdır. Daha sonrahiperparametre optimizasyonu yapılmıştır. Optimizasyon sonrasında ise en başarılı yöntem 0.45746 RMSEdeğeriyle yine SVM algoritmasıdır.
7
Balıbey, Sinan, Feyza Altunbey Özbay, and Erkan Tanyıldızı. "Makine Öğrenmesi Algoritmalarının Performansını Artırmak için Metasezgisel Algoritma Tabanlı Öznitelik Seçimi." Fırat Üniversitesi Mühendislik Bilimleri Dergisi 37, no. 1 (2025): 509–22. https://doi.org/10.35234/fumbd.1632540.
Full textAbstract:
Artan veri dünyasında, makine öğrenmesi (ML) algoritmalarının başarısı büyük ölçüde öznitelik seçimi süreçlerine bağlıdır. Öznitelik seçimi, gereksiz, etiketsiz veya gürültülü öznitelikleri eleyerek daha küçük ve anlamlı bir öznitelik kümesi oluşturmayı hedefler. Bu çalışmanın amacı, metasezgisel algoritmalar sayesinde veri kümelerinden en anlamlı öznitelikleri elde ederek ML algoritmalarının farklı kıyaslama ölçütlerine göre daha iyi performans elde etmesini sağlamaktır. Bu kapsamda, öznitelik seçimi için metasezgisel algoritmalardan İkili Parçacık Sürü Optimizasyonu ve Genetik Algoritma kullanılarak iki farklı veri seti üzerinde deneysel araştırmalar gerçekleştirilmiştir. Sonar ve Meme Kanseri veri setlerinde, K-En Yakın Komşu, Destek Vektör Makinesi ve Karar Ağaçları sınıflandırma algoritmaları amaç fonksiyonu olarak kullanılmıştır. Her iki algoritma için de farklı popülasyon büyüklüğünde yüksek iterasyonlarda öznitelik seçimi yapılmış, ardından seçilen en iyi öznitelikler farklı ML modeli (Lojistik Regresyon, Naive Bayes, Aşırı Gradyan Arttırma, Yapay Sinir Ağları, Evrişimsel Sinir Ağları ve Uzun Kısa Süreli Bellek) ile değerlendirilmiştir. Sonuçlar, İkili Parçacık Sürü Optimizasyon ve Genetik Algoritma yöntemlerinin öznitelik seçimi sonrası model doğruluklarında anlamlı artışlara yol açtığını göstermiştir. Elde edilen sonuçların metasezgisel algoritmalar kullanarak özellik seçim sürecini geliştiren araştırmacılara katkı sağlaması amaçlanmaktadır. Bu bulgular, metasezgisel algoritmaların öznitelik seçimi sürecinde etkinliğini ve çeşitli ML modelleri ile birleşmesinin performans iyileştirmedeki potansiyelini desteklemektedir.
8
Veziroğlu, Merve, and İhsan Bucak. "Haber Sınıflandırma Sistemlerinde Naive Bayes ve Makine Öğrenmesi Algoritmaları Arasında Performans Karşılaştırması." Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi 15, no. 1 (2025): 57–70. https://doi.org/10.21597/jist.1537627.
Full textAbstract:
Dijital içerikteki artış, özellikle haber sınıflandırma gibi metin odaklı görevlerde otomatik sınıflandırma yöntemlerine duyulan ihtiyacı büyük ölçüde artırmıştır. Bu noktada Doğal Dil İşleme (DDİ) teknikleri, büyük veri setlerinde insan müdahalesi olmaksızın verimli sonuçlar üretebilme potansiyeline sahiptir. Bu çalışma, haber başlıklarını kategorilere ayırmayı amaçlayan, Python ile geliştirilmiş bir Naive Bayes (NB) tabanlı sınıflandırma sistemini tanıtmaktadır. NB algoritmaları, basitlikleri ve hızlı hesaplama özellikleri nedeniyle metin sınıflandırma problemlerinde öne çıkmaktadır. BBC News başlıklarından oluşan veri kümesi; teknoloji, iş dünyası, spor, eğlence ve siyaset gibi farklı kategorileri kapsamaktadır. Veri ön işleme sürecinde metin temizleme, durdurma kelimelerin çıkarılması ve Sayım Vektörleştirme ile metnin sayısal verilere dönüştürülmesi gibi adımlar yer almıştır. Bu süreç, doğru ve etkili sınıflandırma için kritik bir rol oynamaktadır. Çalışma kapsamında beş farklı NB varyantı incelenmiştir: Gaussian, Multinomial, Complement, Bernoulli ve TAN. Sonuçlar, Multinomial NB’nin %98.53 doğruluk oranıyla en iyi performansı sergilediğini ortaya koymuştur. Complement NB %98.31, TAN %98.20, Bernoulli %96.74, Gaussian NB ise %91.79 ile %92.92 arasında değişen doğruluk oranlarına sahiptir. Bunun yanı sıra NB algoritmaları, Lojistik Regresyon, Rastgele Orman, Doğrusal Destek Vektör Sınıflandırıcısı ve Çok Katmanlı Algılayıcı gibi gelişmiş makine öğrenimi algoritmalarıyla karşılaştırılmıştır. Çok Katmanlı Algılayıcı, %98.31 doğruluk oranı ile öne çıkarken, diğer algoritmalar da %97’nin üzerinde başarı elde etmiştir. Bu çalışma, NB algoritmalarının haber sınıflandırma problemlerinde güçlü, güvenilir ve etkili bir çözüm sunduğunu göstermektedir. Özellikle Multinomial ve Complement NB varyantları, yüksek doğruluk oranları ile dikkat çekmektedir. Gelecekteki araştırmalar, daha geniş veri setleri ve yeni yaklaşımlar ile bu algoritmaların performanslarını daha da geliştirmeyi hedeflemektedir.
9
Kahraman, Aleyna, Durmuş Özkan Şahin, Dilara Bıyıklı, Feyzanur Aytekin, and Hasan Basri Darga. "Makine Öğrenmesi ve Derin Öğrenmeye Dayalı Duygu Analizinde Metin Temsil Yöntemlerinin Sınıflandırma Başarımına Etkisinin İncelenmesi." Karadeniz Fen Bilimleri Dergisi 15, no. 2 (2025): 923–59. https://doi.org/10.31466/kfbd.1536270.
Full textAbstract:
Bu çalışmada, iki farklı veri seti üzerinde çeşitli metin temsil yöntemleri kullanılarak ikili ve üçlü sınıflandırma işlemleri gerçekleştirilmiştir. Metin temsil yöntemleri olarak TF-IDF, GloVe, Word2Vec, FastText ve Bag of Words kullanılmıştır. Makine öğrenimi algoritmalarından Naive Bayes, Lojistik Regresyon, Destek Vektör Makineleri, Rastgele Orman, Yapay Sinir Ağı, En Yakın Komşu Algoritması, Karar Ağacı, XGBoost ve LightGBM uygulanmıştır. Derin öğrenme algoritmaları olarak ise Evrişimli Sinir Ağı, Tekrarlayan Sinir Ağı ve Uzun Kısa Süreli Bellek kullanılmıştır. Elde edilen sonuçlarla, kullanılan metin temsil yöntemleri ve algoritmaların performansları karşılaştırılmıştır. Amazon veri setinde, makine öğrenimi yöntemleri arasında en yüksek doğruluk oranı LightGBM algoritması, derin öğrenme yöntemleri arasında ise TF-IDF ve FastText kullanan LSTM algoritması tarafından elde edilmiştir. IMDb veri setinde, makine öğrenimi yöntemleri arasında en yüksek doğruluk oranı Lojistik Regresyon algoritması, derin öğrenme yöntemleri arasında ise FastText kullanan LSTM algoritması tarafından elde edilmiştir.
10
Parıltay, Erhan, and Buket Kosova. "Kopya sayısı varyasyonlarının makine öğrenmesi algoritmaları kullanılarak biyoinformatik analizi." Ege Tıp Dergisi 64, no. 1 (2025): 143–52. https://doi.org/10.19161/etd.1602958.
Full textAbstract:
Amaç Kopya sayısı varyasyonları, insan genomunun yaklaşık yüzde ikisinde bulunan belirli DNA bölgelerinin kayıp veya kazançlarıdır. Yapısal varyasyonlar arasında yer alan bu grup, sağlıklı popülasyonda bulunabileceği gibi ilgili bölgenin kayıp veya kazançları klinik tablolarla da ilişkilendirilebilir. Tespit edilen kopya sayısı varyasyonunun klinik olarak yorumlanması, aile çalışmasını da gerektiren karmaşık bir süreçtir. Klinik ve genetik verilerin yorumlanması sürecinde her zaman doğru bilgiye ulaşılamamaktadır. Kullanımı artan makine öğrenme algoritmaları giderek tıp alanında da kullanılmakta ve özellikle büyük veri setlerinin bulunduğu genetik gibi alanlarda giderek önem kazanmaktadır. Gereç ve Yöntem: Bu çalışma ile kopya sayısı varyasyonlarının klinik değerlendirilmesinde makine öğrenme algoritmalarının kullanımı amaçlanmıştır. ClinVar veri seti ile birden fazla çok sınıflı makine öğrenme algoritmaları kullanılarak makine öğrenme modelleri oluşturulmuştur. Bulgular: Daha küçük veri seti ile yapılan modelde çok sınıflı karar ağacı ile ortalamada 0,96 doğruluğa ulaşılırken, ana veri setinde yine çok sınıflı karar ağacı ile 0,86 doğruluğa ulaşılmıştır. Çalışmada sık karşılaşılan tanımlı varyantların daha yüksek başarı ile tanımlandığı, yine iki sınıflı benign patojenik ayrımında modelin daha başarılı olduğu gösterilmiştir. Sonuç: Bu çalışma, kopya sayısı varyantlarının klinik değerlendirilmesinde kullanılabilecek ve tanıyı otomatikleştirebilecek öncül bir makine öğrenme modeli oluşturulabileceğini göstermiştir.
Book chapters on the topic "Makine öğrenmesi algoritmaları"
1
Dinç Cavlak, Özge. "Finansal Zaman Serisi Tahminlerinde Makine Öğrenmesi Uygulamaları." In Nicel Karar Verme: Çok Kriterli Yaklaşımlar ve Makine Öğrenmesi Uygulamaları. Özgür Yayınları, 2025. https://doi.org/10.58830/ozgur.pub788.c3310.
Full textAbstract:
Mevcut çalışma, finansal zaman serisi tahminlerinde kullanılan çeşitli makine öğrenmesi algoritmalarını inceleyerek, genel bir çerçeve çizmeyi amaçlamaktadır. Çalışmada, finansal zaman serisi tahminlerinde yaygın olarak kullanılan ağaç tabanlı Rastgele Ormanlar (Random Forests, RF), Aşırı Gradyan Artırma (Extreme Gradient Boosting, XGBoost), CatBoost (Categorical Boosting), Hafif Gradyan Artırma Makinesi (Light Gradient Boosting Machine, LightGBM) ve Doğal Gradyan Artırma (Natural Gradient Boosting, NGBoost) modelleri hakkında bilgi verilmektedir. Ardından, girdi değişkenlerin katkısını ölçerek, makine öğrenmesi modellerinin yorumlanabilirliğini arttıran SHAP yaklaşımı açıklanmaktadır. Son olarak, makine öğrenmesi algoritmaları kullanılarak gerçekleştirilen finansal zaman serisi tahminleri, hisse senedi, tahvil ve emtia piyasaları üzerinden tartışılarak, bu modellerin tahmin performansı ve etkililiği gösterilmektedir. Makine öğrenmesi modellerinin hisse senedi ve tahvil piyasalarının yanı sıra, ham petrol, doğal gaz, altın, tarımsal ürünler gibi emtia fiyatlarını tahminde üstün performans gösterdikleri belirtilmektedir. Ayrıca, bu modellerin yeşil enerji hisse senedi ve yeşil tahvil fiyatlarını tahmin etmede etkili oldukları öne sürülerek; yatırım kararları, politika oluşturma ve sürdürülebilir enerji dönüşümü için önemi vurgulanmaktadır. Sonuç olarak yenilikçi makine öğrenmesi modelleri, finansal zaman serisi tahminlerinde oldukça üstün performans göstermekte; tahmin doğruluğu, yorumlanabilirlik ve doğrusal olmayan örüntüleri yansıtabilme gibi avantajlar sunması bakımından önem arz etmektedir.
2
Mete, Anı Hande, and Haluk Özsarı. "Sağlık Kurumlarında Talep Tahmini: Python ile Makine Öğrenmesi Kullanılarak Acil Servis Başvuru Sayısının Tahmin Edilmesi." In Sağlık Yönetiminde Kantitatif Teknikler ve Makine Öğrenmesi. İstanbul Üniversitesi–Cerrahpaşa Yayınevi, 2024. http://dx.doi.org/10.5152/5602.
Full textAbstract:
Sağlık hizmetlerine yönelik talebin belirsizliği, sağlık sistemlerinde önemli bir kavramdır çünkü sınırlı kaynakların hizmet talebiyle eşleştirilmesi gerekmektedir. Makine öğrenimi, sağlık sektöründe talep tahmininde kullanılan etkili yöntemlerden biridir. Bu bölümde, gerçekleştirilen örnek uygulama kapsamında makine öğrenimi tekniği kullanılarak Random Forest algoritması ile acil servise başvuru sayılarının tahmin edilmesine dayalı bir model geliştirilmeye çalışılmıştır. Random Forest algoritması kullanılarak oluşturulan bu modelin tahmin değeri ve gerçekleşen değer karşılaştırıldığında modelin 2017 yılı saat başı acil servise başvuru sayılarını tahmin başarısının R² (%58,4) olduğu sonucuna ulaşılmıştır. Makine algoritmaları ile geliştirilen modeller en iyi nihai modeller değildir. Her model kendi içinde geliştirilebilir ve diğer algoritmaların ürettiği modeller ile model başarısı metrikler (MAE, R², vb.) aracılığıyla karşılaştırılabilir. Her algoritmanın kendi içinde eksi veya artı yönü bulunmaktadır. Veri seti değiştikçe model başarısının da değiştiği ve yapılan çalışmanın bir algoritmanın başarısını genelleyemeyeceği unutulmamalıdır. Bu nedenle gerçek veri setleriyle yapılan uygulamalarda farklı algoritmaların performansı karşılaştırılmalıdır
3
NAÇAR, SÜMEYYE, HAMZA CAN KORKMAZ, and AYSE BERNA ALTINEL. "Derin Öğrenme ve Makine Öğrenmesi Algoritmaları Kullanarak Borsa Fiyat Tahmini Yapma." In Pratik Yapay Zeka Uygulamaları 2. Bidge Yayınları, 2024. https://doi.org/10.70269/10.70269/8249263831.
Full text
4
Akarsu, Osman Nuri. "Makine Öğrenmesi ve Derin Öğrenme Yöntemleriyle Bitcoin Fiyat Tahmini: SHAP Analiziyle En Etkili Modelin Açıklanması." In Dijital Finans Alanında Güncel Araştırmalar. Özgür Yayınları, 2025. https://doi.org/10.58830/ozgur.pub785.c3294.
Full textAbstract:
Makine öğrenmesi ve derin öğrenme, son yıllarda finansal piyasalarda tahminleme süreçlerinde sıklıkla başvurulan yöntemler arasında yer almaktadır. Bu yöntemler, özellikle yüksek oynaklığa sahip kripto para piyasalarında, yatırım kararlarını destekleyici araçlar olarak öne çıkmaktadır. Denetimli öğrenme algoritmaları, geçmiş verilere dayanarak gelecekteki fiyatları tahmin etmeye yönelik güçlü çözümler sunarken; derin öğrenme yaklaşımları, özellikle sıralı veri yapılarındaki karmaşık ilişkileri yakalamada avantaj sağlamaktadır. Bitcoin gibi dijital varlıkların ekonomik değişkenlerle olan ilişkisini anlamak, hem bireysel yatırımcılar hem de finansal kurumlar açısından stratejik bir gereklilik haline gelmiştir. Bu bağlamda açıklanabilir yapay zeka (XAI) teknikleri, tahmin modellerinin iç mantığını şeffaf biçimde ortaya koyarak karar destek sistemlerine katkı sunmaktadır. Bu çalışmada, Bitcoin’in (BTC) günlük kapanış fiyatları, altın, USDX, VIX ve Brent petrol gibi ekonomik göstergeler dikkate alınarak SVR, LSTM, XGBoost ve ANN algoritmaları ile tahmin edilmiştir. 2014–2024 dönemini kapsayan veri setiyle gerçekleştirilen analizde, MAPE, MAE ve R² gibi performans ölçütleri üzerinden karşılaştırma yapılmıştır. Sonuçlara göre, en yüksek doğruluk oranını SVR modeli göstermiştir. Ayrıca SHAP analizi kullanılarak BTCY (yükseliş), BTCD (düşüş) ve BTCA (açılış) değişkenlerinin tahmin sürecinde pozitif katkı sunduğu belirlenmiştir. Buna karşılık, AK (altın) ve BrPK (petrol) gibi dışsal faktörlerin olumsuz etkiler yarattığı gözlemlenmiştir. Elde edilen bulgular ile hem model doğruluğunu hem de değişkenlerin etkisini şeffaf biçimde ortaya koyarak literatüre önemli katkılar sunulmuştur.
5
Büyükbostancı, Atakan, and Hüseyin Koçak. "Yönetim Bilişim Sistemlerinde Yapay Zeka Uygulamaları." In Yönetim Bilişim Sistemleri Alanında Yenilikçi Çözümler ve Güncel Yaklaşımlar. Özgür Yayınları, 2025. https://doi.org/10.58830/ozgur.pub700.c2988.
Full textAbstract:
Çalışma, Yönetim Bilişim Sistemleri (YBS) ve yapay zekanın yönetim süreçlerine entegrasyonunu ele almaktadır. İşletmelerin ve kurumların etkin kararlar alabilmesi için bilişim sistemlerine ihtiyaç duyduğu belirtilmiş, YBS’nin bu ihtiyacı karşılayarak yönetsel süreçleri desteklediği vurgulanmıştır. Son yıllarda yapay zekanın gelişimi ile YBS’nin karar alma süreçlerini daha verimli hale getirdiği ve işletmelerde hız, maliyet ve doğruluk açısından önemli avantajlar sağladığı ifade edilmiştir. Çalışmanın önemi, yapay zeka ve makine öğrenmesi destekli YBS’nin işletmelerde rekabet avantajı sağlaması ve stratejik karar alma süreçlerini geliştirmesi üzerinedir. Özellikle veri analizi, risk yönetimi, müşteri ilişkileri ve tahminleme gibi alanlarda YBS’nin sunduğu imkanlar ele alınarak, yöneticilere daha doğru ve hızlı karar alma fırsatı sunduğu vurgulanmıştır. Çalışmanın amacı, yapay zeka destekli YBS uygulamalarının etkinliğini inceleyerek literatüre katkı sağlamaktır. Bu bağlamda YBS’nin temel özellikleri, yapay zeka ile entegrasyonu ve makine öğrenmesi yöntemleri detaylı bir şekilde ele alınmıştır. Makine öğrenmesi kapsamında Naïve Bayes, Lojistik Regresyon, Karar Ağaçları ve K-En Yakın Komşu algoritmaları gibi yöntemlerin yöneticilere karar alma süreçlerinde sağladığı katkılar değerlendirilmiştir. Sonuç olarak, yapay zeka destekli YBS uygulamalarının, işletmelerin verimliliklerini artırdığı, hatalı kararları minimize ettiği ve stratejik yönetim süreçlerini geliştirdiği ortaya konmuştur. Yapay zekanın gelişimiyle birlikte YBS’nin önemi giderek artmakta ve işletmelerin dijital dönüşüm sürecinde vazgeçilmez bir araç haline gelmektedir.
6
Gürlek, Emrah, Fadime Akdeniz, Nada Misk, et al. "Makine Öğrenmesi Algoritmaları ile Covıd-19 Test Sonuçlarının Tahmin Edilmesi." In Tıp Bilişimi III. Istanbul University Press, 2023. http://dx.doi.org/10.26650/b/et07.2023.005.22.
Full text
7
Misk, Nada, Cemal Koçana, Çiğdem Erol, and Asiye Bilgili. "Makine Öğrenmesi Algoritmaları ile Miyeloproliferatif Neoplazi Patogenezinde Etkili Genlerin Analizi." In Tıp Bilişimi III. Istanbul University Press, 2023. http://dx.doi.org/10.26650/b/et07.2023.005.21.
Full text
8
Erbay Mermer, Şeyma. "Eğitimde Dijital Dönüşüm: Makine Öğrenmesi." In Eğitimde Güncel Araştırmalar- IV. Özgür Yayınları, 2023. http://dx.doi.org/10.58830/ozgur.pub303.c1379.
Full textAbstract:
Eğitim sistemi dahil olmak üzere birçok alanda köklü değişikliklere yol açan önemli bir teknolojik gelişme olan makine öğrenmesi, yapay zeka alanının önemli bir alt dalıdır ve bilgisayarların verilere dayalı olarak öğrenme yeteneği kazanmasını sağlar. Makineler tüm işlemleri kodlar aracılığıyla algoritmalar üzerinden gerçekleştirirler. Kodlar ve algoritmalar, büyük veri kümelerini analiz ederek örüntüyü tanır ve bu örüntüyü kullanarak tahminlerde bulunur. Bu teknoloji, öğrencilere bireyselleştirilmiş öğrenme fırsatları sunma, öğretmenlere öğrenci ilerlemesini izleme, öğrencilerin güçlü ve zayıf yönlerini belirleme ve daha iyi öğretme stratejileri ve materyalleri geliştirme konularında büyük bir potansiyele sahiptir. Ayrıca, otomatik değerlendirme ve geri bildirim verme yetenekleri, öğrencilerin hızla ilerlemelerini destekler ve öğretmenlere öğrencileri daha iyi anlama ve gerektiğinde yardımcı olma konusunda rehberlik eder. Makine öğrenmesi eğitim alanında büyük bir potansiyele sahip olsa da, etik ve güvenlik konularına odaklanmak oldukça önemlidir. Bu bölüm, makine öğrenmesinin eğitim alanında sağladığı ve gelecekte sunabileceği olası katkılara odaklanmayı amaçlamaktadır. Bunun için öncelikle, “Makine öğrenmesi nedir?”, “Makine öğrenmesinin işleyişi nasıldır?”, “Makine öğrenmesinin eğitim alanındaki uygulamaları nelerdir” gibi sorular ile konunun terminolojik boyutu tartışılacaktır. Devam eden bölümlerde ise makine öğrenmesinin avantajları ve dezavantajlarının neler olduğuna dair bir analiz yapılacaktır. Bu bölümün, makine öğrenmesinin eğitim bilimleri alanına genel bir çerçeve sunması ve ayrıca eğitim-öğretim süreçlerinde kullanım alanlarını ortaya koymasıyla alana katkı sağlayacağı düşünülmektedir.
9
Öztürk Uşun, Sezin, and Mehmet Çağlar. "Müşteri Memnuniyetinin Makine Öğrenmesi Teknikleriyle Değerlendirilmesi: Bibliyometrik Analiz." In Nicel Karar Verme: Çok Kriterli Yaklaşımlar ve Makine Öğrenmesi Uygulamaları. Özgür Yayınları, 2025. https://doi.org/10.58830/ozgur.pub788.c3308.
Full textAbstract:
Bu çalışma müşteri memnuniyeti ve makine öğrenmesi alanlarında yürütülen akademik çalışmaları sistematik bir şekilde bibliyometrik analiz yöntemiyle incelemeyi amaçlamaktadır. Web of Science (WOS) veri tabanından elde edilen bilimsel yayınlar ‘müşteri memnuniyeti’ ve ‘makine öğrenmesi’ anahtar kelimeleri kullanılarak taranmıştır. İnceleme kapsamında 2025 yılına kadar olan tüm bilimsel çalışmalar dikkate alınmıştır. Elde edilen bilimsel çalışmaların yıllara göre niceliksel dağılımı, çalışmaları yürüten kurumlar ve ülkeler, en fazla atıf alan makaleler ve sık kullanılan anahtar kelimeler detaylı bir analiz ile değerlendirilmiştir. Elde edilen bulgular neticesinde, müşteri memnuniyeti değerlendirmesi alanında makine öğrenmesi tekniklerinin kullanımının özellikle son yıllarda artış gösterdiği söylenebilmektedir. Sınıflandırma, optimizasyon, doğal dil işleme, metin madenciliği gibi problemlerde sentiment analizi, derin öğrenme, rasgele orman, yapay sinir ağları gibi algoritmaların sıklıkla tercih edildiği tespit edilmiştir. Bu teknikler en çok müşteri şikayetlerinin sınıflandırılması, yorumların sentiment analizi ve tüketici davranışı tahmini gibi alanlarda kullanıldığı söylenebilir. Bu çalışmada gerçekleştirilen bibliyometrik analiz ile ilgili alanın mevcut durumu kapsamlı bir şekilde ortaya konmaya çalışılmıştır. Ayrıca, gelecekte yapılacak olan araştırmalar için potansiyel yönelimleri de işaret etmektedir. Bu yönü ile çalışma hem araştırmacılar hem de uygulayıcıların veri temelli kararlar alması noktasında referans niteliği taşımaktadır.
10
Seymen, Ömer Faruk. "Toplumsal Analizlerde Makine Öğrenmesi." In Teknolojinin Sosyal Bilimlerde Dönüştürücü Gücü: Yeni Disiplinlerarası Yaklaşımlar. Özgür Yayınları, 2024. https://doi.org/10.58830/ozgur.pub587.c2428.
Full textAbstract:
Makine öğrenimi (ML), büyük veri kümelerinin analizi yoluyla sosyal davranışın anlaşılmasını ve tahmin edilmesini geliştirmek için önemli bir fırsat sunar. Bu teknoloji, geleneksel araştırma metodolojilerini geride bırakır ve sağlık eşitsizlikleri, ekonomik eğilimler, oy verme davranışı ve yanlış bilginin tespiti dahil olmak üzere çeşitli sosyal zorluklara yenilikçi çözümler sunar. Sosyal medya, anketler, kamu veritabanları ve sensörler gibi çeşitli kaynaklardan gelen verileri kullanarak ML, sosyal eğilimlerin belirlenmesini, duygu analizini ve kamu ihtiyaçlarının öngörülmesini kolaylaştırır. Özellikle sosyal medya eğilimleri ve tüketici geri bildirimlerini yansıtan veriler üreterek sosyal analizde önemli bir rol oynar. Makine öğrenimi, sosyal davranış ve ortaya çıkan eğilimler hakkında daha derin içgörüler elde etmek için bir dizi veri kaynağı kullanır. Ayrıca, Nesnelerin İnterneti (IoT) gibi teknolojiler, gerçek zamanlı veri içgörüleri sunarak pazarlama ve ürün geliştirme süreçlerini destekler. Ancak, bu teknolojinin uygulanmasıyla ilişkili etik endişeleri ele almak zorunludur. Algoritmaların opaklığı ve dijital izlemeyle ilgili uygulamalar bireysel özgürlükler için risk oluşturabilir. Bununla birlikte, sosyal medya platformlarının manipülasyon aracı olarak kullanılma potansiyeli önemli etik soruları gündeme getiriyor. Makine öğreniminin sosyal sonuçlarına dikkatli bir değerlendirme ve titiz bir analizle yaklaşmak önemlidir.
Conference papers on the topic "Makine öğrenmesi algoritmaları"
1
"Makine Öğrenmesi Algoritmaları Kullanılarak Öğrencilerin Yükseköğretime Devam Etme Durumunun Tahmin Edilmesi." In 3rd International Conference on Innovative Academic Studies. All Sciences Academy, 2023. http://dx.doi.org/10.59287/icias.1463.
Full text
2
BİLÜCAN, Furkan, Alihan TEKE, and Taşkın KAVZOĞLU. "TOPLULUK TABANLI MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE ORMAN YANGINI DUYARLILIK HARİTALAMASI: HATAY ÖRNEĞİ." In UZALCBS 2022 Sempozyumu. Kongre Sistemi / Geomes, 2022. http://dx.doi.org/10.15659/uzalcbs2022.12839.
Full text
3
Söylemez, Büşra Çetin, and Taner Tuncer. "Derin Öğrenme ve Makine Öğrenimi Algoritmaları Kullanılarak EEG Sinyalleri ile Şizofreni Tespiti." In 6th International Students Science Congress. Izmir International Guest Student Association, 2022. http://dx.doi.org/10.52460/issc.2022.022.
Full textAbstract:
Ciddi ve kronik bir hastalık olan şizofrenide hastalar gerçeklikle arasındaki bağlantısını yitirerek farklı davranışlar sergilemeye, gerçek olmayan olaylara inanmaya ve kişiliklerini değiştirmeye eğilim gösterir. Hayat boyu süren bu hastalıkta doğru tedavi ile hastalık kontrol altına alınabilir. Bu sayede hastalar sağlıklı bir birey olarak yaşamını sürdürebilir, sosyal ilişkilerinde ve iş hayatlarında başarılı olabilir. Tedavi süreci, yapılan en küçük bir ihmalde hastalığın yeniden nüksünü tetikleyebileceğinden büyük bir özen ve hassasiyet gerektirir. Bu nedenle hastalığın teşhisi önemlidir. Bu çalışmada Şizofreni hastalığının tanı ve teşhis sürecini hızlandırmak için EEG sinyallerinden kişilerin şizofreni olup olmadığının tespit edilmesi amaçlanmıştır. Makalede, uluslararası 10-20 sistemine uygun bir şekilde 16 kanal üzerinden alınan EEG sinyalleri hibrit derin öğrenme mimarileri ile sınıflandırılmıştır. Her bir kanalın sınıflandırma sonuçlarında en yüksek doğruluk VGG16-SVM modeliyle elde edilmiştir.