Ana Sayfa
Duyurular
Genç Akademisyenler ve Lisansüstü Çalışmalar Seminerleri Dizisi

Genç Akademisyenler ve Lisansüstü Çalışmalar Seminerleri Dizisi

   Bilgisayar ve Bilişim Bilimleri Fakültesi

“Genç Akademisyenler ve  Lisansüstü Çalışmalar Seminerleri Dizisi”

(12.10.2022)

Fakültemizde “Genç Akademisyenler Ve Lisansüstü Çalışmalar Seminerleri Dizisi” etkinliğinde bu hafta (12.10..2022), Öğr. Gör. Dr. Deniz DEMİRCİOĞLU DİREN aşağıda özeti verilen doktora tez çalışmasını sunmuştur. Genç hocamıza başarılı sunumundan dolayı teşekkür eder, başarılarının devamını dileriz.

                                                                                                                 Prof.Dr.Nejat YUMUŞAK

                                                                                                                               Dekan

Seminer Konusu:

ÇOK DEĞİŞKENLİ KONTROL DİYAGRAMINDA KONTROL DIŞI DURUMA SEBEP OLAN DEĞİŞKENLERİN TOPLULUK MAKİNE ÖĞRENME ALGORİTMALARI İLE TAHMİNİ

Çok değişkenli kontrol diyagramları her değişkeni tek tek değerlendirmek yerine çok sayıda değişkeni tek bir diyagram üzerinde değerlendirmektedir. Bu sayede zaman ve iş yükünden kazanım sağlamanın yanında değişkenler arasındaki ilişkiler de değerlendirilmektedir. Bu avantajların aksine oluşan kontrol dışı durumların hangi değişkenlerden kaynaklandığı belirleyememek gibi bir dezavantajı vardır. Ancak sürecin kontrol altına alınabilmesi için hangi değişkenlere düzeltici faaliyetler uygulanması gerektiği bilinmelidir. Bu konuda yardımcı bilimsel yöntemlere ihtiyaç duyulmaktadır. Literatürde kullanılan istatistiksel ve makine öğrenme teknikleri mevcuttur. İstatistiksel yöntemlerin gelecek durumları tahmin edememe eksikliğinden dolayı makine öğrenme yöntemleri kullanılmıştır. Çalışmada, bu problemi ortadan kaldırmak için kontrol dışı durumların nedenlerini sınıflandıracak makine öğrenme tabanlı bir model geliştirilmiştir. Modelin sınıflandırma doğruluklarının mümkün olan en yüksek oranlarda olması hedeflenmektedir. Tahmin doğruluklarını arttırmak için temel tekli makine öğrenme algoritmalarının optimum parametrelerle çözüm üretmesinin yanında algoritmaları birleştirerek doğrulukları arttırmayı amaçlayan topluluk makine öğrenme algoritmaları kullanılmıştır. Kullanılan 5 temel tekli algoritmanın arasından en başarılı olarak bulunan karar ağacı algoritması, torbalama (bagging) ve yükseltme (boosting) yöntemleriyle ayrı ayrı birleştirilmiş ve doğruluklar artmıştır. Geliştirilen modelde, iyileştirilen bu algoritmalar, yığılmış genelleme (stacking) yöntemi ile birleştirilerek kullanılmıştır. Topluluk algoritmalarının bu şekilde iç içe kullanılmasının tahmin doğruluklarını arttıracağı düşünülmektedir.

Modelin başarısının ispatlanması için gerçek hayat uygulaması yapılmıştır. Temel tekli makine öğrenme algoritmaları ve iki topluluk algoritması ile karşılaştırılarak çalışma başarısı kanıtlanmıştır. Geliştirilen model sayesinde; hem çok değişkenli kontrol diyagramı kullanılarak zaman, maliyet ve değişkeler arası ilişkilerin de dikkate alınması gibi faydalar sağlanmıştır hem de yeni örneklerin kontrol dışı durumların nedenlerinin %98,06 gibi büyük doğruluk oranları ile tespit edilerek hızlıca çözülebilme şansı sunulmuştur.

Fotoğraflar